Blog

Jun 25, 2023

Aprendizaje activo para la predicción de propiedades de tracción para la fabricación aditiva por extrusión de materiales.

Scientific Reports volumen 13, Número de artículo: 11460 (2023) Cite este artículo 1114 Accesos Detalles de métricas Se utilizaron técnicas de aprendizaje automático para predecir las propiedades de tracción del material.

Scientific Reports volumen 13, número de artículo: 11460 (2023) Citar este artículo

1114 Accesos

Detalles de métricas

Se utilizaron técnicas de aprendizaje automático para predecir las propiedades de tracción de piezas fabricadas aditivamente mediante extrusión de materiales fabricadas con Technomelt PA 6910, un adhesivo termofusible. Se empleó una técnica de generación de datos adaptativa, específicamente un proceso de aprendizaje activo basado en el algoritmo de regresión del proceso gaussiano, para permitir la predicción con datos de entrenamiento limitados. Después de tres rondas de recopilación de datos, a los modelos de aprendizaje automático basados ​​en regresión lineal, regresión de crestas, regresión de proceso gaussiano y K-vecinos más cercanos se les asignó la tarea de predecir propiedades para el conjunto de datos de prueba, que consistía en piezas fabricadas con cinco parámetros de procesamiento elegidos mediante un método aleatorio. generador de números. En general, la regresión lineal y la regresión de crestas predijeron con éxito los parámetros de salida, con un error <10 % para el 56 % de las predicciones. Los vecinos K más cercanos obtuvieron peores resultados que la regresión lineal y la regresión de cresta, con un error <10% para el 32% de las predicciones y un error del 10 al 20% para el 60% de las predicciones. Si bien la regresión del proceso gaussiano se realizó con la precisión más baja (<10% de error para el 32% de los casos de predicción y entre 10% y 20% de error para el 40% de las predicciones), se benefició más de la técnica de generación de datos adaptativa. Este trabajo demuestra que los modelos de aprendizaje automático que utilizan técnicas de generación de datos adaptativos pueden predecir de manera eficiente propiedades de estructuras fabricadas de forma aditiva con datos de entrenamiento limitados.

La fabricación aditiva (AM) es una técnica de procesamiento en la que los objetos se fabrican capa por capa. La fabricación de filamentos fundidos (FFF) es el proceso AM basado en extrusión de materiales (MatEx) más común, en el que el filamento de polímero se calienta hasta que se funde, se extruye a través de una boquilla y se deposita sobre una superficie de construcción para formar piezas tridimensionales. Se requiere una comprensión detallada del proceso FFF, desde la imprimibilidad de los materiales de partida hasta las relaciones proceso-estructura-propiedades de las piezas impresas para controlar la calidad de la pieza final. Sin embargo, la calidad de la pieza final depende de muchos parámetros del proceso, lo que complica los esfuerzos de control de calidad.

Los modelos basados ​​en la física pueden proporcionar información importante para comprender MatEx. Estos modelos se basan en la física relevante y al mismo tiempo establecen suposiciones y condiciones de contorno para reflejar fielmente el proceso original. La amplia gama de modelos se puede dividir en distintas categorías. Es importante comprender la transferencia de calor y la distribución térmica durante la impresión, ya que son fundamentales para la adhesión entre capas de las piezas impresas. Se han informado modelos de transferencia de calor de volumen finito1, análisis de elementos finitos (FEA)2,3, diferencias finitas3 y numéricos4 en MatEx. También se ha modelado la reología de la masa fundida, tanto dentro del extremo caliente como del extruido5,6,7. También se han creado modelos para la determinación de propiedades mecánicas finales8,9. Los modelos basados ​​en la física no requieren grandes conjuntos de datos experimentales y pueden tener una gran precisión porque tienen en cuenta la física relevante. Sin embargo, a menudo están limitados por su complejidad computacional, que no sólo requiere mucho tiempo sino que también requiere un conocimiento exhaustivo de los comportamientos multiescala y multifísica del proceso de FA10. Como resultado, los modelos se limitan a sólo unos pocos aspectos de todo el proceso.

En los modelos de aprendizaje automático (ML) basados ​​en datos, una máquina o sistema extrae patrones subyacentes de observaciones existentes o datos experimentales para hacer predicciones sobre nuevas observaciones sin necesidad de programación explícita. Los modelos ML pueden ser menos intensivos desde el punto de vista computacional que los modelos basados ​​en la física cuando el resultado deseado es la predicción de propiedades basadas en un espacio de diseño multidimensional, como el típico de MatEx. Varios artículos de revisión brindan descripciones generales completas del estado actual de las aplicaciones de ML en MatEx10,11,12. Las redes neuronales artificiales (RNA) son el método más frecuente para la optimización de procesos de FA10. ANN es más eficiente computacionalmente que FEA a la hora de investigar el papel de los parámetros de relleno en las propiedades mecánicas, como la resistencia a la tracción13 y la relación resistencia-peso14. Varios estudios se centraron en predecir propiedades mecánicas a macroescala, como la resistencia a la tracción15, el módulo dinámico de elasticidad16, la tensión de compresión17 y las características de fluencia18 utilizando modelos de perceptrón multicapa (MLP) basados ​​en ANN. Los modelos ML para optimizar la precisión dimensional19 y la rugosidad de la superficie20 basados ​​en parámetros de proceso de entrada se crearon con un modelo basado en ANN y un modelo de conjunto, respectivamente.

Las soluciones numéricas basadas en datos que utilizan técnicas de aprendizaje automático son más eficientes desde el punto de vista computacional que la simulación numérica basada en la física. Sin embargo, obtener un conjunto de datos suficientemente grande, que es un requisito previo para entrenar modelos de aprendizaje automático de alta calidad, puede resultar costoso y llevar mucho tiempo. El diseño simple de experimento (DOE) aborda muestras uniformes de todo el espacio de diseño, lo que aumenta exponencialmente los costos experimentales con un número creciente de entradas21. Aunque la afirmación es estrictamente cierta sólo para métodos DOE simples, los paquetes de software de corte (software de modelo a impresión 3D) para FFF incluyen > 100 parámetros ajustables, lo que hace que los enfoques DOE tradicionales no iterativos para optimizar los parámetros de impresión sean inviables en muchos casos22. Además, las DOE como Taguchi se quedan cortas porque los arreglos ortogonales no consideran todas las combinaciones de variables, lo que puede omitir condiciones importantes del entrenamiento del modelo23. En consecuencia, se prefiere el muestreo adaptativo a los DOE en casos como MatEx, donde etiquetar las salidas para cada punto de datos de entrada es costoso. El muestreo adaptativo que utiliza la optimización bayesiana (BO), una forma de aprendizaje activo (AL), ha atraído la atención de la comunidad científica de materiales por reducir el esfuerzo experimental/simulación y al mismo tiempo maximizar la precisión del modelo ML al equilibrar las compensaciones entre explotación y exploración24. BO se ha implementado ampliamente en el diseño/descubrimiento de materiales y en la predicción del rendimiento de materiales novedosos25,26,27,28,29. También se ha empleado para generar diseños experimentales adaptativos, que permitieron la exploración rápida y económica de conjuntos de datos en comparación con las DOE30. Sin embargo, la implementación de BO en AM solo se ha informado recientemente. Se ha informado de la optimización de procesos mediante muestreo adaptativo para el desarrollo de materiales31, mejorando la calidad de la unión32, aumentando la precisión de la geometría33 y optimizando propiedades mecánicas como la rugosidad de la superficie34 y la tenacidad35 de las piezas MatEx.

En este trabajo, investigamos un proceso de generación de datos adaptativo para obtener un conjunto de datos de entrenamiento para predecir propiedades de muestras impresas usando FFF. El material utilizado es Technomelt PA 6910, un adhesivo termofusible semicristalino que hemos demostrado anteriormente que es capaz de formar estructuras impresas sin huecos con propiedades comparables, o incluso superiores, a las muestras moldeadas36. Technomelt PA 6910 ofrece propiedades mecánicas muy diferentes en comparación con los materiales utilizados normalmente en MatEx. Este material es elastomérico, por lo que la predicción de propiedades requiere la determinación del módulo de Young, el rendimiento y la falla, lo que aumenta la complejidad.

Hasta donde saben los autores, esta es la primera instancia de un esquema de muestreo adaptativo basado en la incertidumbre para generar un conjunto de datos de entrenamiento adquirido experimentalmente para predecir simultáneamente cinco propiedades de tracción críticas en lugar de un único resultado para piezas FFF. Esta es una contribución importante ya que el marco propuesto es una canalización de aprendizaje automático de un extremo a otro que comienza con una forma eficiente de generar datos de entrenamiento y termina con la evaluación del modelo. Este marco, que puede predecir múltiples cantidades simultáneamente, se utilizó para predecir las propiedades de tracción de piezas FFF. Además, proporcionamos una evaluación integral de los modelos de ML entrenados utilizando muestras de prueba recopiladas independientemente del conjunto de entrenamiento. A diferencia del enfoque más común de dividir los datos disponibles en conjuntos de tren y prueba, seleccionamos aleatoriamente las muestras de prueba después de completar el proceso AL. También incluimos un análisis sistemático de estructuras impresas, incluido su análisis de contenido de vacíos, cristalinidad mediante calorimetría diferencial de barrido (DSC) y microestructura transversal mediante microscopía electrónica de barrido (SEM). Este tipo de evaluación de modelos para considerar fuentes de variaciones en problemas de AM es único porque la mayoría de los trabajos existentes recurren a informar únicamente métricas de evaluación estándar, como la raíz del error cuadrático medio, que puede no ser tan informativa como una métrica independiente. Por lo tanto, este artículo describe enfoques de principios para capturar la complejidad asociada con las propiedades mecánicas de los materiales elastoméricos y predecir sus propiedades de tracción con bajo error utilizando modelos de regresión entrenados con datos de tracción de solo 22 condiciones de impresión. Por lo tanto, este trabajo proporciona la base para trabajos futuros en el área del modelado basado en datos en AM.

En este estudio se utilizó un adhesivo termofusible a base de poliamida, Technomelt PA 6910. Technomelt PA 6910 es un termoplástico flexible semicristalino con una temperatura de transición vítrea subambiente y una temperatura de fusión superior a 60 °C36. Está diseñado para alcanzar la fuerza de unión rápidamente al enfriarse, lo cual es ventajoso para aplicaciones de adhesivos termofusibles, así como en extrusión de materiales AM. Henkel Corporation tuvo la amabilidad de proporcionar el material en forma de bolitas cortadas en hebras.

El filamento se extruyó utilizando una extrusora de un solo tornillo Dr. Collin (COLLIN Lab & Pilot Solutions GmbH). Se usó una matriz de 3,5 mm de diámetro para extruir filamentos que tenían un diámetro de 2,85 ± 0,06 mm. Los detalles de los parámetros del proceso de extrusión están disponibles en trabajos anteriores36.

Se imprimieron barras de tracción tipo V ASTM D638-14 con una impresora Ultimaker 3 FFF a una temperatura ambiental de 22 ± 1 °C. La boquilla del extrusor tiene un diámetro de 0,4 mm. El código G se generó en Cura 4.3. Las muestras se orientaron a lo largo del plano XY, lo que significa que la superficie más grande de las muestras estaba en contacto con la base de impresión. La temperatura de la cama de impresión y el relleno se establecieron en 60 °C y 110%, respectivamente, para todas las impresiones. Todas las muestras se imprimieron a 30 mm/s porque se obtuvieron impresiones de buena calidad a esta velocidad de impresión. El ángulo de trama, el ángulo entre la dirección de los caminos de relleno con respecto al eje X de la cama de impresión, se seleccionó aleatoriamente para que fuera 45° o 90°. En trabajos anteriores, se demostró que el límite elástico (σy), la deformación elástica (εy) y el límite máximo de tracción (σf) de Technomelt PA 6910 impreso con FFF eran independientes del ángulo de la trama. Se demostró que la deformación por tracción última (εf) es estadísticamente significativamente menor para piezas con un ángulo de trama de 0°, aunque todos los resultados están dentro de un pequeño rango de (1104-1265%)36. Posteriormente evaluamos los datos de tracción para determinar la varianza en el módulo de Young con los ángulos de la trama y observamos que era estadísticamente insignificante (Información de respaldo, Fig. S1). Se utilizó un JEOL JSM 6390 (JEOL USA Inc.) para recolectar imágenes SEM de secciones transversales fracturadas criogénicamente de las barras de tracción FFF.

La DSC se realizó en muestras impresas utilizando un Discovery DSC (TA Instruments). Se tomaron muestras de la longitud calibrada de las barras de tracción impresas y las condiciones se probaron por triplicado. Las muestras se prepararon en recipientes herméticos de aluminio y luego se calentaron de -50 a 250 °C, se enfriaron a -90 °C y se calentaron nuevamente a 250 °C a velocidades de calentamiento y enfriamiento de 10 K/min.

Las mediciones de densidad se realizaron por triplicado de muestras de filamento y tracción de cada condición de prueba. Estas mediciones se realizaron utilizando un kit de determinación de densidad (Sartorius AG) con etanol como medio líquido. Se midió la temperatura del etanol para determinar su densidad \((\rho (f)\)). Para cada muestra/filamento, se midieron el peso en aire (\(W(a)\)) y el peso en etanol (\(W(f)\)). La densidad (\(\rho\)) se calculó según la ecuación. (1).

El conjunto de datos de entrenamiento utilizado en este trabajo está disponible en la Tabla S1 y las condiciones de impresión para las muestras de entrenamiento se resumen en la Tabla S2. Las muestras de entrenamiento inicial, adquiridas de un estudio previo de Pourali y Peterson36, están etiquetadas como iteración 1. Para todas las iteraciones posteriores, la temperatura del extrusor (Texto) osciló entre 200 y 240 °C y la altura de la capa (h) osciló entre 0,06 y 0,4 mm. Se generaron 25 combinaciones posibles dividiendo los rangos Texto y h en cinco valores igualmente espaciados. Este enfoque impuso un espacio razonable entre los puntos de datos de entrenamiento. Además, una discretización más fina aumentaría la probabilidad de que no se explorara todo el espacio de diseño debido al costo experimental. Un proceso AL basado en GPR ayudó a identificar las condiciones de impresión de muestra de entrenamiento adicionales, que están etiquetadas como iteración 2 e iteración 3. El algoritmo GPR se utilizó para identificar las cinco condiciones de parámetros con el mayor nivel de incertidumbre, que luego se tomaron como condiciones de impresión para las próximas iteraciones. S1.2 proporciona una explicación teórica de AL con GPR.

Dado que el espacio de diseño se redujo a sólo 25 puntos, se eligieron las cinco condiciones principales. Si el espacio de diseño se dividiera en regiones más finas, seleccionar las cinco condiciones principales con el mayor nivel de incertidumbre no sería adecuado para explorar todas las áreas, ya que el procedimiento de recopilación de datos de entrenamiento para este trabajo requiere mucho tiempo. Para dar una idea del tiempo necesario para adquirir experimentalmente un punto de datos para el conjunto de datos de entrenamiento, se necesitan aproximadamente 25 minutos para imprimir una barra de tracción utilizando el proceso FFF con los parámetros de impresión seleccionados, además de otros 10 minutos para realizar pruebas de tracción en ella. y analizar los resultados. Por lo tanto, seleccionar solo las cinco condiciones de impresión con el mayor nivel de incertidumbre para las iteraciones 2 y 3 redujo drásticamente la cantidad de tiempo necesaria para adquirir un conjunto de datos de entrenamiento viable.

Se utilizó un generador de números aleatorios para determinar las condiciones de impresión de las muestras de prueba para evaluar el rendimiento de los modelos ML entrenados. Nuestro objetivo era evaluar el rendimiento del modelo utilizando datos de prueba que sean verdaderamente distintos de los datos de entrenamiento. Text y h se limitaron a los mismos rangos que los datos de entrenamiento (200–240 °C y 0,06–0,4 mm, respectivamente), pero no a las 25 condiciones generadas por la discretización del espacio de diseño. El método de muestreo aleatorio dio como resultado condiciones de impresión que estaban distribuidas de manera menos uniforme que si se utilizara un método ortogonal como el muestreo de hipercubo latino (LHS). Utilizamos muestreo aleatorio para producir una pequeña cantidad de muestras de prueba para determinar la precisión de los modelos predictivos. Fue necesario restringir la cantidad de casos de prueba requeridos porque los datos se derivaban de experimentos físicos que requerían tiempo y esfuerzo considerables para generar muestras, realizar pruebas mecánicas y analizar los resultados. La Tabla 1 muestra las condiciones de los parámetros de impresión para las muestras de prueba. Se imprimieron seis muestras por condición. La Figura 1 ilustra las condiciones de impresión utilizadas para entrenar modelos de ML y probar muestras orientadas en todo el espacio de parámetros con fines de evaluación.

Imprima las condiciones para las iteraciones 1, 2 y 3 y muestras de prueba.

La prueba de tracción se realizó en un Instron 4481 con una celda de carga de 10 kN de acuerdo con ASTM D638-14. La velocidad de la cruceta se ajustó a 75 mm/min para que los tiempos de ruptura estuvieran dentro del rango de tiempo recomendado de 30 sa 5 min. Se consideró una compensación del 2 % al determinar el límite de rendimiento.

Los parámetros de entrada fueron Texto y h. Los parámetros de salida, que se muestran en la Fig. 2, fueron la tensión 1 (y1), la deformación 1 (x1), la tensión 2 (y2), la deformación 2 (x2) y el módulo de Young (\(E\)). y1 y x1 son ligeramente superiores a σy y εy, respectivamente, mientras que y2 y x2 son equivalentes a σf y εf, respectivamente. Estos parámetros de salida se seleccionaron porque (1) representan o se aproximan a importantes propiedades de tracción; (2) combinados, estos parámetros representan las características clave de una curva tensión-deformación; y (3) se pueden determinar de manera fácil y reproducible a partir de datos experimentales de tracción, lo que ayuda en el procesamiento de datos para entrenamiento y evaluación de la precisión del modelo para datos de prueba.

Curva típica de tensión-deformación con los parámetros de salida del modelo resaltados.

El objetivo del estudio fue evaluar el desempeño de modelos de regresión para la predicción de \(E\), y1, y2, x1 y x2. Se tomó un total de 124 muestras de las iteraciones 1, 2 y 3 como datos de entrenamiento para cuatro técnicas de regresión, a saber, regresión lineal (LR), regresión de cresta (RR), regresión de proceso gaussiano (GPR) y K-vecinos más cercanos (KNN). ). Se utilizó LR como modelo de referencia para comparar la calidad de predicción de los modelos de regresión. Todos los modelos de regresión se tomaron de scikit-learn, que es una biblioteca de aprendizaje automático de código abierto para el lenguaje de programación Python37. MinMaxScalar de scikit-learn se utilizó como paso de preprocesamiento para escalar las características entre cero y uno38. El algoritmo RR en este trabajo utilizó características polinómicas de grado 3. Se utilizó una función central de base radial (RBF) en el algoritmo GPR para modelar similitudes entre muestras de datos. Para el algoritmo de regresión KNN, se consideró que el número de vecinos más cercanos era 10. Estos enfoques de regresión se describen con mayor detalle en S1.1.

Para la estrategia AL utilizada en este trabajo, comenzamos con 47 puntos de datos de entrenamiento, que se clasificaron como iteración 1. 26 de estos puntos de datos fueron informados previamente por Pourali y Peterson36. Se utilizó GPR para estimar las incertidumbres asociadas con la iteración 1 para obtener los parámetros de impresión para las muestras de la iteración 2, que fueron las muestras asociadas con las condiciones de mayor incertidumbre de salida. Los resultados de la iteración 2 se ingresaron al modelo y se usó GPR para estimar la incertidumbre del nuevo modelo e identificar los parámetros de procesamiento asociados con la incertidumbre más alta; luego, estas condiciones se eligieron para la iteración 3. Combinados, estos datos se usaron para entrenar el modelo. Los modelos de ML que luego predijeron los parámetros de salida discutidos para las condiciones de los datos de prueba y la precisión de los modelos se evaluaron comparando los resultados del modelo con los resultados experimentales. En la Fig. S2 se muestra un diagrama de este proceso.

El conjunto de datos de entrenamiento, que fue tomado de Pourali y Peterson, así como de los experimentos que llevaron a la determinación de los parámetros de impresión a usar en ese estudio, se investigó primero para determinar las correlaciones entre los parámetros de impresión (entradas) y las propiedades mecánicas (salidas) y las correlaciones entre diferentes propiedades mecánicas36. Se generó un mapa de calor, que se muestra en la Fig. 3, utilizando el algoritmo disponible en la biblioteca seaborn.

Mapa de calor que muestra correlaciones entre los parámetros de entrada y salida del conjunto de datos de entrenamiento.

El texto está correlacionado positivamente con y2 y x2, que son equivalentes a σf y εf, respectivamente. Este resultado es consistente con trabajos previos en los que la tensión y la deformación máximas aumentaron con un mayor texto debido a una mayor adhesión entre capas36. h está correlacionado positivamente con \(E\) pero negativamente con x1. En este trabajo, h osciló entre 0,06 y 0,4 mm. Trabajos anteriores muestran que las propiedades mecánicas de Technomelt PA 6910 mejoran a medida que h aumenta de 0,06 mm a 0,15 mm debido al mayor contacto entre las carreteras adyacentes. El texto afectó las propiedades mecánicas más que h, lo que también observaron Pourali y Peterson.

Considerando los parámetros de salida, \(E\) está correlacionado positivamente con y1 pero negativamente con x1. x2 e y2 están fuertemente correlacionados positivamente. Con base en estas correlaciones entre las diferentes variables de salida, \(E\) e y2 podrían usarse para estimar las otras variables de salida de una muestra dada impresa en una condición de impresión específica.

Las condiciones de prueba se pueden dividir en dos categorías: (1) Texto superior/h inferior (condiciones A y E) y (2) Texto inferior/h superior (condiciones B, C y D). La Figura S3 muestra las curvas tensión-deformación de las pruebas de tracción de muestras impresas en las condiciones de prueba. Las propiedades mecánicas determinadas en base a estos datos se resumen en la Tabla 2, junto con el contenido de huecos y los resultados de DSC. εy ocurrió con aproximadamente un 30% de deformación para todas las condiciones.

Las muestras de la condición E tuvieron los \(E\) y σf más altos, lo que indica una excelente adhesión entre las capas. Aunque las muestras de la condición A tienen parámetros de impresión (Texto y h) que son muy cercanos a los de la condición E, tienen \(E\) estadísticamente significativamente más bajos (38.3 ± 1.6 vs. 47.2 ± 1.3 MPa) y fallaron en σf estadísticamente significativamente más bajo. (21,2 ± 0,9 vs. 25,2 ± 1,6%) con un intervalo de confianza del 95%. Esto indica que la adhesión intracapa fue peor en las muestras de la condición A39. Las muestras de categoría 1 (A y E) tuvieron los porcentajes de vacíos más bajos. La Figura 4 muestra imágenes SEM de muestras fracturadas criogénicamente. Las condiciones A y E dieron como resultado muestras bien consolidadas sin vacíos inter/intracapa aparentes entre los caminos depositados. Esto se debe, en parte, a la baja viscosidad del material a altas temperaturas del extrusor. Sin embargo, se observaron algunos vacíos más pequeños que pueden atribuirse a volátiles que se evaporaron durante la impresión. Aunque SEM no muestra vacíos inducidos por volátiles para las muestras de condición B, C y D, es importante tener en cuenta que pueden estar presentes vacíos similares en esas muestras, ya que SEM solo proporciona información sobre una única sección transversal. La razón detrás de las menores propiedades de tracción de las muestras de la condición A en comparación con las muestras de la condición E no se pudo determinar a partir de sus densidades o superficies de fractura.

Imágenes SEM de superficies criogénicamente fracturadas de muestras de prueba impresas en las condiciones A, B, C, D y E.

Las muestras de categoría 2 (condiciones B, C y D) tuvieron porcentajes de vacíos más altos que las muestras de categoría 1 (condiciones A y E). Un mayor contenido de huecos puede provocar peores propiedades mecánicas en FFF40. Los mayores contenidos de huecos de las muestras de las condiciones B y C son consistentes con sus menores resistencias a la tracción. Las superficies de fractura de las muestras de condición B y C en la Fig. 4 también muestran muchos vacíos entre las carreteras. Sin embargo, la condición D exhibió una resistencia a la tracción comparable a la condición A, que tenía la fracción de huecos más baja. La naturaleza y ubicación de los huecos en las muestras de la condición D fueron diferentes de las muestras de las condiciones B y C, con los huecos en las muestras de la condición D apareciendo más cerca de las paredes impresas, dejando grandes áreas en el centro libres de huecos. Estos huecos no afectan la resistencia a la tracción tanto como los de las muestras de las condiciones B y C.

La Tabla 2 también muestra la entalpía de fusión y las temperaturas de fusión (Tm) de las muestras impresas en las condiciones de prueba. En la figura S5a se proporcionan curvas de calentamiento representativas. Los valores de Tm están en el mismo rango para todas las muestras. Sin embargo, las entalpías de fusión difieren hasta cierto punto. Las muestras de la condición C tienen la entalpía de fusión más baja, lo que podría ser una causa de la baja resistencia a la tracción de la condición C. Curiosamente, las muestras de la condición D tenían una entalpía de fusión significativamente mayor en comparación con las muestras de la condición C, aunque los valores de Text y h están en el mismo rango. Las muestras de la condición C se reimprimieron en un ángulo de trama de 90 ° y se encontró que su entalpía de fusión era 20,5 ± 0,3 J/g, lo que está mucho más cerca de otras condiciones de impresión (Fig. S5b) y confirma que la diferencia en cristalinidad es debido al ángulo de trama. Technomelt PA 6910 es capaz de cristalizar lentamente a temperatura ambiente, por lo que los valores de cristalinidad deberían alcanzar valores similares durante horas a temperatura ambiente, asumiendo que comienzan con el mismo número de sitios de nucleación. Estos resultados sugieren que ciertas combinaciones de opciones de Texto, h y trayectoria para una geometría específica pueden conducir a una cristalización inducida por el flujo en Technomelt PA 6910. También intentamos determinar la razón de las aparentes propiedades de tracción más altas de las muestras de condición E en comparación con las de condición A muestras utilizando análisis DSC. No hubo diferencias estadísticamente significativas entre las entalpías de fusión de las muestras de estas dos condiciones, por lo que las diferencias entre las condiciones A y E no pueden atribuirse a diferencias en la cristalinidad. La elección del ángulo de la trama puede afectar las propiedades de tracción de las muestras de las condiciones A y E. Las muestras de las condiciones A, B, C y D exhibieron \(E\) estadísticamente indistinguible. \(E\) de las muestras de condición E fue mayor que las demás. Los valores de Texto para las muestras de las condiciones B, C y D estaban muy cerca entre sí, lo que probablemente explica sus similitudes εy, σy y \(E\). La condición E tenía un Texto más alto que las condiciones B, C y D. Esto podría dar como resultado una mayor adhesión entre capas, lo que daría un mayor \(E\). Aumentos adicionales en Texto dieron como resultado una \(E\) más baja, que se observó en las muestras de la condición A.

La Figura S4 muestra las correlaciones entre los parámetros de entrada y salida en el conjunto de datos de prueba. Se observaron correlaciones similares entre el texto y los resultados tanto en los conjuntos de datos de entrenamiento como de prueba. Sin embargo, las correlaciones entre h y los resultados en el conjunto de datos de prueba no coincidían completamente con el conjunto de datos de entrenamiento. Específicamente, no se observó correlación entre hy2 en el conjunto de datos de entrenamiento, mientras que se observó una correlación negativa pronunciada entre ellos en el conjunto de datos de prueba. Las correlaciones entre los parámetros de salida fueron similares en ambos conjuntos de datos. En general, estas correlaciones indican que los conjuntos de datos de entrenamiento y de prueba se comportan de manera similar.

Las relaciones funcionales entre las variables de salida predichas (y1, x1, y2, x2 y \(E\)) y las variables de entrada (Texto y h) se representan en la Fig. 5. Se observó que las superficies LR para todas las salidas predichas eran completamente plano. El uso de un polinomio de tres grados para RR dio como resultado una no linealidad, consistente con el gráfico de superficie curva. Esta observación es consistente con el conocido equilibrio entre sesgo y varianza en ML, en el que un modelo con menos grados de libertad generalmente sufre un mayor sesgo (es decir, pierde los patrones de entrada-salida relevantes). KNN y GPR produjeron superficies con máximos y mínimos locales. Los resultados previstos en las condiciones de prueba se compararon con los valores experimentales para evaluar la calidad de la predicción de los modelos de regresión en la Fig. 6. Los datos de la Fig. 6 también están disponibles como gráficos de barras en la Fig. S6. Para la discusión posterior sobre la calidad de la predicción del modelo para diferentes resultados, consideramos un error del 0 al 10% como buen desempeño, del 11 al 20% como desempeño moderado y del 21 al 40% como desempeño deficiente. Se eligieron estos rangos porque abarcan toda la gama de errores observados.

Gráficos de superficie para mostrar la relación entre las entradas (Texto y h) y varias salidas previstas [(a) y1; (b)x1; (c)y2; (d)x2; y (e) E] generado por diferentes modelos de regresión (KNN, GPR, RR y LR) dentro de los rangos de parámetros de entrada definidos en la Fig. 1. Para GPR, las barras de error representan la incertidumbre de la predicción.

Evaluación de la precisión del modelo comparando los valores de salida experimentales y previstos [(a) y1; (b) × 1; (c)y2; (d) × 2; y (e) E] de los modelos de regresión GPR, KNN, RR y LR para las muestras impresas en condiciones de prueba (A, B, C, D y E).

Los modelos LR y RR predijeron que y1 es independiente de Text y h. GPR predijo que habrá máximos y mínimos locales en y1. GPR predijo el y1 más bajo en la combinación de parámetros de proceso Text más baja (200 °C) y h más baja (0,06 mm), mientras que los valores de y1 más altos se predijeron en Text = 227–222 °C y h = 0,36 mm. GPR también predijo que, a un nivel alto de Texto (235–240 °C), cambiar h no tiene ningún efecto sobre y1. KNN predijo que y1 estaría dentro del rango de 10 a 15 MPa, independientemente de la configuración de los parámetros de procesamiento, con una pequeña variación local en y1.

LR y RR mostraron un buen rendimiento predictivo para las condiciones A, B, C y D y un rendimiento moderado para la condición E. LR y RR predijeron que y1 para todas las condiciones de prueba sería de 12 a 12,6 MPa, independientemente de Text o h. Los valores experimentales de y1 para las condiciones A, B, C y D fueron consistentes con estas predicciones, cayendo entre 12 y 12,8 MPa sin diferencias estadísticamente significativas en un intervalo de confianza del 95%. Las muestras de la condición E tuvieron y1 más alto que otras condiciones de impresión, lo que explica por qué LR y RR subestimaron y1 para la condición E. GPR y KNN obtuvieron peores resultados que LR y RR en la predicción de y1. El rango previsto por GPR para y1 se superpuso con los rangos experimentales para y1 para las condiciones de prueba B y E; se observó un rendimiento moderado para la condición A; y se observó un rendimiento deficiente para las condiciones C y D. GPR superó a todos los demás modelos en la predicción de y1 para la condición E. KNN mostró un buen rendimiento en la predicción de y1 para las condiciones B, C y D y un rendimiento moderado para las condiciones A y E. KNN sobrepredijo y1 para la condición A y subestimado para la condición E. Una posible razón es que KNN pesa más a los vecinos más cercanos en el conjunto de datos de entrenamiento que a los puntos distantes. Las condiciones de prueba A y E están muy cerca de la condición de entrenamiento 19 (Texto = 230 °C y h = 0,06 mm), que tuvo una media y1 de 13,3 MPa. KNN predijo valores cercanos a 13,3 MPa para las condiciones de prueba A y E, que tenían valores y1 de 12,5 MPa y 13,3 MPa, respectivamente.

LR, RR y GPR predijeron que x1 no es una función de Texto. Estos modelos también predijeron que el valor más bajo de h resultará en el x1 más alto. KNN predijo que x1 caería entre 0,4 y 0,6 mm/mm. KNN predijo que el x1 máximo ocurriría en Texto = 226–235 °C y h = 0,14–0,17 mm, mientras que los valores de x1 más bajos se predijeron para Texto = 240 °C con h = 0,32–0,4 mm. KNN también predijo que se podría lograr un valor alto de x1 (0,06 mm/mm) cuando h oscilaba entre 0,06 y 0,1 mm con valores más bajos de Texto (203–213 °C).

LR y RR mostraron un buen rendimiento predictivo para las condiciones A y E; desempeño moderado para las condiciones B y D; y rendimiento deficiente para la condición C. Como se muestra en la Fig. 5b, LR y RR predijeron un x1 más alto con un aumento de Texto y, en consecuencia, predijeron un x1 más alto para las muestras de Texto más altas (condiciones A y E) y un x1 más bajo para las muestras de Texto más bajas (condiciones B). , C y D). LR y RR predijeron menos de y1 para las condiciones B, C y D. GPR tuvo un desempeño moderado en la predicción de x1 en todas las condiciones de prueba. Los valores experimentales de x1 fueron consistentes para todas las muestras de prueba, con un valor promedio de 55,7 ± 1,02% de deformación. Sólo GPR capturó con éxito este comportamiento, ya que fue el único modelo que predijo los valores de x1 en el mismo rango para todas las condiciones, a pesar de que estaban subestimados en alrededor del 13%. KNN tuvo un rendimiento moderado en todas las condiciones de prueba, excepto en las impresiones de la condición B, en las que mostró un rendimiento deficiente. El mejor rendimiento de KNN fue para la condición E, que está muy cerca de la condición de entrenamiento 19 (Texto de 230 °C y h de 0,06 mm), con un x1 promedio del 45%. KNN predijo un 47,7 % para la x1 de la condición E, lo que representa una subpredicción del 13 % con respecto al valor experimental de x1 del 54,6 %.

Tanto LR como RR predijeron que el texto influye en y2, pero h no. GPR exhibió picos y valles en el gráfico de superficie para y2 y predijo el y2 más bajo para el Texto más bajo (200 °C) y el h más bajo (0,06 mm), mientras que el y2 máximo se predijo en Texto = 217–222 °C y h = 0,32 mm. Al igual que LR y RR, KNN predijo una correlación positiva general con Text.

LR y RR mostraron un buen desempeño en la predicción de y2 para las condiciones A, B y C y un desempeño deficiente para la condición E. Para la condición D, RR mostró un desempeño predictivo moderado, mientras que LR mostró un desempeño deficiente. A partir del mapa de calor de la Fig. 5, se encontró que y2 y Text estaban fuertemente correlacionados positivamente. Esta podría ser la razón por la que LR y RR predijeron un y2 más alto para condiciones de impresión de texto más altas y capturaron los valores experimentales para las condiciones A, B y C. KNN es el modelo de mejor rendimiento para predecir y2. Se observó un buen rendimiento para las condiciones A, B, C y D y un rendimiento moderado para la condición E. KNN predijo con precisión y2 para la condición B y predijo y2 para la condición D con solo un 3% de error. La condición de prueba B está cerca de las condiciones de entrenamiento 5 (Texto = 220 °C y h = 0,20 mm) y 6 (Texto = 220 °C y h = 0,15 mm). y2 para las muestras de la condición de prueba B está muy cerca del promedio para las condiciones de entrenamiento 5 y 6, que es 19,18 MPa; la similitud con las condiciones cercanas explica por qué KNN tuvo un desempeño impresionante al predecir y2 de la condición B con un error del 0,5%. De manera similar, la predicción de KNN para la condición D y2 (20,3 MPa) está cerca de y2 para la condición de entrenamiento 7 (Texto = 220 °C y h = 0,30 mm), que es 21 MPa. GPR superó a LR y RR, con un buen rendimiento predictivo para las condiciones A, C y D y un rendimiento moderado para las condiciones B y E. Todos los modelos subestimaron y2 para la condición de prueba E, aunque GPR tuvo el mejor rendimiento con un error del 11 %.

En los experimentos, la resistencia a la tracción más alta (y2) se observó en las muestras de la condición E y la más baja se observó en las muestras de la condición C. El bajo y2 para la condición C probablemente se deba a que tiene el Texto más bajo. El Texto más bajo combinado con el h más alto produjo la mayor cantidad de huecos entre capas y la entalpía/cristalinidad de fusión más baja. La resistencia a la tracción se correlaciona positivamente con Text en una amplia gama de materias primas poliméricas porque aumenta la soldadura entre capas41,42,43. h es el más alto para la condición C, lo que puede explicar por qué un texto bajo jugó un papel más importante que h a la hora de determinar la resistencia a la tracción. Hay una falta de consenso en la literatura sobre el efecto de h sobre la resistencia a la tracción, con correlaciones tanto negativas43,44,45 como positivas46,47,48. No observamos una correlación entre h e y2 en el mapa de calor del conjunto de datos de entrenamiento; sin embargo, se observó una correlación negativa en el conjunto de datos de prueba (Fig. S4). Esta discrepancia resalta una limitación del uso de un pequeño conjunto de datos de entrenamiento. Los modelos no lograron aprender las correlaciones entre hy2 del conjunto de datos de entrenamiento debido a una granularidad insuficiente. Por lo tanto, LR, RR y KNN subestimaron y2 para la condición E. Tanto LR como RR predijeron que la condición A tendría el y2 más alto, lo que parecía plausible ya que la condición A tenía el Texto más alto entre las condiciones de prueba. En cambio, el valor y2 más alto se obtuvo de la condición E, que RR no pudo capturar, muy probablemente porque el conjunto de datos de entrenamiento no tenía orientación ráster como una de las características de entrada.

LR y RR predijeron, similar a y2, que el texto tiene una mayor influencia en x2 que h. GPR predijo los valores de x2 más bajos para la combinación de Texto más bajo (200 °C) y h más bajo (0,06 mm), y los valores de x2 más altos para Texto = 217—222 °C y h = 0,32 mm. KNN predijo que el x2 más alto se obtendría de Text = 235–240 °C y h ~ 0,1 mm. LR y RR mostraron un buen desempeño para predecir x2 para las condiciones A, B y D y un desempeño moderado para las condiciones C y E. Los valores experimentales de x2 para las condiciones A, D, E son significativamente más altos que las condiciones B y C. Sin embargo, la condición D es similar a la condición C en términos tanto de Texto como de h. Se esperan valores experimentales de x2 más altos para las condiciones A y E en comparación con B y C debido al texto más alto de las condiciones A y E. Higher Text mejoró la difusión entre capas y redujo los huecos entre las carreteras, lo que resultó en mayores propiedades de tracción y fallas con mayor deformación última/x2. LR y RR tuvieron cierto éxito en capturar esta tendencia experimental, prediciendo valores de x2 más altos para las condiciones A, D y E en comparación con B y C. Aunque LR y RR predijeron x2 similares para las condiciones D y E, el valor experimental de x2 para la condición E fue significativamente mayor que la condición D. KNN tuvo un desempeño moderadamente bueno en todas las condiciones de impresión. GPR mostró un buen desempeño para las condiciones A y E; moderado para impresiones de condición C; y pobre para las condiciones B y D. GPR y KNN predijeron que x2 sería mayor para la condición D que para la condición E, lo que no está de acuerdo con los resultados experimentales.

Tanto LR como RR predijeron que \(E\) se ve más afectado por h que por Texto. GPR también predijo una tendencia algo positiva de \(E\) con h. De manera similar a y1, GPR predijo que la \(E\) más alta se obtendría con Texto en el rango de 227–222 °C y h = 0,36 mm. A diferencia de GPR, KNN predijo que \(E\) sería comparativamente más bajo en el rango de 217-222 °C. La \(E\) más alta (52–54 MPa) se observó para Texto = 235–240 °C y h = 0,36–0,4 mm, así como para Texto = 226–231 °C y h = 0,2–0,25 mm. A un Texto relativamente más bajo (200–213 °C), KNN predijo valores altos de \(E\) (~ 50 MPa) para h = 0,2–0,4 mm.

Los valores experimentales de \(E\) fueron muy cercanos (38–40 MPa) para las condiciones A, B, C y D. Observamos valores de \(E\) más altos para la condición E. Aunque las condiciones A y E son muy similares , \(E\) para la condición E fue sustancialmente mayor que la condición A. Esto es sorprendente y no puede explicarse por el contenido de vacíos, la ubicación de los vacíos o la entalpía de fusión.

LR y RR mostraron un buen desempeño en la predicción de \(E\) para las condiciones A y B; moderado para la condición E; y pobre para las condiciones C y D. KNN mostró un buen desempeño solo para la condición D; moderado para las condiciones B, C y E; y pobre para la condición A. GPR mostró un buen desempeño solo para la condición E; moderado para la condición B; y deficiente para las condiciones A, C y D. Ningún modelo mostró un buen rendimiento de predicción para todas las condiciones de impresión. \(E\) para las condiciones A y B se predicen mejor mediante LR y RR. Todos los modelos sobreestimaron \(E\) para la condición C y predijeron que esta condición tendría la \(E\) más alta entre todas las condiciones. Sólo KNN mostró un rendimiento de predicción moderado, con un error del 19% para esta condición.

Según el mapa de calor de la Fig. 4, existe una fuerte correlación entre \(E\) y h, pero poca o ninguna correlación entre \(E\) y Text. El gráfico de superficie en la Fig. 5e muestra que los modelos predijeron \(E\) independientemente del Texto. Se esperaba una correlación positiva entre Texto y \(E\) en el conjunto de datos de entrenamiento, ya que un mayor Texto debería proporcionar una mejor fusión entre las capas para dar como resultado muestras de propiedades de tracción más altas41,42,43. El pequeño conjunto de datos de entrenamiento podría explicar por qué no se observó una correlación entre \(E\) y Text en los datos o modelos. Sin embargo, también es posible que los sistemas elastoméricos se comporten de manera diferente a los materiales vítreos a temperatura ambiente, de modo que el texto no afecte a E. Esta observación resalta la complejidad de predecir las propiedades mecánicas de los materiales elastoméricos fabricados aditivamente, así como una oportunidad para investigaciones futuras. LR y RR predijeron los valores \(E\) más bajos para las condiciones A y E, ya que tenían los valores h más pequeños. Estas condiciones también eran similares, por lo que los valores previstos eran muy cercanos. LR y RR lograron capturar \(E\) para la condición A pero fallaron para la condición E, ya que las muestras de la condición E exhibieron valores de \(E\) superiores a los esperados. KNN capturó \(E\) de las muestras de condición D porque esta condición está muy cerca de la condición de entrenamiento 7 (Texto = 220 °C y h = 0,3 mm). GPR sobrepredijo los valores \(E\) para todas las condiciones de prueba, razón por la cual tuvo éxito en capturar condiciones E mucho más altas \(E\).

En cada iteración de la técnica de generación de datos adaptativos, se calcularon el error cuadrático medio (RMSE) y el error absoluto medio (MAE) para evaluar el rendimiento de predicción de los modelos de regresión y se muestran en la Fig. 7.

Valores de error cuadrático medio (RMSE) y error absoluto medio (MAE) obtenidos en tres iteraciones de aprendizaje activo para predecir (a) y1; (b)x1; (c)y2; (d)x2; y (e) E con GPR, KNN, LR y RR.

Cuando se entrenaron con el conjunto de datos de la primera iteración, LR, RR y KNN tuvieron un desempeño similar al predecir y1 basándose en valores RMSE y MAE comparables, mientras que GPR tuvo un desempeño deficiente. Cuando se entrenó con el conjunto de datos de la segunda iteración, los valores RMSE y MAE para LR, RR y KNN aumentaron inesperadamente en comparación con el conjunto de datos de la primera iteración. Esto puede deberse a que cinco de las condiciones de impresión de la iteración 2 estaban ubicadas en el perímetro del espacio de diseño, a diferencia de las condiciones de impresión de las muestras de prueba que se concentraban en el medio del espacio de diseño. Por el contrario, GPR se benefició considerablemente del método de generación adaptativa. Cuando se entrenó con el conjunto de datos de la segunda iteración, los valores RMSE y MAE disminuyeron en un 20 % y 32 %, respectivamente, pero se mantuvieron mayores que LR, RR y KNN. Debido al muestreo comparativamente homogéneo del espacio de diseño, los valores RMSE y MAE de todos los modelos entrenados con el conjunto de datos de la tercera iteración disminuyeron. GPR mostró la mayor reducción en los valores de RMSE y MAE (61%) en comparación con LR, RR y KNN, lo que demuestra que es el que más se beneficia de este proceso de AL. Los valores equivalentes de RMSE y MAE indican que LR, RR y KNN tuvieron un rendimiento comparable. Aunque GPR se benefició significativamente del proceso AL, sus valores finales de RMSE y MAE después de la tercera iteración fueron aún mayores que los de los otros modelos, lo que indica un rendimiento más deficiente. El muestreo adaptativo adicional puede ayudar a GPR a mejorar su calidad de predicción, permitiéndole superar a otros modelos de regresión.

Los valores comparables de RMSE y MAE demuestran que todos los modelos tuvieron un rendimiento comparable en la predicción de x1 en la primera, segunda y tercera iteración. La calidad de las predicciones casi no se vio afectada por el enfoque de recopilación de datos de entrenamiento iterativo. Las muestras de entrenamiento de la primera iteración fueron adecuadas para que el modelo aprendiera y proporcionara predicciones precisas para x1 con un error mínimo.

Todos los modelos excepto GPR fueron penalizados después de la primera iteración al predecir y2. Los valores RMSE y MAE para y2 en la tercera iteración aumentaron significativamente para LR (en un 20% y 18%, respectivamente) y RR (en un 18% y 14%, respectivamente). LR, RR y KNN aprendieron mejor del conjunto de datos de entrenamiento de la primera iteración debido a que estos puntos de datos estaban más cerca de los puntos de datos de prueba que los puntos de datos de las iteraciones 2 y 3. Al igual que en y1, GPR demostró un rendimiento deficiente cuando se entrenó utilizando el entrenamiento de la primera iteración. conjunto de datos, con valores altos de RMSE y MAE. RMSE y MAE disminuyeron un 14% y un 15%, respectivamente, en la segunda iteración. Sin embargo, estos valores se redujeron significativamente (ambos en un 82%) y se volvieron comparables a los de LR, RR y KNN cuando GPR se entrenó con datos de la tercera iteración.

Cuando se entrenaron con datos de la tercera iteración, todos los modelos, particularmente GPR y KNN, mostraron una mejora significativa en la predicción de x2. En la segunda iteración, tanto el RMSE como el MAE para GPR disminuyeron significativamente (un 34% y un 19%, respectivamente), y esta tendencia continuó en la tercera iteración. KNN no demostró un rendimiento mejorado hasta que fue entrenado utilizando el conjunto de datos de la tercera iteración, probablemente debido a que los puntos de datos de la tercera iteración están muy cerca de los puntos de datos de prueba.

El mejor rendimiento en la predicción de \(E\) se observó para RR cuando se entrenó con datos de la iteración inicial. LR se benefició considerablemente de la tercera iteración, mientras que RR fue penalizado. GPR se benefició considerablemente de la técnica de generación de datos adaptativa y mostró una caída constante en los valores RMSE y MAE con cada iteración sucesiva, pero exhibió un rendimiento inferior en comparación con LR, RR y KNN.

Se utilizó AL, una técnica de generación de datos adaptativa, para generar un conjunto de datos de entrenamiento para muestras FFF impresas con Technomelt PA 6910 para entrenar modelos LR, RR, KNN y GPR. El esquema de generación de datos adaptativo utilizado en este estudio permitió la predicción simultánea de cinco propiedades de tracción críticas de estructuras FFF con una precisión aceptable. La mayoría de las propiedades de tracción se predijeron con menos del 10% de error. Sin embargo, los modelos de regresión no lograron predecir algunas propiedades de tracción de las muestras de prueba con un alto nivel de precisión debido al pequeño conjunto de datos de entrenamiento utilizado en el estudio, como resultado de una discretización aproximada (5 × 5) del espacio de diseño. En consecuencia, los modelos predictivos no lograron capturar la cristalinidad o el cambio inducido por vacíos en las características de tracción dentro de rangos más pequeños de parámetros de impresión que la granularidad predefinida de las distribuciones Text yh. El modelo base (LR) proporcionó predicciones precisas para la mayoría de los parámetros de salida, lo que demuestra que los modelos lineales simples son adecuados para predecir propiedades de tracción cuando se combinan con una técnica de generación de datos adaptativa. RR tuvo un rendimiento comparable al de LR y en ocasiones mostró un rendimiento superior al de LR. KNN tuvo un desempeño moderado en comparación con LR y RR, con la menor cantidad de casos de predicción excesiva o insuficiente. GPR tuvo un rendimiento inferior al de otros modelos de regresión; sin embargo, GPR fue el que más se benefició del proceso AL, y un mayor muestreo a través del proceso iterativo podría dar como resultado que GPR supere a los otros modelos.

La falta de uniformidad asociada con el muestreo aleatorio para la generación de datos de prueba presentó una oportunidad en este estudio para investigar condiciones de impresión similares, como A y E o B y D, que resultaron en propiedades de tracción variables que no fueron capturadas adecuadamente por la mayoría de los modelos predictivos. Por otro lado, el muestreo ortogonal puede producir condiciones de prueba con parámetros de impresión que están demasiado separados entre sí, lo que limita la capacidad de observar el comportamiento de tracción anómalo. Los análisis DSC y SEM de las muestras de prueba ofrecieron información valiosa sobre el cambio en la cristalinidad y los huecos en las piezas FFF impresas con diferentes parámetros. El análisis de la cristalinidad y la naturaleza/ubicación de los huecos en las muestras de prueba reveló cómo influyeron en las características de tracción, incluso con ligeras alteraciones en Text y h. Al cuantificar la cristalinidad y el contenido vacío y posteriormente incluir dichos datos en el proceso de entrenamiento y/o aumentar la granularidad del espacio de diseño para acomodar puntos de datos de entrenamiento adicionales, se podría mejorar la calidad de predicción de los modelos. Sin embargo, incorporar la información aumentaría el costo de recopilar datos de capacitación.

Este trabajo mostró la eficacia de las técnicas AL para predecir importantes propiedades de tracción de un sistema altamente complicado como FFF de un material elastomérico generando un conjunto de datos pequeño pero informativo con solo propiedades de tracción correspondientes a 22 combinaciones de impresión. AL redujo significativamente el esfuerzo de experimentación. Este proceso podría resultar útil para optimizar los parámetros de impresión de un material desconocido con mucho menos tiempo y esfuerzo experimental. Además, el método propuesto ofrece una estrategia sencilla que se puede aplicar fácilmente a una variedad de problemas. Su principal fortaleza es su capacidad para identificar selectivamente y concentrarse en combinaciones de parámetros de proceso asociadas con la mayor incertidumbre en cada iteración. Esto es particularmente ventajoso para las técnicas de AM. Normalmente, los procesos de FA implican numerosos parámetros de proceso que influyen significativamente en las propiedades de las piezas. Comprender las intrincadas relaciones entre los parámetros del proceso y las propiedades de las piezas puede resultar un desafío, específicamente cuando hay múltiples propiedades de interés. Por lo tanto, nuestro método puede ser especialmente valioso para minimizar la cantidad de experimentos necesarios para la optimización simultánea de los parámetros del proceso para múltiples propiedades.

La estrategia de muestreo incluye tomar la incertidumbre promedio entre los resultados normalizados para agregar la información de incertidumbre, lo que arrojó una precisión razonable para predecir todas las propiedades de tracción estudiadas. En otras palabras, se ignoraron las correlaciones entre los resultados para simplificar el problema de predicción y se supuso que los resultados se predijeron de forma independiente. Como dirección para futuras investigaciones, la estrategia de muestreo podría mejorarse incorporando adecuadamente las correlaciones en el espacio de resultados. La investigación futura también puede incluir una comparación sistemática del rendimiento de los modelos entrenados con conjuntos de datos generados por el método propuesto con técnicas de muestreo basadas en cuadrículas, como LHS y muestreo estratificado, o técnicas de muestreo aleatorio, como el muestreo de Monte Carlo. Otra posible área de investigación futura podría ser si LHS combinado con un muestreo uniforme puede proporcionar muestras más representativas que una estrategia de muestreo uniforme pura. El resultado de esta investigación dependerá de varias características específicas del problema, como la cantidad de parámetros de entrada, sus rangos y la cantidad total de muestras seleccionadas.

Las entradas del modelo se proporcionan en la información de respaldo. Hay datos adicionales disponibles en https://doi.org/10.18126/Y4E2-BYV0.

Yardimci, MA, Hattori, T., Guceri, SI y Danforth, SC Análisis térmico de deposición fundida. En 1997 Simposio Internacional de Fabricación de Forma Libre Sólida (1997).

D'Amico, T. & Peterson, AM Parametrización de cuentas en la fabricación aditiva por extrusión de materiales a escala de escritorio y sala: cómo la velocidad de impresión y las propiedades térmicas afectan la transferencia de calor. Añadir. Fabricante. 34, 101239 (2020).

Google Académico

Gilmer, EL et al. Modelado de temperatura, difusión y tensión en la fabricación aditiva de polieterimida por extrusión de filamentos: un examen de la influencia de los parámetros de procesamiento y la importancia de los supuestos de modelado. Añadir. Fabricante. 48, 102412 (2021).

CAS Google Académico

Choo, K. y col. Modelado de retención de calor en fabricación aditiva de grandes superficies. Añadir. Fabricante. 28, 325–332 (2019).

Google Académico

Serdeczny, MP, Comminal, R., Pedersen, DB y Spangenberg, J. Estudio experimental y analítico del flujo de fusión de polímeros a través del hot-end en la fabricación aditiva por extrusión de materiales. Añadir. Fabricante. 32, 100997 (2020).

CAS Google Académico

Chen, J. & Smith, DE Caracterización reológica de filamentos para la fabricación aditiva de fabricación de filamentos fundidos: un enfoque de bajo costo. Añadir. Fabricante. 47, 102208 (2021).

CAS Google Académico

McIlroy, C. & Olmsted, PD Efectos del desenredo sobre el comportamiento de soldadura de polímeros fundidos durante el método de fabricación de filamentos fundidos para fabricación aditiva. Polímero 123, 376–391 (2017).

Artículo CAS Google Scholar

Bellini, A. & Güçeri, S. Caracterización mecánica de piezas fabricadas mediante modelado por deposición fundida. Prototipo rápido. J. 9, 252–264 (2003).

Artículo de Google Scholar

Park, SI, Rosen, DW, Choi, SK y Duty, CE Propiedades mecánicas efectivas del material reticular fabricado mediante fabricación aditiva por extrusión de materiales. Añadir. Fabricante. 1, 12-23 (2014).

Google Académico

Goh, GD, Sing, SL y Yeong, WY Una revisión sobre el aprendizaje automático en la impresión 3D: aplicaciones, potencial y desafíos. Artif. Intel. Rev. 54, 63–94 (2021).

Artículo de Google Scholar

Zhang, Y. & Moon, SK Estrategia de diseño basada en datos en la fabricación de filamentos fundidos: estado y oportunidades. J. Computación. Des. Ing. 8, 489–509 (2021).

Google Académico

Wang, C., Tan, XP, Tor, SB & Lim, CS Aprendizaje automático en fabricación aditiva: estado del arte y perspectivas. Añadir. Fabricante. 36, 101538 (2020).

Google Académico

Yadav, D., Chhabra, D., Kumar Garg, R., Ahlawat, A. y Phogat, A. Optimización de los parámetros del proceso de impresión 3D FDM para múltiples materiales utilizando una red neuronal artificial. Madre. Hoy Proc. 21, 1583-1591 (2020).

Artículo CAS Google Scholar

Zhou, X., Hsieh, S.-J. y Ting, C.-C. Modelado y estimación del comportamiento a tracción de piezas de ácido poliláctico fabricadas mediante modelado por deposición fundida utilizando análisis de elementos finitos y biblioteca basada en conocimiento. Física virtual. Prototipo. 13, 177-190 (2018).

Artículo de Google Scholar

Bayraktar, Ö., Uzun, G., Çakiroğlu, R. & Guldas, A. Estudio experimental sobre piezas de plástico impresas en 3D y predicción de las propiedades mecánicas mediante redes neuronales artificiales. Polimero. Adv. Tecnología. 28, 1044-1051 (2017).

Artículo CAS Google Scholar

Mohamed, OA, Masood, SH & Bhowmik, JL Investigación de la deformación elástica dinámica de piezas procesadas mediante fabricación aditiva por modelado por deposición fundida. Adv. Pinchar. Ing. Gestionar. 11, 227–238 (2016).

Google Académico

Sood, AK, Ohdar, RK & Mahapatra, SS Investigación experimental y modelado empírico del proceso FDM para mejorar la resistencia a la compresión. J. Adv. Res. 3, 81–90 (2012).

Artículo CAS Google Scholar

Mohamed, OA, Masood, SH & Bhowmik, JL Influencia de los parámetros de procesamiento en el comportamiento de fluencia y recuperación de piezas fabricadas con FDM utilizando un diseño de cribado definitivo y ANN. Prototipo rápido. J. 23, 998–1010 (2017).

Artículo de Google Scholar

Equbal, A., Sood, AK y Mahapatra, SS Predicción de la precisión dimensional en el modelado de deposición fundida: un enfoque de lógica difusa. En t. J. Prod. Cual. Gestionar. 7, 22–43 (2011).

Google Académico

Li, Z., Zhang, Z., Shi, J. y Wu, D. Predicción de la rugosidad de la superficie en la fabricación aditiva basada en extrusión con aprendizaje automático. Robot. Computadora. Integral Fabricante. 57, 488–495 (2019).

Artículo de Google Scholar

Lookman, T., Balachandran, PV, Xue, D. y Yuan, R. Aprendizaje activo en ciencia de materiales con énfasis en muestreo adaptativo utilizando incertidumbres para un diseño específico. Computación NPJ. Madre. 5, 21 (2019).

ADS del artículo Google Scholar

Deneault, J.R. et al. Hacia la fabricación aditiva autónoma: optimización bayesiana en una impresora 3D. Señora Toro. 46, 566–575 (2021).

ADS del artículo Google Scholar

Fraley, SA et al. Diseño de experimentos mediante métodos Taguchi-arrays ortogonales. En el libro de texto abierto sobre controles y dinámica de procesos químicos de Michigan, EE. UU. (2006).

Shahriari, B., Swersky, K., Wang, Z., Adams, RP y Freitas, ND Sacar al ser humano del circuito: una revisión de la optimización bayesiana. Proc. IEEE 104, 148–175 (2016).

Artículo de Google Scholar

Rohr, B. y col. Evaluación comparativa de la aceleración del descubrimiento de materiales mediante el aprendizaje secuencial. Química. Ciencia. 11, 2696–2706 (2020).

Artículo PubMed PubMed Central Google Scholar

Zuo, Y. et al. Acelerar el descubrimiento de materiales con optimización bayesiana y aprendizaje profundo de gráficos. Madre. Hoy 51, 126–135 (2021).

Artículo CAS Google Scholar

Zhang, Y., Apley, DW y Chen, W. Optimización bayesiana para el diseño de materiales con variables cuantitativas y cualitativas mixtas. Ciencia. Rep. 10, 4924 (2020).

Artículo ADS CAS PubMed PubMed Central Google Scholar

Yamashita, T. y col. Predicción de la estructura cristalina acelerada por la optimización bayesiana. Física. Rev. Mater. 2, 13803 (2018).

Artículo de Google Scholar

Deshwal, A., Simon, CM y Doppa, JR Optimización bayesiana de materiales nanoporosos. Mol. Sistema. Des. Ing. 6, 1066–1086 (2021).

Artículo CAS Google Scholar

Lei, B. y col. Optimización bayesiana con modelos sustitutos adaptativos para diseño experimental automatizado. Computación NPJ. Madre. 7, 194 (2021).

ADS del artículo Google Scholar

Liu, J., Ye, J., Momin, F., Zhang, X. y Li, A. Marco bayesiano no paramétrico para la optimización de materiales y procesos con fabricación de filamentos fundidos de nanocompuestos. Añadir. Fabricante. 54, 102765 (2022).

CAS Google Académico

Kapusuzoglu, B., Sato, M., Mahadevan, S. y Witherell, P. Optimización de procesos en condiciones de incertidumbre para mejorar la calidad de la unión de filamentos poliméricos en la fabricación de filamentos fundidos. J. Manuf. Ciencia. Ing. 143, 021007 (2020).

Artículo de Google Scholar

Nath, P., Olson, JD, Mahadevan, S. & Lee, Y.-TT Optimización de los parámetros del proceso de fabricación de filamentos fundidos bajo incertidumbre para maximizar la precisión de la geometría de la pieza. Añadir. Fabricante. 35, 101331 (2020).

Google Académico

Zhang, Y., Phil Choi, J. & Moon, SK Un marco basado en datos para predecir las propiedades de piezas de fabricación de filamentos fundidos utilizando modelos sustitutos y optimización multiobjetivo. En t. J. Adv. Fabricante. Tecnología. 120, 8275–8291 (2022).

Artículo de Google Scholar

Góngora, AE et al. Un investigador autónomo experimental bayesiano para diseño mecánico. Ciencia. Adv. 6, eaz1708 (2022).

ADS del artículo Google Scholar

Pourali, M. & Peterson, AM Fabricación con filamentos fundidos de piezas sin huecos utilizando adhesivos termofusibles de baja viscosidad. Añadir. Fabricante. 46, 102110 (2021).

CAS Google Académico

Pedregosa, F. et al. Scikit-Learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Scholar

sklearn.preprocessing.MinMaxScaler: documentación de scikit-learn 0.24.2. https://scikit-learn.org/stable/modules/generated/sklearn.preprocessing.MinMaxScaler.html.

Gao, X. y col. Fabricación de filamentos fundidos de materiales poliméricos: una revisión de la unión entre capas. Añadir. Fabricante. 37, 101658 (2021).

CAS Google Académico

Tao, Y. et al. Una revisión de los huecos de piezas impresas en 3D mediante fabricación con filamentos fundidos. J. Mater. Res. Tecnología. 15, 4860–4879. https://doi.org/10.1016/j.jmrt.2021.10.108 (2021).

Artículo CAS Google Scholar

Pratama, J. y col. Una revisión de los métodos de refuerzo para materiales poliméricos procesados ​​mediante fabricación con filamentos fundidos (FFF). Polímeros 13, 4022 (2021).

Artículo CAS PubMed PubMed Central Google Scholar

Yin, B., He, Q. & Ye, L. Efectos de la velocidad de deposición y la temperatura de extrusión sobre la fusión entre filamentos en películas poliméricas de una sola capa impresas con FFF. Adv. Ing. de Indiana. Polimero. Res. 4, 270–276 (2021).

CAS Google Académico

Coogan, TJ y Kazmer, DO Enlace y resistencia de piezas en el modelado por deposición fundida. Prototipo rápido. J. 23, 414–422 (2017).

Artículo de Google Scholar

Xu, Q., Jiang, L., Ma, C., Niu, Q. y Wang, X. Efecto del espesor de la capa sobre las propiedades físicas y mecánicas de las muestras de impresión 3D de polvo de arena. Frente. Ciencia de la Tierra. 9, 763202 (2021).

Artículo de Google Scholar

Popescu, D., Zapciu, A., Amza, C., Baciu, F. & Marinescu, R. Los parámetros del proceso FDM influyen en las propiedades mecánicas de las muestras de polímeros: una revisión. Polimero. Prueba. 69, 157-166 (2018).

Artículo CAS Google Scholar

Rajpurohit, SR y Dave, HK Análisis de la resistencia a la tracción de una pieza de PLA fabricada con filamento fundido utilizando una impresora 3D de código abierto. En t. J. Adv. Fabricante. Tecnología. 101, 1525-1536 (2019).

Artículo de Google Scholar

Kuznetsov, VE, Solonin, AN, Urzhumtsev, OD, Schilling, R. & Tavitov, AG Resistencia de los componentes de PLA fabricados con tecnología de deposición fundida utilizando una impresora 3D de escritorio en función de los parámetros geométricos del proceso. Polímeros 10, 313 (2018).

Artículo PubMed PubMed Central Google Scholar

Bardiya, S., Jerald, J. y Satheeshkumar, V. El impacto de los parámetros del proceso en la resistencia a la tracción, la resistencia a la flexión y el tiempo de fabricación de piezas fabricadas con filamentos fundidos (FFF). Madre. Hoy Proc. 39, 1362-1366 (2021).

Artículo CAS Google Scholar

Descargar referencias

Los autores agradecen el apoyo financiero de la National Science Foundation (CMMI-1853480). Los autores también agradecen a Henkel Corporation por proporcionar Technomelt PA 6910 y, en particular, agradecen al Dr. Charles Paul por sus interesantes conversaciones y orientación.

Departamento de Ingeniería de Plásticos, Universidad de Massachusetts Lowell, Lowell, MA, EE. UU.

Tahamina Nasrin, Masoumeh Pourali y Amy M. Peterson

Departamento de Ciencias Matemáticas y Estadística, Universidad de Colorado Denver, Denver, CO, EE.UU.

Farhad Porkamali-Anaraki

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

También puedes buscar este autor en PubMed Google Scholar.

TN, MP y AMP concibieron y planificaron los experimentos. TN y MP llevaron a cabo los experimentos. La FPA concibió y planificó actividades de modelización y proporcionó orientación para el desarrollo de modelos. TN tomó la delantera en el análisis de los resultados y escribió el borrador inicial del manuscrito. TN, FPA y AMP editaron juntos para crear la versión final del manuscrito. FPA y AMP supervisaron el proyecto.

Correspondencia a Amy M. Peterson.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso Abierto Este artículo está bajo una Licencia Internacional Creative Commons Attribution 4.0, que permite el uso, compartir, adaptación, distribución y reproducción en cualquier medio o formato, siempre y cuando se dé el crédito apropiado a los autores originales y a la fuente. proporcione un enlace a la licencia Creative Commons e indique si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la normativa legal o excede el uso permitido, deberá obtener permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Nasrin, T., Pourali, M., Pourkamali-Anaraki, F. et al. Aprendizaje activo para la predicción de propiedades de tracción para la fabricación aditiva por extrusión de materiales. Informe científico 13, 11460 (2023). https://doi.org/10.1038/s41598-023-38527-6

Descargar cita

Recibido: 27 de diciembre de 2022

Aceptado: 10 de julio de 2023

Publicado: 15 de julio de 2023

DOI: https://doi.org/10.1038/s41598-023-38527-6

Cualquier persona con la que comparta el siguiente enlace podrá leer este contenido:

Lo sentimos, actualmente no hay un enlace para compartir disponible para este artículo.

Proporcionado por la iniciativa de intercambio de contenidos Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.