DOI: https://doi.org/10.1038/s41598-025-01016-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40369034
تاريخ النشر: 2025-05-14
المؤلف: Antonio Panico وآخرون
الموضوع الرئيسي: التصنيع الإضافي وتقنيات الطباعة ثلاثية الأبعاد
نظرة عامة
تستكشف هذه الدراسة المعلمات المثلى للطباعة في طباعة ثلاثية الأبعاد باستخدام تقنية النمذجة بالإيداع المنصهر (FDM)، مع التركيز على الخصائص الميكانيكية لعينات ABS. باستخدام نهج تصميم التجارب (DoE) مع تصميم كامل للعوامل $3^4$، تفحص البحث تأثيرات سمك الطبقة، ودرجة حرارة الإخراج، وسرعة الطباعة، وأنماط الإيداع على قوة الشد، ومعامل المرونة، والانفعال عند أقصى ضغط. تكشف تحليل ANOVA أن جميع العوامل تؤثر بشكل كبير على هذه الخصائص الميكانيكية، حيث تم تحديد استراتيجية الإيداع كأهم معلمة. نمط الإيداع “الخطوط” يحقق أفضل النتائج، حيث يصل إلى قوة شد تبلغ 33.3 ميغاباسكال ومعامل مرونة يبلغ 1381 ميغاباسكال.
تستخدم الدراسة أيضًا نموذج الانحدار للغابات العشوائية لتحسين دقة التنبؤ، مما يظهر تحسنًا كبيرًا مقارنةً بنماذج منهجية سطح الاستجابة التقليدية (RSM). تسهل دمج هذه النماذج التعلم الآلي مع خوارزمية جينية (NSGA-II) تحسين الأهداف المتعددة، مما يؤكد فعالية هذا النهج في تحسين عمليات FDM. تشير النتائج إلى أن المعلمات المثلى تشمل سمك طبقة يبلغ 0.29 مم، ودرجة حرارة إخراج تبلغ 234 درجة مئوية، وسرعة طباعة تبلغ 25 مم/ث، مع دعم اختبارات التحقق لتنبؤات النموذج. لا تعزز هذه الدراسة فقط فهم تفاعلات معلمات FDM ولكنها تقترح أيضًا إمكانية تطبيقها على مواد وتقنيات طباعة ثلاثية الأبعاد متنوعة، مما يبرز الإمكانية لتحسين الأداء في التطبيقات الهندسية.
طرق
في هذه الدراسة، تم تصنيع عينات الشد التي تتوافق مع الهندسة القياسية 1BA وفقًا لمعيار UNI-ISO 527 باستخدام تقنية النمذجة بالإيداع المنصهر (FDM) على طابعة Raise3D Pro2 ثلاثية الأبعاد باستخدام خيوط ABS بقطر 1.75 مم. خضعت العينات لاختبارات الشد عند إزاحة رأس متقاطع محكومة تبلغ 10 مم/دقيقة باستخدام آلة اختبار عالمية من طراز TesT GmbH 112، والتي كانت تحتوي على مقبضات هوائية لتعزيز التصاق العينة أثناء الاختبار.
ركز تصميم التجربة على الأداء الميكانيكي للمكونات المطبوعة بتقنية FDM، والذي يتأثر بشكل كبير بعدة معلمات طباعة، بما في ذلك سمك الطبقة، ودرجة حرارة الإخراج، وسرعة الطباعة، واستراتيجية الإيداع. تم استخدام تصميم عوامل $3^4$ لتقييم هذه المعلمات عند ثلاثة مستويات متميزة، مع الاعتراف بتأثيرها غير الخطي على الخصائص الميكانيكية. كانت كل مجموعة من مستويات المعلمات تشكل جولة، مع طباعة أربع عينات لكل جولة لتقييم الاستجابات المتوسطة وقابلية تكرار الطابعة. درست الدراسة بشكل خاص ثلاثة أنماط تعبئة—”الخطوط”، “الشبكة”، و”المكعب”—مع الحفاظ على كثافة تعبئة ثابتة بنسبة 100% وتجنب الأصداف الخارجية لعزل تأثير نمط التعبئة. تم استخدام سرير طباعة مسخن عند 100 درجة مئوية لتحسين التصاق الطبقة الأولى. تم تلخيص مستويات المعلمات التفصيلية والنتائج التجريبية في جداول مرفقة.
نتائج
تحقق قسم النتائج في الدراسة من السلوك الميكانيكي للعينات المطبوعة ثلاثية الأبعاد من خلال تحليل تأثير عوامل مختلفة على الاستجابات مثل إجهاد الشد النهائي (UTS)، ومعامل المرونة (E)، والانفعال عند أقصى ضغط ($\epsilon_d$) باستخدام ANOVA. تكشف التحليلات أن النموذج موثوق، حيث تتجاوز معاملات التحديد ($R^2$) 94%. تم تأكيد الأهمية الإحصائية لمعظم العوامل، باستثناء تأثير درجة الحرارة على $\epsilon_d$. تم تحديد الظروف المثلى لـ UTS و E كنمط تعبئة “الخطوط”، ودرجة حرارة طباعة تبلغ 250 درجة مئوية، وسرعة تبلغ 10 مم/ث، وسمك طبقة يبلغ 0.1 مم. على العكس، يتم تعظيم $\epsilon_d$ باستخدام نمط “الشبكة”، وسرعة تبلغ 10 مم/ث، وسمك طبقة بين 0.1-0.2 مم.
تشير التحليلات الإضافية باستخدام نماذج الانحدار إلى أنه بينما يعزز نمط “الخطوط” UTS، فإن سمك طبقة يبلغ 0.4 مم يحسن الأداء بشكل أكبر. تم اعتماد نموذج انحدار الغابات العشوائية لتحسين دقة التنبؤ، مما أسفر عن قيم $R^2$ تتجاوز 80 لجميع الاستجابات، متفوقة بشكل كبير على نموذج الانحدار الأولي. تستخدم الدراسة نهج تحسين متعدد الأهداف لتحديد أفضل مجموعة من المعلمات، موصية في النهاية بدرجة حرارة إخراج تبلغ 234 درجة مئوية، وسرعة طباعة تبلغ 25 مم/ث، وسمك طبقة يبلغ 0.29 مم. تؤكد اختبارات التحقق أن القيم المتوقعة تتماشى مع النتائج التجريبية، مما يحقق دقة النموذج ويوفر مرجعًا لتحقيق الخصائص الميكانيكية المرغوبة في طباعة ABS باستخدام FDM.
مناقشة
في هذه الدراسة، تم إجراء تحليل شامل للخصائص الميكانيكية للمواد المطبوعة ثلاثية الأبعاد باستخدام نموذج ANOVA ذو التأثيرات الثابتة، تلاه منهجيات متقدمة بما في ذلك منهجية سطح الاستجابة (RSM)، والانحدار باستخدام الغابات العشوائية (RF)، وخوارزمية فرز غير مهيمنة جينية II (NSGA-II). أشارت نتائج ANOVA إلى أن جميع العوامل—نمط التعبئة، ودرجة حرارة الإخراج، وسرعة الطباعة، وسمك الطبقة—تؤثر بشكل كبير على قوة الشد النهائية (UTS)، ومعامل المرونة (E)، والانفعال عند أقصى ضغط (εd)، مع قيم p التي كانت باستمرار أقل من 0.05، باستثناء تأثير درجة الحرارة على εd. أظهر نموذج RF أداءً تنبؤيًا متفوقًا، حيث حقق معاملات تحديد عالية (R²) تبلغ 93% لـ UTS، و87% لـ E، و82% لـ εd، مقارنةً بقيم R² المنخفضة من نموذج RSM.
سهل دمج نماذج RF في خوارزمية NSGA-II تحسين الأهداف المتعددة بشكل فعال، حيث تم تحديد نمط التعبئة “الخطوط” كأفضل خيار لتعظيم UTS و E، بينما تم تحسين سمك الطبقة ودرجة الحرارة لتحسين εd. على وجه التحديد، وُجدت المعلمات المثلى لتكون سمك طبقة يبلغ 0.29 مم، ودرجة حرارة إخراج تبلغ 234 درجة مئوية، وسرعة طباعة تبلغ 25 مم/ث. تؤكد هذه الدراسة على إمكانية دمج تقنيات التعلم الآلي مع تصميم التجارب (DoE) لتعزيز دقة التنبؤ وتحسين عمليات الطباعة ثلاثية الأبعاد، مما يقترح إمكانية تطبيقها عبر مواد وتقنيات طباعة متنوعة.
DOI: https://doi.org/10.1038/s41598-025-01016-z
PMID: https://pubmed.ncbi.nlm.nih.gov/40369034
Publication Date: 2025-05-14
Author(s): Antonio Panico et al.
Primary Topic: Additive Manufacturing and 3D Printing Technologies
Overview
This study investigates the optimal printing parameters for Fused Deposition Modeling (FDM) 3D printing, focusing on the mechanical properties of ABS specimens. Utilizing a Design-of-Experiments (DoE) approach with a $3^4$ full factorial design, the research examines the effects of layer thickness, extrusion temperature, printing speed, and deposition patterns on tensile strength, elastic modulus, and strain at maximum stress. ANOVA analysis reveals that all factors significantly influence these mechanical properties, with the deposition strategy identified as the most critical parameter. The “Lines” deposition pattern yields the best results, achieving a tensile strength of 33.3 MPa and an elastic modulus of 1381 MPa.
The study further employs a Random Forest regressor to enhance predictive accuracy, demonstrating a significant improvement over traditional Response Surface Methodology (RSM) models. The integration of these machine learning models with a Genetic Algorithm (NSGA-II) facilitates multi-objective optimization, confirming the effectiveness of this approach in refining FDM processes. The findings indicate that the optimal parameters include a layer thickness of 0.29 mm, an extrusion temperature of 234 °C, and a printing speed of 25 mm/s, with validation tests supporting the model’s predictions. This research not only advances the understanding of FDM parameter interactions but also suggests broader applicability to various materials and 3D printing technologies, highlighting the potential for enhanced performance in engineering applications.
Methods
In this study, tensile specimens conforming to the standard geometry 1BA as per UNI-ISO 527 were fabricated using Fused Deposition Modeling (FDM) technology on a Raise3D Pro2 3D-printer with 1.75 mm diameter ABS filament. The specimens underwent tensile testing at a controlled cross-head displacement of 10 mm/min using a TesT GmbH model 112 universal testing machine, which featured pneumatic grippers to enhance sample adhesion during testing.
The experimental design focused on the mechanical performance of FDM-printed components, which is significantly influenced by various printing parameters, including layer thickness, extrusion temperature, printing speed, and deposition strategy. A 3^4 factorial design was employed to evaluate these parameters at three distinct levels, acknowledging their non-linear impact on the mechanical properties. Each combination of parameter levels constituted a run, with four specimens printed per run to assess mean responses and printer repeatability. The study specifically examined three infill patterns—”Lines,” “Grid,” and “Cubic”—while maintaining a fixed 100% infill density and avoiding external shells to isolate the effects of the infill pattern. A heated printing bed at 100 °C was utilized to improve the adhesion of the first layer. Detailed parameter levels and experimental results are summarized in accompanying tables.
Results
The results section of the study investigates the mechanical behavior of 3D-printed specimens by analyzing the influence of various factors on responses such as ultimate tensile stress (UTS), elastic modulus (E), and strain at maximum stress ($\epsilon_d$) using ANOVA. The analysis reveals that the model is reliable, with coefficients of determination ($R^2$) exceeding 94%. Statistical significance is confirmed for most factors, except for temperature’s effect on $\epsilon_d$. Optimal conditions for UTS and E are identified as a “Lines” infill pattern, a printing temperature of 250 °C, a speed of 10 mm/s, and a layer thickness of 0.1 mm. Conversely, $\epsilon_d$ is maximized with a “Grid” pattern, a speed of 10 mm/s, and a layer thickness between 0.1-0.2 mm.
Further analysis using regression models indicates that while the “Lines” pattern enhances UTS, a layer thickness of 0.4 mm further improves performance. A Random Forest regression model is adopted to enhance predictive accuracy, yielding $R^2$ values above 80 for all responses, significantly outperforming the initial regression model. The study employs a multi-objective optimization approach to identify the best parameter set, ultimately recommending an extrusion temperature of 234 °C, a printing speed of 25 mm/s, and a layer thickness of 0.29 mm. Verification tests confirm that predicted values align with experimental results, validating the model’s accuracy and providing a reference for achieving desirable mechanical properties in ABS FDM printing.
Discussion
In this study, a comprehensive analysis of the mechanical properties of 3D printed materials was conducted using a fixed-effects ANOVA model, followed by advanced methodologies including Response Surface Methodology (RSM), Random Forest (RF) regression, and Non-dominated Sorting Genetic Algorithm II (NSGA-II). The ANOVA results indicated that all factors—Infill pattern, Extrusion temperature, Printing speed, and Layer thickness—significantly influenced the ultimate tensile strength (UTS), elastic modulus (E), and strain at maximum stress (εd), with p-values consistently below 0.05, except for temperature’s effect on εd. The RF model demonstrated superior predictive performance, achieving high coefficients of determination (R²) of 93% for UTS, 87% for E, and 82% for εd, compared to the lower R² values from the RSM model.
The integration of RF models into the NSGA-II algorithm facilitated effective multi-objective optimization, identifying the “Lines” infill pattern as optimal for maximizing UTS and E, while also optimizing layer thickness and temperature for improved εd. Specifically, the optimal parameters were found to be a layer thickness of 0.29 mm, extrusion temperature of 234°C, and printing speed of 25 mm/s. This research underscores the potential of combining machine learning techniques with design of experiments (DoE) to enhance the predictive accuracy and optimization of 3D printing processes, suggesting applicability across various materials and printing technologies.