DOI: https://doi.org/10.1007/s40964-025-01485-8
تاريخ النشر: 2026-01-08
المؤلف: K. Shunmugesh وآخرون
الموضوع الرئيسي: التصنيع الإضافي وتقنيات الطباعة ثلاثية الأبعاد
نظرة عامة
يتناول قسم ورقة البحث التقدمات والتحديات في التصنيع الإضافي (AM)، مع التركيز بشكل خاص على تقنيات الطباعة ثلاثية الأبعاد. يبرز الاعتماد المتزايد على الطباعة ثلاثية الأبعاد لإنتاج أجزاء معقدة ومخصصة بكفاءة وبتكلفة فعالة. الهدف الرئيسي من الدراسة هو تحسين معلمات الطباعة ثلاثية الأبعاد لتحقيق قوة شد عالية في المواد المطبوعة. يحدد المؤلفون التحديات الرئيسية، مثل البيانات التدريبية المحدودة، واختيار المواد، وغياب المعايير، والتي تعيق التحسين الفعال.
تقترح الدراسة نموذج توقع قائم على التعلم الآلي لتعزيز تحسين ظروف الطباعة ثلاثية الأبعاد، مستهدفة بشكل خاص قوة الشد النهائية. تشير إلى أن الطرق التقليدية القائمة على التجربة والخطأ غير كافية بسبب العلاقات المعقدة وغير الخطية بين إعدادات الطباعة والخصائص الميكانيكية. تشير نتائج البحث إلى أن نهج التجميع المتراص يحقق نتائج تنافسية، مع خطأ متوسط الجذر التربيعي (RMSE) قدره 1.84 ± 0.15 وقيمة $R^2$ قدرها 0.75 ± 0.07، مما يشير إلى أن دمج خوارزميات التعلم المتعددة يمكن أن يحسن من القوة. علاوة على ذلك، تناقش الورقة كيف تؤثر عوامل مثل ارتفاع الطبقة، ودرجة حرارة الفوهة، وسرعة الطباعة على قوة الشد من خلال آليات سلوك تدفق البوليمر والترابط بين الطبقات، بما يتماشى مع المبادئ الميكانيكية لإيداع المواد في نمذجة الإيداع المنصهر (FDM).
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للتصنيع الإضافي (AM)، وخاصة الطباعة ثلاثية الأبعاد، عبر مختلف الصناعات مثل السيارات والرعاية الصحية والإلكترونيات. توفر طريقة البناء طبقة تلو الأخرى في AM مرونة تصميم غير مسبوقة وتخصيص جماعي، مما يمكّن من إنتاج منتجات معقدة وشخصية تكافح طرق التصنيع التقليدية لتكرارها. تؤكد الورقة على أهمية تحسين معلمات العملية – مثل سرعة البناء، وارتفاع الطبقة، ودرجة الحرارة – لتحقيق الخصائص الميكانيكية المرغوبة، وخاصة قوة الشد، التي تعتبر حاسمة للتطبيقات الهيكلية.
تستقصي الدراسة تأثيرات هذه المعلمات على عمر التعب للعينات المصنوعة من حمض البوليلكتيك (PLA)، باستخدام مصفوفة متعامدة Taguchi L9 للتجريب المنهجي. كانت الظروف المثلى المحددة هي سرعة طباعة تبلغ 5 مم/ث، ودرجة حرارة 210 درجة مئوية، وقطر فوهة يبلغ 0.2 مم. علاوة على ذلك، تستكشف الورقة دمج تقنيات التعلم الآلي (ML)، بما في ذلك طرق التجميع مثل الغابة العشوائية وXGBoost، لتعزيز تحسين معلمات الطباعة. من خلال مقارنة نماذج ML المختلفة، تهدف الدراسة إلى تطوير إطار توقع يساعد الشركات المصنعة في اختيار ظروف الطباعة المثلى، مما يحسن من قوة الشد والأداء العام للمكونات المطبوعة ثلاثية الأبعاد مع تقليل الفاقد واستهلاك الموارد.
طرق
تحدد منهجية هذه الدراسة نهجًا منهجيًا لتطوير نموذج تعلم آلي لتحليل وتوقع النتائج في الطباعة ثلاثية الأبعاد باستخدام نمذجة الإيداع المنصهر (FDM). يبدأ سير العمل، الموضح في الشكل 1، بجمع معلمات العملية (المفصلة في الجدول 1) وإنشاء مجموعة بيانات متوازنة من خلال الاستيفاء، مما ينتج عنه 125 حالة. يحافظ هذا التعزيز على اتجاهات البيانات التجريبية بينما يعزز حجم مجموعة البيانات. قبل تدريب النموذج، خضعت مجموعة البيانات لعملية معالجة مسبقة لإزالة عيوب الطباعة وشذوذ القياس، مع تخصيص 80% للتدريب و20% للاختبار لتقليل مخاطر الإفراط في التكيف.
استخدمت الدراسة مجموعة متنوعة من خوارزميات التعلم الآلي، بما في ذلك الغابة العشوائية (RF)، وشجرة القرار (DT)، والانحدار باستخدام دعم المتجهات (SVR)، وXGBoost، والانحدار الخطي (LR). تم إجراء اختيار الميزات وتحسين المعلمات الفائقة لتنقيح قدرات النموذج التنبؤية. تم طباعة العينات باستخدام ظروف متسقة للتركيز على العوامل المؤثرة في قوة الشد، مع اختبار كل من التركيبات التسع لمعايير Taguchi مرتين لضمان الموثوقية. تم إجراء اختبار الشد باستخدام آلة اختبار عالمية، كما هو موضح في الشكل 3. تصف المنهجية أيضًا تقنيات التجميع مثل التجميع والتعزيز، حيث يجمع التجميع (التجميع العشوائي) بين عدة أشجار قرار من خلال التصويت بالأغلبية، بينما يعزز التعزيز دقة النموذج بشكل تكراري من خلال دمج المتعلمين الضعفاء في نموذج أقوى.
نتائج
يقدم قسم النتائج نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية وآثارها. تكشف التحليلات عن ارتباطات كبيرة بين المتغيرات قيد التحقيق، مع مؤشرات إحصائية تشير إلى قيمة p أقل من 0.05، مما يشير إلى أن الآثار الملحوظة من غير المحتمل أن تكون بسبب الصدفة. بالإضافة إلى ذلك، تظهر البيانات اتجاهًا واضحًا في العلاقة بين المتغيرات المستقلة والتابعة، مما يدعم الفرضيات الأولية التي طرحها الباحثون.
تتناول المناقشات الإضافية آثار هذه النتائج، موضحة سياقها ضمن الأدبيات الحالية. لا تعزز النتائج الدراسات السابقة فحسب، بل تقدم أيضًا رؤى جديدة يمكن أن توجه اتجاهات البحث المستقبلية. يؤكد المؤلفون على أهمية هذه النتائج في تعزيز الفهم في هذا المجال ويقترحون تطبيقات محتملة للنتائج في السيناريوهات العملية. بشكل عام، يبرز القسم أهمية نتائج البحث ومساهمتها في النقاش الأكاديمي الأوسع.
مناقشة
تتناول قسم المناقشة في ورقة البحث تطبيق وأداء نماذج التعلم الآلي المختلفة، وخاصة أشجار القرار، والغابات العشوائية، وXGBoost، في توقع قوة الشد بناءً على معلمات الطباعة ثلاثية الأبعاد. توصف أشجار القرار كنماذج تعلم تحت إشراف تقسم البيانات عند نقاط القرار، مع تمثيل الأوراق للنتائج. يؤكد القسم على أهمية التوقف والتقليم في بناء النموذج، بالإضافة إلى استخدام اختبارات أحادية ومتعددة المتغيرات لمهام التنبؤ. تعزز الغابات العشوائية، كطريقة تجميع، دقة التنبؤ من خلال متوسط النتائج من عدة أشجار قرار، باستخدام تقنيات مثل التجميع العشوائي لتقليل الإفراط في التكيف.
يكشف تقييم أداء النماذج أن XGBoost يتفوق على الآخرين بأقل متوسط خطأ تربيعي (MSE) قدره 1.58 ومعامل تحديد مرتفع ($R^2$) قدره 0.91، مما يشير إلى دقة تنبؤية قوية. كما تظهر الغابات العشوائية والانحدار باستخدام دعم المتجهات (SVR) أداءً مشابهًا، بينما يظهر الانحدار الخطي أقل فعالية بسبب عدم قدرته على التقاط الاتجاهات غير الخطية. يناقش القسم أيضًا ضبط المعلمات الفائقة باستخدام GridSearchCV، الذي يحسن أداء النموذج من خلال استكشاف منهجي لمجموعات المعلمات المختلفة. بشكل عام، تشير النتائج إلى أن طرق التجميع، وخاصة XGBoost والغابات العشوائية، توفر توقعات قوية لقوة الشد، مما يبرز إمكاناتها في تحسين المواد في تطبيقات الطباعة ثلاثية الأبعاد.
DOI: https://doi.org/10.1007/s40964-025-01485-8
Publication Date: 2026-01-08
Author(s): K. Shunmugesh et al.
Primary Topic: Additive Manufacturing and 3D Printing Technologies
Overview
The research paper section discusses the advancements and challenges in additive manufacturing (AM), particularly focusing on 3D printing technologies. It highlights the growing adoption of 3D printing for producing complex and customized parts efficiently and cost-effectively. The primary objective of the study is to optimize 3D printing parameters to achieve high tensile strength in printed materials. The authors identify key challenges, such as limited training data, material selection, and the lack of standardization, which hinder effective optimization.
The study proposes a machine learning-based prediction model to enhance the optimization of 3D printing conditions, specifically targeting ultimate tensile strength. It notes that traditional trial-and-error methods are inadequate due to the complex, nonlinear relationships between printing settings and mechanical properties. The research findings indicate that a stacked ensemble approach yields competitive results, with a root mean square error (RMSE) of 1.84 ± 0.15 and an $R^2$ value of 0.75 ± 0.07, suggesting that combining multiple learning algorithms can improve robustness. Furthermore, the paper discusses how factors such as layer height, nozzle temperature, and printing speed influence tensile strength through mechanisms of polymer flow behavior and interlayer bonding, aligning with the mechanical principles of material deposition in fused deposition modeling (FDM).
Introduction
The introduction of this research paper highlights the transformative impact of additive manufacturing (AM), particularly 3D printing, across various industries such as automotive, healthcare, and electronics. AM’s layer-by-layer construction method offers unprecedented design flexibility and mass customization, enabling the production of complex and personalized products that traditional manufacturing methods struggle to replicate. The paper emphasizes the importance of optimizing process parameters—such as build speed, layer height, and temperature—in achieving desired mechanical properties, particularly tensile strength, which is critical for structural applications.
The study investigates the effects of these parameters on the fatigue life of polylactic acid (PLA) samples, utilizing a Taguchi L9 orthogonal array for systematic experimentation. The optimal conditions identified were a print speed of 5 mm/s, a temperature of 210 °C, and a nozzle diameter of 0.2 mm. Furthermore, the paper explores the integration of machine learning (ML) techniques, including ensemble methods like random forest and XGBoost, to enhance the optimization of printing parameters. By comparing various ML models, the research aims to develop a predictive framework that assists manufacturers in selecting optimal printing conditions, thereby improving the tensile strength and overall performance of 3D-printed components while minimizing waste and resource consumption.
Methods
The methodology of this study outlines a systematic approach to developing a machine learning model for analyzing and forecasting results in Fused Deposition Modeling (FDM) 3D printing. The workflow, illustrated in Fig. 1, begins with the collection of process parameters (detailed in Table 1) and the creation of a balanced dataset through interpolation, resulting in 125 instances. This augmentation preserves the trends of the experimental data while enhancing the dataset’s size. Prior to model training, the dataset underwent preprocessing to eliminate printing defects and measurement anomalies, with 80% allocated for training and 20% for testing to mitigate overfitting risks.
The study employed various machine learning algorithms, including Random Forest (RF), Decision Tree (DT), Support Vector Regressor (SVR), XGBoost, and Linear Regression (LR). Feature selection and hyperparameter optimization were conducted to refine the model’s predictive capabilities. The samples were printed using consistent conditions to focus on the factors affecting tensile strength, with each of the nine combinations of Taguchi parameters tested twice to ensure reliability. Tensile testing was performed using a universal testing machine, as shown in Fig. 3. The methodology also describes the ensemble techniques of bagging and boosting, where bagging (bootstrap aggregation) combines multiple decision trees through majority voting, while boosting iteratively enhances model accuracy by combining weak learners into a stronger model.
Results
The results section presents the findings of the study, highlighting key outcomes and their implications. The analysis reveals significant correlations between the variables under investigation, with statistical tests indicating a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the data demonstrate a clear trend in the relationship between the independent and dependent variables, supporting the initial hypotheses posited by the researchers.
Further discussions elaborate on the implications of these findings, contextualizing them within the existing literature. The results not only reinforce previous studies but also provide new insights that could inform future research directions. The authors emphasize the importance of these findings in advancing understanding in the field and suggest potential applications of the results in practical scenarios. Overall, the section underscores the significance of the research outcomes and their contribution to the broader academic discourse.
Discussion
The discussion section of the research paper elaborates on the application and performance of various machine learning models, particularly decision trees, random forests, and XGBoost, in predicting tensile strength based on 3D printing parameters. Decision trees are described as supervised learning models that split data at decision nodes, with leaves representing outcomes. The section emphasizes the importance of stopping and pruning in model building, as well as the use of univariate and multivariate tests for prediction tasks. Random forests, as an ensemble method, enhance prediction accuracy by averaging results from multiple decision trees, utilizing techniques such as bootstrap aggregating to mitigate overfitting.
The performance evaluation of the models reveals that XGBoost outperforms others with the lowest mean squared error (MSE) of 1.58 and a high coefficient of determination ($R^2$) of 0.91, indicating strong predictive accuracy. Random forests and support vector regression (SVR) also demonstrate comparable performance, while linear regression shows the least effectiveness due to its inability to capture nonlinear trends. The section further discusses hyperparameter tuning using GridSearchCV, which optimizes model performance by systematically exploring various parameter combinations. Overall, the findings suggest that ensemble methods, particularly XGBoost and random forests, provide robust predictions for tensile strength, highlighting their potential for material optimization in 3D printing applications.