基于结合材料特性和打印参数的综合机器学习模型的直接墨水书写状态预测

《Polymer Composites》：Direct Ink Writing State Prediction Based on Integrated Machine Learning Model Combining Materials Properties and Printing Parameters

本研究提出基于机器学习的综合打印状态预测模型，通过PSO-SVM算法优化参数，实验验证其预测精度达92.48%，成功制造复杂结构BaTiO3/PDMS复合材料。

　　

摘要

基于BaTiO₃/聚二甲基硅氧烷（BaTiO₃/PDMS）聚合物的陶瓷复合材料因其优异的压电和铁电性能而受到青睐。尽管直接墨水书写3D打印为制造几何形状复杂的复合材料结构提供了一种可行的方法，但这些复合材料的可打印性从根本上依赖于墨水流变行为和沉积参数的协同优化。本研究提出了一个由机器学习驱动的框架，该框架建立了一个结合材料属性和工艺参数的集成打印状态预测模型。研究了具有不同基体比例和陶瓷质量分数的复合材料的流变性能，并在不同工艺参数下分析了打印状态。通过使用669组实验数据进行训练和测试，开发了一种基于粒子群优化（PSO-SVM）的支撑向量机算法，在测试集中通过对惩罚因子和核函数宽度的智能参数优化，实现了92.48%的可打印性评估准确率。通过成功制造出具有代表性的结构，进一步证明了该集成材料-打印参数机器学习模型的有效性，展示了其强大的预测性能。

利益冲突

作者声明没有利益冲突。