使用人工神经网络（ANN）算法计算用于汽车应用的增材制造ABS材料的抗拉强度和抗压强度

《Next Materials》：Computation of tensile and compressive strengths of additively manufactured ABS material for automotive applications using ANN algorithms

本研究通过Adam优化和贝叶斯正则化人工神经网络（ANN）模型，优化ABS材料的3D打印参数，显著降低材料浪费和开发成本。实验采用Taguchi L15方法分析层高、填充密度、打印速度等参数对拉伸和压缩强度的影响，ANN模型在交叉验证中表现出MAPE低于1%，R2值超过0.90，并成功应用于刹车踏板和门手柄案例，减少70%-80%的实验时间和材料消耗，助力可持续制造目标SDG9。

　　这项研究致力于解决3D打印中丙烯腈-丁二烯-苯乙烯共聚物（ABS）材料的拉伸和压缩强度预测问题。传统实验方法和有限元分析（FEA）虽然在一定程度上能够优化材料挤出（MEX）参数，但它们往往无法准确捕捉复杂的非线性相互作用，导致预测结果偏差较大。此外，这些方法在成本和材料浪费方面也显得不够高效。为了解决这些问题，本研究提出了一种基于人工神经网络（ANN）的新方法，使用Adam优化和贝叶斯正则化算法，通过实验数据集进行训练。结果表明，该模型在保持数据精度的同时，显著减少了实验成本和材料浪费，同时提升了预测的效率。

在工业应用中，3D打印技术正在迅速发展，尤其是在汽车制造领域。这项技术能够实现低成本、高定制化和环保的生产方式，减少了传统制造中所需的模具和工具。然而，要充分发挥其潜力，需要精确控制打印参数，如喷嘴温度、床温、填充密度、层高和打印速度。这些参数的变化对ABS的机械性能有显著影响，特别是在拉伸和压缩强度方面。研究发现，填充密度是影响材料强度的关键因素，而打印速度和层高则对强度有负面效应。这些发现为实现可持续发展目标（SDG 9）提供了重要的理论支持，即通过优化打印参数，以较低的成本实现较高的材料性能。

本研究采用了一种优化的实验设计方法，即Taguchi L15准正交数组，来生成适用于工业环境的参数组合。通过这一方法，研究团队能够减少实验次数，同时保持足够的数据覆盖范围，以确保预测结果的准确性。结合Adam优化和贝叶斯正则化算法的ANN模型在测试中表现优异，其均方误差（MSE）、均方根误差（RMSE）、平均绝对误差（MAE）和平均绝对百分比误差（MAPE）均显著低于传统方法。特别是贝叶斯正则化模型，其预测误差非常低，适用于对精度要求极高的应用。

在具体案例研究中，使用这些模型对刹车踏板和门把手进行了预测分析。结果表明，预测的性能误差率低于1%，显著降低了材料浪费、开发时间和交付周期。这种高效且精确的预测能力，为实现更可持续的制造流程提供了可行的解决方案。同时，研究还探讨了这些模型在不同参数组合下的表现，以识别出哪些参数对材料性能影响最大。通过这些分析，可以更好地理解ABS材料在不同打印条件下的行为，从而优化制造过程，提升产品性能。

在性能指标方面，研究团队对Adam优化和贝叶斯正则化模型进行了详细比较，还与其他机器学习方法如决策树（DT）、支持向量机（SVM）、随机森林（RF）、XGBoost（XGB）、支持向量回归（SVR）和K近邻（KNN）进行了对比。结果显示，基于ANN的模型在预测精度和计算效率上都优于这些传统方法。这表明，ANN模型在处理复杂非线性关系方面具有显著优势，尤其是在需要精确控制材料性能的场景中。

为了进一步验证模型的工业适用性，研究团队还进行了相关性分析，以评估各个参数对材料性能的影响。结果表明，填充密度是影响拉伸和压缩强度的主要因素，而打印速度和层高则对强度有负面作用。这种非线性和交互效应的分析，有助于理解哪些参数组合最能提升材料的性能，同时避免可能导致性能下降的设置。这些发现不仅对3D打印技术的优化有重要意义，也为材料科学和制造工程提供了新的研究视角。

从经济角度来看，研究团队还进行了成本效益分析。尽管基于ANN的模型在硬件和软件方面需要较高的初始投资，但其在提升生产效率、减少材料浪费和降低实验成本方面的优势，使得长期来看这些投入是值得的。特别是，这些模型能够在减少实验次数的同时，保持较高的预测精度，从而显著降低研发成本。此外，通过实时调整参数，这些模型能够帮助制造过程更加自动化，减少人为干预，提高生产效率。

在可持续性方面，研究指出，基于ANN的模型可以有效减少实验过程中产生的材料浪费和能源消耗，从而支持循环经济的发展。通过优化打印参数，制造过程可以更加环保，减少对新原料的依赖，同时提高材料的再利用率。这不仅有助于降低生产成本，也符合全球对可持续制造的追求。此外，这些模型还可以用于预测和优化其他材料的性能，如聚乳酸（PLA）、聚对苯二甲酸乙二醇酯（PETG）、尼龙、聚醚醚酮（PEEK）和聚对苯二甲酸乙二醇酯（PEI）等，为多材料制造提供了新的可能性。

未来的研究方向可以包括扩展这些模型的应用范围，使其能够处理更多种类的材料和更广泛的机械性能指标，如弯曲强度、冲击强度和硬度。此外，还可以探索将实时传感器数据整合到模型训练中，以实现闭环控制和自适应优化。这种技术的结合，将进一步提升3D打印过程的自动化水平，减少传统方法中的不确定性和误差。

总的来说，这项研究通过引入Adam优化和贝叶斯正则化算法，开发了一种高效且精确的ANN模型，用于预测3D打印ABS材料的拉伸和压缩强度。这些模型不仅在工业应用中表现出色，还为实现可持续发展目标提供了重要的技术支持。通过减少实验次数和材料浪费，同时提高预测精度，这些模型能够显著提升3D打印技术的效率和环保性，为未来的制造和材料科学研究提供了新的思路和方法。