基于机器学习方法预测3D打印零件的性能

doi:10.19491/j.issn.1001-9278.2025.07.012

中国塑料 ›› 2025, Vol. 39 ›› Issue (7): 72-79.DOI: 10.19491/j.issn.1001-9278.2025.07.012

基于机器学习方法预测3D打印零件的性能

洪学银¹(), 高尚²

^1.扬州职业技术大学信息工程学院，江苏扬州 225009
^2.江苏科技大学计算机学院，江苏镇江 212003

收稿日期:2024-07-28 出版日期:2025-07-26 发布日期:2025-07-22
作者简介:洪学银（1976-），教授，研究方向为人工智能，382593054@qq.com

Performance prediction of 3D printed parts based on machine learning methods

HONG Xueyin¹(), GAO Shang²

^1.School of Information Engineering，Yangzhou Polytechnic University，Yangzhou 225009，China
^2.College of Computer Science，Jiangsu University of Science and Technology，Zhenjiang 212003，China

Received:2024-07-28 Online:2025-07-26 Published:2025-07-22

摘要/Abstract

摘要：

采用拉丁超立方实验设计，研究了层高、壁厚、顶底厚、顶底线条方向、填充密度、填充线条方向、打印速度、挤出温度、床温、工作空间温度10种熔融沉积建模（FDM）工艺参数对丙烯腈⁃丁二烯⁃苯乙烯共聚物（ABS）零件拉伸性能的影响，对比了人工神经元网络（ANN）、随机森林（RF）和梯度提升算法（GB）3种机器学习方法预测拉伸性能的准确性。结果表明，ANN预测拉伸强度和断裂伸长率的相关系数R仅为0.883 5和0.892 4，在训练和测试数据集上，预测的均方误差（MSE）在5~10和20~24之间；RF预测的R值为0.913 6和0.924 0，MSE在3~8和15~20之间；GB预测准确性最高，R值为0.975 9和0.981 2，MSE最低，在1~4和8~10之间。在10种工艺参数中，在采用RF模型时，拉伸性能的显著影响因素为填充密度、壁厚、填充线条方向和顶底厚，在采用GB模型时，拉伸性能的显著影响因素为填充密度、壁厚、层高和填充线条方向。填充密度是影响拉伸性能最显著的因素，对GB预测结果的影响显著性达到80 %左右，远大于RF模型中的40 %。

关键词: 熔融沉积建模, 人工神经元网络, 随机森林, Gradient Boosting, 拉伸性能

Abstract:

This study systematically investigated the influence of ten fused deposition modeling process parameters on the tensile properties of ABS parts using a Latin hypercube experimental design. The examined parameters include layer height， wall thickness， top/bottom thickness， top/bottom line direction， infill density， infill line direction， printing speed， extrusion temperature， bed temperature， and workspace temperature. Three machine learning approaches， artificial neural network （ANN）， random forest （RF）， and gradient boosting （GB）， were compared for their predictive accuracy of tensile strength and elongation at break. Results demonstrated that GB outperformed other methods， achieving superior correlation coefficients （R=0.975 9~0.981 2） and the lowest mean square errors （MSE=1~10）. RF showed intermediate performance （R=0.913 6~0.924 0， MSE=3~20）， while ANN yielded the lowest accuracy （R=0.883 5~0.892 4， MSE=5~24）. Feature importance analysis revealed infill density as the most influential parameter， contributing approximately 80 % to GB predictions compared to 40 % in RF. Other significant factors included wall thickness， infill line direction， and layer height. These findings provide valuable insights for optimizing FDM process parameters and selecting appropriate machine learning techniques for mechanical property prediction.

Key words: fused deposition modeling, artificial neural network, random forest, gradient boosting, tensile performance

中图分类号:

TQ325.2

洪学银, 高尚. 基于机器学习方法预测3D打印零件的性能[J]. 中国塑料, 2025, 39(7): 72-79.

HONG Xueyin, GAO Shang. Performance prediction of 3D printed parts based on machine learning methods[J]. China Plastics, 2025, 39(7): 72-79.

图/表 19

参考文献 26

[1]	Ge T， Li Y， Gao D， et al. Hybridizing additive manufacturing and sheet forming process to manufacture complex components with multi⁃features： a review［J］. Journal of Manufacturing Processes， 2024， 124： 345⁃364.
[2]	Hatami H， Mojahedian M M， Kesharwani P， et al. Advancing personalized medicine with 3D printed combination drug therapies： a comprehensive review of application in various conditions［J］. European Polymer Journal， 2024， 215： 113245.
[3]	Jatti V S， Sapre M S， Jatti A V， et al. Mechanical properties of 3D⁃printed components using fused deposition modeling： optimization using the desirability approach and machine learning regressor［J］. Applied System Innovation， 2022， 5（6）： 112.
[4]	Karimi A， Rahmatabadi D， Baghani M. Various FDM mechanisms used in the fabrication of continuous⁃fiber reinforced composites： a review［J］. Polymers， 2024， 16（6）： 831.
[5]	Hassan M， Mohanty A K， Misra M. 3D printing in upcycling plastic and biomass waste to sustainable polymer blends and composites： a review［J］. Materials & Design， 2024， 237： 112558.
[6]	Clegg B A， Shrestha D R， Emami N. Tribo⁃Mechanical properties and bioactivity of additively manufactured PAEK materials for load bearing medical applications： a systematic review［J］. Biotribology， 2023， 35： 100263.
[7]	Quan Y， Tytko T， Hui B. Utilizing asreview in screening primary studies for meta⁃research in SLA： a step⁃by⁃step tutorial［J］. Research Methods in Applied Linguistics， 2024， 3（1）：100101.
[8]	Yu J， Zhu J， Chen L， et al. A review of adsorption materials and their application of 3D printing technology in the separation process［J］. Chemical Engineering Journal， 2023， 475： 146247.
[9]	Shah K A， Jain A. Hybrid multi⁃scale modeling of fused deposition modelling printed thermoplastics： an introduction to material degradation parameter［J］. Journal of Thermoplastic Composite Materials， 2024， 37（7）： 2425⁃2446.
[10]	王齐超. 熔融沉积成型3D打印切片算法研究［D］. 包头：内蒙古科技大学， 2023.
[11]	Sun J， Chen M， Zhao H， et al. Optimizing process parameters of fused deposition molding for 3D printing customized control of polyetheretherketone scaffolds［J］. Journal of Thermoplastic Composite Materials， 2024， 37（7）： 2 391⁃2 408.
[12]	Yu W， Li M， Lei W， et al. FDM 3D printing and properties of PBAT/PLA blends［J］. Polymers， 2024， 16（8）： 1 140.
[13]	彭铭宇，刘书航，魏子尧，等. FDM增材制造BST/PVDF⁃ABS复合材料的正交实验研究［J］. 复合材料学报， 2024， 5（1）： 1⁃10.
	PENG M Y， LIU S H， WEI Z Y， et al. Orthogonal experimental study of FDM additive manufacturing of BST/PVDF⁃ABS composites［J］. Acta Materiae Compositae Sinica， 2024， 5（1）： 1⁃10.
[14]	谈丽姿，聂祥樊，罗楚养，等. 3D打印连续纤维增强尼龙复合材料冲击性能［J］. 工程塑料应用， 2023， 51（12）： 64⁃71.
	TAN L Z， NIE X F， LUO C Y， et al. Impact resistance of 3D printed continuous fiber reinforced composite materials［J］. Engineering Plastics Application， 2023， 51（12）： 64⁃71.
[15]	Gao J， Li W， Wang J， et al. Comprehensive analysis of fused deposition modeling process conditions for enhancing mechanical properties and surface quality of 3D⁃Printed poly⁃ether⁃ether⁃ketone［J］. Polymer Testing， 2024， 134： 108432.
[16]	Jatti V S， Sapre M S， Jatti A V， et al. Mechanical properties optimization of 3D⁃Printed components using fused deposition modeling［J］. Applied System Innovation， 2022， 5： 112.
[17]	Singh A， Bhardwaj T， Saini P， et al. Investigation on FDM process parameters for the dimensional accuracy with ABS polymer part［J］. Engineering Research Express， 2024， 6（2）： 25553.
[18]	Kumar R K， Soms N， Kumar M. Investigation of fused deposition modeling parameters on mechanical properties and characterization of ABS/carbon fiber composites［J］. Proceedings of the Institution of Mechanical Engineers， Part E： Journal of Process Mechanical Engineering， 2024， 238（3）： 1 398⁃1 408.
[19]	Mravlinčić K S， Godec D， Pilipović A， et al. Optimization of the FDM processing parameters on the compressive properties of ABS objects for the production of high⁃heeled shoes［J］. Journal of Manufacturing and Materials Processing， 2024， 8（3）： 106.
[20]	Shrikrishna P， Dhananjay D， Vasa N J， et al. Effect of process parameters on flexural strength and surface roughness in fused deposition modeling of PC⁃ABS material［J］. Journal of Micromanufacturing， 2022， 5（2）： 164⁃170.
[21]	Ulkir O， Bayraklılar S M， Kuncan M. Raster angle prediction of additive manufacturing process using machine learning algorithm［J］. Applied Sciences， 2024， 14（5）： 2 046.
[22]	Fahraz A， Boppana V C. Natural Frequency prediction of FDM manufactured parts using ANN approach［J］. IFAC PapersOnLine， 2019， 52（13）： 403⁃408.
[23]	赵陶钰，邵鹏华. 基于机器学习耦合模型预测FDM零件的表面粗糙度［J］. 塑料工业， 2024， 52（5）： 116⁃123.
	ZHAO T Y， SHAO P H. Predicting surface roughness of parts manufactured by the fused deposition modeling based on coupled machine learning models［J］. China Plastics Industry， 2024， 52（5）： 116⁃123.
[24]	Swapnil V， Soham T， Shailendra K. FDM manufactured auxetic structures： an investigation of mechanical properties using machine learning techniques［J］. International Journal of Solids and Structures， 2023， 265⁃266： 112126.
[25]	Ghosh R， Sahu B， Dey A， et al. Artificial neural network⁃based approach for prediction of nanomechanical properties of anodic coating on additively manufactured Al⁃10Si⁃Mg alloy［J］. Modelling and Simulation in Materials Science and Engineering， 2024， 32（5）： 055006.
[26]	Wang H， Gao S， Wang B， et al. Recent advances in machine learning⁃assisted fatigue life prediction of additive manufactured metallic materials： a review［J］. Journal of Materials Science & Technology， 2024， 198： 111⁃136.

参数	单位	数值
密度	g/m³	1.06
直径	mm	1.75±0.03
热变形温度（0.45 MPa）	℃	73
熔体流动速率（220 ℃/10 kg）	g/10 min	15
拉伸强度	MPa	40
断裂伸长率	%	30
弯曲强度	MPa	68
弯曲模量	MPa	1 203
缺口冲击强度	kJ/m²	42
推荐打印温度	℃	230~270
推荐平台温度	℃	95~110
推荐打印速度	mm/s	40~100

参数	单位	数值
密度	g/m³	1.06
直径	mm	1.75±0.03
热变形温度（0.45 MPa）	℃	73
熔体流动速率（220 ℃/10 kg）	g/10 min	15
拉伸强度	MPa	40
断裂伸长率	%	30
弯曲强度	MPa	68
弯曲模量	MPa	1 203
缺口冲击强度	kJ/m²	42
推荐打印温度	℃	230~270
推荐平台温度	℃	95~110
推荐打印速度	mm/s	40~100

参数	单位	数值
打印尺寸（长×宽×高）	mm	300×300×605
XYZ轴步长精度	μm	0.781 25、0.781 25、0.078 125
打印速度	mm/s	15~350
打印平台温度	℃	0~120
层高	mm	0.05~0.6
喷嘴直径	mm	0.4
喷嘴温度	℃	0~300
切片软件	—	ideaMaker

参数	单位	数值
打印尺寸（长×宽×高）	mm	300×300×605
XYZ轴步长精度	μm	0.781 25、0.781 25、0.078 125
打印速度	mm/s	15~350
打印平台温度	℃	0~120
层高	mm	0.05~0.6
喷嘴直径	mm	0.4
喷嘴温度	℃	0~300
切片软件	—	ideaMaker

参数	符号	单位	水平
层高	LH	mm	0.1、0.2、0.4
壁厚	WT1	mm	0.4、0.6、0.8
顶底厚	TBT	mm	0.6、0.8、1.0
顶底线条方向	TBLD	°	0、90、180
填充密度	ID	%	20、40、60
填充线条方向	ILD	°	0、90、180
打印速度	PS	mm/s	50、100、150
挤出温度	ET	℃	220、240、260
床温	BT	℃	60、80、100
工作空间温度	WT2	℃	40、50、60

基于机器学习方法预测3D打印零件的性能

Performance prediction of 3D printed parts based on machine learning methods

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 19

参考文献 26

相关文章 15

编辑推荐

Metrics

本文评价

实验编号	层高 /mm	壁厚 /mm	顶底厚 /mm	顶底线条 /方向°	填充密度 /%	填充线条方向/°	打印速度 mm·s^-1	挤出温度 /℃	床温 /℃	工作空间温度 /℃	拉伸强度 /MPa	断裂伸长率 /%
1	0.21	0.78	0.87	90.00	40.00	60.00	50.00	220.00	100.00	44.44	29.45	19.05
2	0.21	0.78	0.87	90.00	40.00	60.00	50.00	220.00	100.00	44.44	30.14	23.10
3	0.10	0.78	0.80	40.00	58.11	180.00	130.00	260.00	91.11	56.22	42.08	44.75
4	0.10	0.78	0.80	40.00	58.11	180.00	130.00	260.00	91.11	56.22	29.45	22.74
5	0.10	0.78	0.80	40.00	58.11	180.00	130.00	260.00	91.11	56.22	33.43	31.28
6	0.40	0.72	0.83	0.00	28.89	20.00	60.00	224.44	97.78	58.67	22.00	8.57
7	0.40	0.72	0.83	0.00	28.89	20.00	60.00	224.44	97.78	58.67	24.98	13.09
8	0.40	0.72	0.83	0.00	28.89	20.00	60.00	224.44	97.78	58.67	25.52	15.00
9	0.19	0.80	1.00	120.00	55.56	120.00	70.00	255.56	93.33	40.00	28.09	17.73
10	0.19	0.80	1.00	120.00	55.56	120.00	70.00	255.56	93.33	40.00	29.03	17.39
11	0.19	0.80	1.00	120.00	55.56	120.00	70.00	255.56	93.33	40.00	26.92	17.73
12	0.12	0.60	0.73	140.00	46.67	140.00	100.00	228.89	95.56	57.78	22.55	9.88
13	0.12	0.60	0.73	140.00	46.67	140.00	100.00	228.89	95.56	57.78	21.70	9.64
14	0.12	0.60	0.73	140.00	46.67	140.00	100.00	228.89	95.56	57.78	21.31	5.09
15	0.38	0.64	0.93	180.00	60.00	160.00	120.00	233.33	86.67	50.00	32.08	23.33
16	0.38	0.64	0.93	180.00	60.00	160.00	120.00	233.33	86.67	50.00	33.14	26.43
17	0.38	0.64	0.93	180.00	60.00	160.00	120.00	233.33	86.67	50.00	31.46	27.01
18	0.14	0.40	0.62	20.00	37.78	0.00	80.00	242.22	80.00	55.56	23.46	11.43
19	0.14	0.40	0.62	20.00	37.78	0.00	80.00	242.22	80.00	55.56	23.70	11.54
20	0.14	0.40	0.62	20.00	37.78	0.00	80.00	242.22	80.00	55.56	22.81	6.78
21	0.17	0.74	0.67	160.00	57.22	100.00	140.00	246.67	72.22	60.00	34.13	33.56
22	0.17	0.74	0.67	160.00	57.22	100.00	140.00	246.67	72.22	60.00	24.69	14.04
23	0.17	0.74	0.67	160.00	57.22	100.00	140.00	246.67	72.22	60.00	25.75	15.23
24	0.23	0.61	0.60	100.00	20.00	90.00	150.00	251.11	78.89	53.33	24.93	6.19
25	0.23	0.61	0.60	100.00	20.00	90.00	150.00	251.11	78.89	53.33	23.87	11.31
26	0.23	0.61	0.60	100.00	20.00	90.00	150.00	251.11	78.89	53.33	23.46	9.52
27	0.26	0.63	0.97	60.00	45.33	40.00	90.00	240.00	60.00	57.11	26.57	15.95
28	0.26	0.63	0.97	60.00	45.33	40.00	90.00	240.00	60.00	57.11	24.81	10.48
29	0.26	0.63	0.97	60.00	45.33	40.00	90.00	240.00	60.00	57.11	25.34	15.71

参数	符号	拉伸强度/MPa	断裂伸长率/%
层高	LH	-0.004	-0.046
壁厚	WT1	0.502	0.506
顶底厚	TBT	0.345	0.315
顶底线条方向	TBLD	0.173	0.152
填充密度	ID	0.578	0.619
填充线条方向	ILD	0.543	0.536
打印速度	PS	0.223	0.221
挤出温度	ET	0.308	0.312
床温	BT	0.112	0.108
工作空间温度	WT2	-0.250	-0.152

参数	参数值
训练数据集占比	0.7
交叉验证倍数	5
激活函数	sigmoid
算法	lbfgs
学习率	0.1
最大迭代次数	1 000
输入层神经元个数	10
隐含层数	1
隐含层神经元个数	100
输出层神经元个数	1
损失函数	MSE

[1]	张青松, 李良勇, 曹炜强, 程艳雯, 彭天祥, 王俊潼, 李后杨. 碱处理椰壳纤维织物对环氧树脂基材料拉伸性能影响研究[J]. 中国塑料, 2024, 38(4): 26-31.
[2]	林煦航, 钱善华, 张炜, 卞达, 倪自丰. 表面修饰三氧化钨填充聚四氟乙烯复合材料的制备及其性能研究[J]. 中国塑料, 2024, 38(4): 6-12.
[3]	宋泽明, 万建成, 郝玉靖, 王帆, 周威, 彭飞. 连续碳纤维增强聚酰胺6复合材料拉板的制备与性能研究[J]. 中国塑料, 2024, 38(11): 81-86.
[4]	李桂丽谢丹夏学莲孙李龙. 纤维素纳米纤维对聚乳酸结晶、流变和拉伸性能的影响[J]. , 2023, 37(4): 17-22.
[5]	曹炜强李良勇张青松王俊潼李后杨. 椰壳纤维增强环氧树脂复合格栅的制备及性能研究[J]. , 2023, 37(3): 13-18.
[6]	刘庆坤, 丛川波, 孟晓宇, 周琼. 反应型大分子抗氧剂的合成及其在EPDM中的抗氧化性能[J]. 中国塑料, 2023, 37(1): 99-105.
[7]	张庭, 金清平, 宋仕娥, 曹南南, 邓思远. 不同腐蚀环境下FRP筋耐久性与寿命预测研究进展[J]. 中国塑料, 2022, 36(3): 75-81.
[8]	李桂丽, 余秋然, 郝明亮, 李海梅. 苎麻纤维表面改性对聚乳酸结晶及拉伸性能的影响[J]. 中国塑料, 2022, 36(11): 51-58.
[9]	杨晓宇任欢欢黄玉龙焦彩珍张继. 聚乙二醇改性聚乳酸/乙酰柠檬酸三丁酯复合薄膜的结构及性能[J]. 中国塑料, 2018, 32(07): 126-131.
[10]	吴静胡伟东焦运红谢吉星梁旦辉. 氧化羟基锡酸铁包覆黏土的制备及其应用于聚氯乙烯的研究[J]. 中国塑料, 2017, 31(12): 107-112.
[11]	郭峰霞谢鹏程丁玉梅杨卫民. 浇口尺寸对注塑制品性能的影响[J]. 中国塑料, 2013, 27(12): 73-78 .
[12]	黄安荣朱永军秦舒浩韦良强罗筑. 原位微纤增强复合材料的结构与性能[J]. 中国塑料, 2013, 27(09): 37-40 .
[13]	周晓谦任晶鑫李庆雨窦睿. 改性条件对阻燃型硬质聚氨酯泡沫塑料性能的影响[J]. 中国塑料, 2012, 26(03): 71-74 .
[14]	焦剑刘攀博邹亮. 介孔SiO₂的有机化修饰及其对环氧树脂拉伸性能的影响[J]. 中国塑料, 2010, 24(01): 11-16 .
[15]	郑津洋秦永泉施建峰李翔徐平郭伟灿王非. 聚乙烯管道热熔接头卷边对拉伸性能的影响[J]. 中国塑料, 2009, 23(07): 77-80 .

数据集力学性能	训练集	测试集
拉伸强度	5.046	10.862
断裂伸长率	24.726	20.193

数据集力学性能	训练集	测试集
拉伸强度	5.046	10.862
断裂伸长率	24.726	20.193

项目	训练集	测试集
拉伸强度	3.359	8.765
断裂伸长率	20.382	15.757

项目	训练集	测试集
拉伸强度	3.359	8.765
断裂伸长率	20.382	15.757