黑人溺人妻木下凛子中文字幕-久久,人妻一区二区三区-国产精品100000熟女乱伦-久久精品国产一区二区精品

▲AMF2025年2期封面

研究背景及目的

梯度功能材料（FGM），特別是具有連續成分梯度的復合材料，可實現單一部件內性能的空間調控，在航空航天、生物醫療等領域需求迫切，但傳統制造工藝難以制備。基于螺桿的材料擠出3D打印技術（S-MEX）為連續梯度復合材料的制備提供了新途徑。然而，材料組分變化引發的熔體流變狀態波動，導致工藝參數與材料組分難以精確匹配，阻礙了打印精度的提升。本研究旨在利用可逆神經網絡（INN）構建擠出過程的可逆預測模型，實現流量的精準前向預測與工藝參數的反向優化，從而提升可變材料3D打印的精度與控制性。

研究方法與結果

論文亮點

（1）開發了基于可逆神經網絡（INN）的擠出預測模型，僅用70組訓練數據即實現雙向預測：正向預測流率（R2=0.852），逆向優化工藝參數（R2=0.877）。模型首次應用于可變材料3D打印，解決逆問題效率顯著。（2）INN結合優化算法能在1.27秒內生成5000組參數并篩選最優解，大幅提升工藝調試效率。（3）開發動態螺桿轉速調控策略，解決材料切換時的流量波動問題，使線寬精度提高77%，表面粗糙度降低51%，材料梯度偏差從40mm縮小至10mm內。

試驗方法

采用自主研發的可變材料3D打印系統，采集0-40wt%短碳纖維增強聚醚醚酮（SCF/PEEK）在不同材料組分、螺桿轉速（2-5r/min）和擠出溫度（380-440℃）組合下的擠出流率，共生成80組參數數據。基于此數據集，利用可逆神經網絡（INN）進行雙向訓練：通過交替前向（工藝參數→流率）和逆向（流率→工藝參數）學習，結合k折分層交叉驗證防止過擬合，并評估20-70組訓練數據量對模型精度的影響。訓練后INN執行四步優化：首先生成5000組潛在參數樣本，篩除超范圍值（材料組分±5%，溫度395-405℃）；通過梯度下降法局部優化，選取材料組分最接近設計值的參數組合。以目標流率11.78 mm3/s（對應1mm噴嘴和15mm/s打印速度）驗證模型，對比實測流率誤差。進一步打印X/Z向梯度材料樣品，對比恒速與變速策略的線寬誤差、材料梯度偏差及表面粗糙度，采用光學顯微鏡和激光共聚焦顯微鏡量化表征。

圖1.可變材料3D打印系統與擠出預測模型的可逆神經網絡架構：(a)可變材料3D打印系統；(b)擠出預測模型的可逆神經網絡架構（40wt% SCF/PEEK：40%短碳纖維增強聚醚醚酮）。

結果

本研究在可變材料3D打印中應用可逆神經網絡（INN），得出以下關鍵結果：首先，INN模型在訓練70組樣本時表現出高效性能：正向預測流量（輸入材料成分、螺桿轉速和擠出溫度）的精度R2達0.852，逆向優化工藝參數（針對目標流量）的精度R2達0.877，優化后的流量誤差控制在±7.0%以內，驗證了模型在雙向映射中的可靠性。其次，工藝窗口分析顯示，純聚醚醚酮（PEEK）材料具有最寬的加工范圍，而40 wt%短碳纖維增強PEEK（SCF/PEEK）的工藝窗口最窄，需精確控制螺桿轉速（變化±0.25r/min即可顯著影響流量），以確保擠出穩定性。最后，采用基于INN的動態螺桿轉速調控策略后，相比固定參數方法，可變材料打印樣件的性能顯著提升：線寬誤差平均絕對誤差降低了62%，材料梯度偏差（X向和Z向）分別減少76%和67%，表面粗糙度最大降低52%，同時表面缺陷明顯減少，從而實現了更均勻的材料分布和打印質量。這些數據證實了INN在優化可變材料擠出過程中的有效性，為可變材料3D打印提供了新途徑。

圖2.恒定與可變螺桿速度下X方向可變材料樣品的照片、碳纖維含量及線寬誤差：(a)恒定與可變速度樣品的照片；(b)不同X軸坐標下恒定與可變速度樣品的線寬誤差及目標值；(c)不同X軸坐標下恒定與可變速度樣品的碳纖維含量及目標值。

圖3.恒定與可變螺桿速度下Z方向可變材料樣品的照片、碳纖維含量、表面粗糙度及三維表面形貌：(a)恒定與可變速度樣品的照片；(b)不同Z軸坐標下恒定與可變速度樣品的碳纖維含量及目標值；(c)不同Z軸坐標下恒定與可變速度樣品的表面粗糙度；(d)恒定與可變速度樣品在Z=65mm處的三維表面形貌。

結論與應用前景

本研究開發了一種基于可逆神經網絡（INN）的擠出預測模型，通過70組樣本訓練實現了對0-40wt%短碳纖維增強聚醚醚酮（SCF/PEEK）材料擠出過程的雙向精準預測。該模型在正向（參數→流量）和逆向（流量→參數）預測中分別達到0.852和0.877的準確度，且優化參數的計算僅需1.27秒。實驗表明，集成INN的動態螺桿轉速調控策略顯著提升了打印質量：線寬精度提高77%，材料梯度偏差從40mm降至10mm以內，表面粗糙度降低51%。該技術為變材料3D打印提供了高效的動態參數調控方案，展現了機器學習在可變材料3D打印中的強適應性與優化潛力。

在未來的研究中，通過整合多傳感器反饋與強化學習技術，有望實現全自主實時參數優化。這將有力推動該技術在航空航天、生物醫療等領域的復雜梯度材料構件制造中的應用，同時為多材料智能打印提供高效解決方案。

總結與啟示

該研究成功證明了可逆神經網絡（INN）擠出預測模型在解決螺桿擠出式變材料3D打印核心難題上的高效性。針對材料組分連續變化引發的熔體流變波動，INN僅需70組數據即構建出精準的雙向預測模型。其開發的動態螺桿轉速調控策略，顯著提升了打印精度并大幅壓縮了材料梯度偏差，為連續梯度材料的精準制造提供了創新方案。

在梯度功能材料的制備方面，升華三維基于自主研發的粉末擠出3D打印技術（PEP），開發出了梯度功能材料打印法，采用顆粒喂料按梯度設計自動調控混合打印成型，可實現材料的連續性梯度變化。現已推出可制備金屬/陶瓷功能梯度材料的3D打印設備。可為FGM新材料的開發及產品制備，提供設計模擬和試驗支持。此項研究為升華三維突破梯度功能材料打印的精度與效率瓶頸提供了極具價值的理論方法和實踐策略。隨著PEP技術的進化，升華三維將積極擁抱并適配智能化方向，探索構建融合實時過程監控、智能算法優化和自主決策的AI智能PEP平臺，以引領金屬/陶瓷梯度增材制造的新范式。

引用論文：Yunze Wang, Beining Zhang, Siwei Lu, Chuncheng Yang, Ling Wang, Jiankang He, Changning Sun, Dichen Li. Effectiveness of invertible neural network in variable material 3D printing: Application to screw-based material extrusion. Additive Manufacturing Frontiers, Volume 4, Issue 2, 2025, 200222.

.來源聲明：原文來自公眾號AMF增材制造前沿，經本平臺整理發布。僅代表作者個人觀點，作者水平有限，如有不科學之處，請在下方留言指正！