Can a Black-Box AI Replace Costly DMA Testing?—A Case Study on Prediction and Optimization of Dynamic Mechanical Properties of 3D Printed Acrylonitrile Butadiene Styrene
Notice bibliographique
Résumé
The complex and non-linear nature of material properties evolution during 3D printing continues to make experimental optimization of Fused Deposition Modeling (FDM) costly, thus entailing the development of mathematical predictive models. This paper proposes a two-stage methodology based on coupling limited data experiments with black-box AI modeling and then performing heuristic optimization, to enhance the viscoelastic properties of FDM processed acrylonitrile butadiene styrene (ABS). The effect of selected process parameters (including nozzle temperature, layer height, raster orientation and deposition speed) as well as their combinative effects are also studied. Specifically, in the first step, a Taguchi orthogonal array was employed to design the Dynamic Mechanical Analysis (DMA) experiments with a minimal number of runs, while considering different working conditions (temperatures) of the final prints. The significance of process parameters was measured using Lenth’s statistical method. Combinative effects of FDM parameters were noted to be highly nonlinear and complex. Next, artificial neural networks were trained to predict both the storage and loss moduli of the 3D printed samples, and consequently, the process parameters were optimized via Particle Swarm Optimization (PSO). The optimized process of the prints showed overall a closer behavior to that of the parent (unprocessed) ABS, when compared to the unoptimized set-up.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».