Machine Learning Insights Into the Mechanical Behavior of Fused Filament Fabricated Polylactic Acid Composites Reinforced With Carbon Fiber, Graphene, and Multi‐Walled Carbon Nano Tubes
Notice bibliographique
Résumé
ABSTRACT Polylactic acid (PLA) is widely used in fused filament fabrication (FFF) due to its biocompatibility and low cost, but its inherent brittleness and limited mechanical strength restrict its application in load‐bearing and structural components. Reinforcing PLA with nanofillers such as carbon fiber (CF), graphene (Gr), and multi‐walled carbon nanotubes (MWCNTs) offers a promising route to overcome these limitations, yet the combined influence of build parameters and reinforcement type remains underexplored. In this study, PLA composites were fabricated via FFF with systematic variation of raster orientation (RO), layer height (LH), and print speed (PS), and their tensile, compressive, and flexural properties were evaluated. Among the reinforcements, PLA‐MWCNT composites demonstrated the highest compressive strength (121.25 MPa at 0° RO, 0.1 mm LH, 30 mm/s PS), while PLA‐CF composites exhibited superior tensile performance, and PLA‐Gr composites offered balanced mechanical behavior. To predict and optimize these outcomes, machine learning (ML) models—Linear Regression, Random Forest Regression, and Extreme Gradient Boosting Regression—were employed, with XGBR achieving the highest accuracy ( R 2 up to 0.99). This integrated experimental–computational framework identifies reinforcement–parameter combinations most suitable for real‐world applications such as lightweight automotive components while also highlighting the need for larger datasets to further strengthen ML‐driven predictions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».