기계 학습을 이용한 3D 프린팅 탄소 섬유 복합소재 최적화: 강도와 효율의 균형

섬유 강화 복합소재의 적층 제조(AM)는 디자인 자유도를 제공하지만 기계적 성능과 생산 속도 간의 균형을 필요로 합니다. 본 연구는 기계 학습(ML)과 유전자 알고리즘(GA)을 통합하여 인터라미나 강도를 최적화하고 프린팅 시간을 동시에 최소화하는 데이터 기반 프레임워크를 소개합니다. 평가된 7개의 ML 모델 중 인공 신경망(ANNs)이 가장 높은 예측 정확도(강도 9.2%, 시간 14.7%)를 달성했습니다. 파레토 최적 솔루션이 확인되었으며, 최상의 구성은 75.9분 동안 27.6 MPa SBS에 도달했습니다. 실험적 검증은 인터라미나 전단 및 박리와 같은 예측된 실패 모드를 확인했습니다. 또한, 컴퓨터 단층 촬영(CT) 스캔을 통해 뚜렷한 내부 미세구조가 드러났습니다: 강도 최적화 구성은 잘 응집된 형태를 보였고, 속도 최적화 샘플은 공극 함량이 증가했습니다. 이 결과들은 제안된 최적화 프레임워크가 AM 효율성과 기계적 성능을 향상시킬 뿐만 아니라, 미세구조 제어에 의해 보다 예측 가능한 실패 행동을 가능하게 한다는 것을 보여줍니다. • 기계 학습이 인터라미나 강도를 개선하고 프린팅 시간을 단축합니다. • 인공 신경망이 다른 대체 모델보다 우수합니다. • 최적화된 매개변수가 제조 시간과 기계적 성능을 향상합니다. • 데이터 기반 프레임워크는 복합소재의 확장 가능하고 신뢰할 수 있는 3D 프린팅을 보장합니다. • 대체 모델을 통해 강하고 빠른 프린팅된 복합소재를 가능하게 합니다.