本研究Investigated了熔融丝材制造（FFF）中关键输入参数对PLA/木材生物复合材料样本的弯曲强度的影响。该研究考虑了层厚（LH）、打印温度（PT）和打印速度（PS）作为五个水平的输入参数。采用田口实验设计（L25正交数组）以减少实验运行次数，随后进行方差分析（ANOVA）以识别显著因素。结果表明，层厚（74.91%贡献）是最关键参数，0.1 mm被确定为实现最大弯曲响应的最佳量，而打印温度（9.39%）影响适中，打印速度（2.69%）影响微不足道。采用机器学习方法，如支持向量机（SVM）、决策树（DT）、随机森林（RF）、梯度提升回归（GBR）以及包括SVM + DT、RF + DT和GBR + DT在内的混合方法用于预测复合丝的弯曲强度。与以前仅依赖单一模型的研究相比，本工作表明，使用混合框架（尤其是GBR + DT）可实现更好的泛化性能，测试准确率为94.30%，且预测误差（MSE = 10.8109和RMSE = 3.288）显著低于其他模型。使用田口-ANOVA实验设计结合先进的混合机器学习方法为在增材制造材料属性建模中使用这些方法提供了新贡献，以建议全面的实验研究，同时提高预测准确性和稳健性。
Sahithi等人（Mon，）研究了这个问题。