增强增材制造可持续性机器学习模型的评估

增材制造（AM）通过优化过程控制和材料利用，为推进可持续性提供了重大机遇。本研究探讨了机器学习（ML）模型的应用，以直接将AM过程参数与可持续性指标关联，这往往是单靠实验方法所面临的挑战。最初，通过系统性地变化关键AM参数（层高、填充密度、填充模式、构建方向和壳数）生成实验数据。随后，对四种ML模型进行训练和评估，包括线性回归、决策树、随机森林和梯度提升。使用有限记忆Broyden-Fletcher-Goldfarb-Shanno与Box约束（L-BFGS-B）算法进行超参数调优，该算法在计算效率上优于传统方法，如网格搜索和随机搜索。在这些模型中，随机森林在所有目标可持续性指标（能耗、部件重量、废料重量和生产时间）中产生了最高的预测精度和最低的均方误差。结果确认了在强有力的实验数据支持下，ML在预测可持续性结果方面的有效性。本研究为提升增材制造过程中可持续性提供了一种可扩展且计算效率高的方法，并为可持续制造中的数据驱动决策提供了贡献。