内部空隙如何影响3D打印热塑性聚氨酯的机械性能：基于多孔形态和机器学习分析的研究

《Polymer》：How Internal Voids Affect the Mechanical Properties of 3D-Printed Thermoplastic Polyurethane: A Study based on Porous Morphology and Machine Learning Analysis

本研究通过调节层高、进料比和扫描角度探究3D打印弹性体孔隙结构对力学性能的影响，采用随机森林算法分析参数耦合效应，发现其预测相关性达0.88，误差小于10%，为智能优化提供框架。

　　

刘文伟|龚敏|高凤贤|张亮|王东瑞|林翔

北京科技大学化学与生物工程学院聚合物增材制造实验室，北京100083，中国

摘要

与原材料本身的强度相比，3D打印聚合物的机械性能通常表现出显著的偏差和降低，这揭示了批量打印过程中的一致性较差以及应用中的可靠性较低。本研究通过改变层高、进料比和光栅角度，探讨了3D打印弹性体（例如热塑性聚氨酯）的机械性能与形成的多孔形态之间的依赖关系，以揭示这种权衡背后的机制，并探索一种智能优化方法。然后利用μ-CT断层扫描技术精确绘制了中间拉伸区域内的内部孔隙，并通过机器学习分析了孔隙形态与机械性能之间的相关性。测得的极限拉伸应力（UTS）和断裂伸长率（EB）被用作讨论的输出指标。有趣的是，高斯分布分析表明UTS或EB与任何一个单一参数之间的依赖性都不显著，这意味着三个打印参数之间存在强烈的耦合效应。为了实现智能的在线过程优化，进一步采用了随机森林算法来评估每个选定参数的重要性，结果显示预测相关性为0.88，误差小于10%。总体而言，这项工作为分析甚至预测3D打印聚合物的机械性能提供了一个框架，从而确保了工业制造的可靠性。

引言

作为最具潜力的增材制造技术之一，熔融挤出3D打印（MEX3DP）在原型制作复杂结构方面取得了快速进展，这得益于其强大的适应性、低成本和易于操作的特点[1]、[2]、[3]、[4]。该工艺的核心原理是通过加热使原料熔化，在恒定压力下进行熔融挤出，然后通过受控喷嘴逐层沉积[5]。然而，与原料本身的性能相比，3D打印聚合物部件的机械性能通常会因形成的独特结构（如界面、孔隙率和表面缺陷等）而出现显著偏差和降低。目前需要多次尝试才能找到最佳的打印参数。尽管已经充分讨论了每个打印参数对3D打印聚合物工件机械性能的影响，但仍然缺乏普遍认可的优化原则。通常，在完成一次打印试验之前，人们并不知道会得到什么样的机械性能。

一般来说，一个合格的3D打印聚合物部件应具备：（1）所需的尺寸精度；（2）必要的机械性能；（3）表面质量；（4）期望的使用寿命。然而，与注塑件相比，3D打印部件的机械性能往往表现出更明显的偏差，这归因于其独特的结构缺陷[6]、[7]、[8]。在MEX3DP过程中，由于逐层熔融堆积，会形成重复的微观表面沟槽和内部孔隙，但由于沉积过程是一种无界流动，这些沟槽和孔隙的尺寸和轮廓一致性较差。大量孔隙的存在被认为是导致3D打印部件机械性能不稳定的主要原因[9]、[10]、[11]、[12]、[13]、[14]。因此，尽可能减少孔隙率已成为推动聚合物增材制造向工业应用迈进的主要任务。然而，这种3D打印过程的优化需要广泛领域的知识。这就是为什么即使对于同一种聚合物，在文献中报告的机械性能也存在显著差异的原因[15]、[16]、[17]、[18]、[19]、[20]、[21]、[22]、[23]、[24]、[25]、[26]、[27]、[28]、[29]、[30]、[31]。不幸的是，关于内部空隙对机械性能影响的全面描述仍然缺失。很少有研究关注内部孔隙对3D打印聚合物工件机械性能的影响。

最常研究的参数包括喷嘴/环境/床温、打印速度（Vp）、层高（hn）、进料比（fr）和光栅角度（θ）等[32]、[33]、[34]、[35]、[36]。打印参数的优化通常依赖于大量的尝试、反复调整和个人的专业知识。近年来，借助贝叶斯理论开发了结构-性能相关性分析方法，用于3D打印优化[37]、[38]、[39]。依靠人工智能驱动的结构-性能预测和通过机器学习（ML）的在线反馈诊断，在线优化成为一种新的策略，以抑制结构缺陷并稳定3D打印过程的性能输出。它提供了建立一个涵盖材料、结构和性能的集成系统的潜力。通过利用ML深入分析大量的过程-性能数据集，可以实现过程优化。

目前，已经开发了四种类型的ML算法：监督学习[40]、无监督学习[41]、半监督学习[42]和强化学习[43]。监督学习训练标记的数据集（输入-输出对），并在输入数据和相应输出之间建立映射，使算法能够对新输入进行预测。尽管监督学习需要大量的劳动力和领域知识来标记数据并定义目标，但它通过重复的训练迭代可以产生准确的预测[44]。无需指定物理方程，ML算法可以有效捕捉过程参数与最终性能之间的复杂非线性映射[45]，并量化每个参数对特定性能的贡献[46]。对于MEX3DP过程，新沉积层与先前沉积层之间的相互作用会产生大量的界面和空隙，从而难以从输入参数准确预测输出[9]、[14]、[47]、[48]。从过程参数（输入）到结构演变（隐藏状态），最终到最终机械性能（输出）的建模表现出强烈的非线性和高维度。因此，监督机器学习适用于优化MEX3DP过程。

先前的研究表明，全面描述3D打印参数对获得的机械性能的影响需要了解所诱导的多孔结构[9]、[10]、[11]、[12]。然而，由于孔隙的存在，3D打印刚性塑料和弹性体的应力-应变行为完全不同[9]、[10]、[49]、[50]、[51]。打印参数在决定增材制造聚合物工件机械性能中的作用差异显著，因此应进行比较研究，以了解刚性塑料和弹性体之间的机械依赖性。

通常，通过调整熔融温度、环境温度和时间等，可以实现足够的界面粘结强度。因此，本研究首先探讨了孔隙率以及内部孔隙形态随打印条件的演变，这与机械性能的可靠性相关。在这里，在相同的界面发展条件下，选择了进料比（fr）、光栅角度（θ）和喷嘴高度（hn）作为变量，然后制备了具有不同结构形态的100个拉伸试样，以收集标记的数据集。使用随机森林模型对数据集进行训练和测试，最终拉伸应力（UTS）和断裂伸长率（EB）作为输出指标。通过μ-CT断层扫描技术精确绘制了中间拉伸区域内的内部孔隙，并通过数学统计和数值模拟分析了孔隙形态与机械性能之间的相关性。总体而言，这项工作强调了内部孔隙形态对3D打印热塑性聚氨酯（TPU）机械性能的影响，深入探讨了机器学习在聚合物增材制造领域预测和优化输出方面的潜力和有效性。

材料

从中国万华化学有限公司购买了直径约为1.75毫米、肖氏硬度为95A的商用TPU线材（WANFAB? FT）。该线材是通过使用TPU颗粒（WANTHANE-WHT-8195RV，Mr ～90 kDa）通过挤出工艺制造的。热压TPU的UTS约为49.7±5.8 MPa，EB约为1400%，玻璃化转变温度Tg约为-50°C [14]。

设备和理论假设

使用商用桌面打印机（Raise3D Pro3+，中国）来制备样品。喷嘴沿X轴和

打印参数对多孔形态的影响

人们普遍认识到，3D打印部件中的孔隙对其机械性能起着决定性作用，尤其是对于大孔隙尺寸的部件。然而，大多数关于这一问题的研究仅是定性的，在讨论机械性能时仍然主要考虑孔隙率。由于孔隙形状在整个样品中不是在一个维度上发展的，因此很难对其进行定量描述

结论

总之，本研究试图提供对3D打印弹性体机械性能与诱导孔隙形态依赖性的见解，以建立一种打印优化方法。首先，基于诱导内部孔隙形态的变化，考虑了喷嘴高度、进料比和光栅角度等打印参数对拉伸性能的影响因素。为了阐明测量结果可靠性的重要性，采用了高斯概率

CRediT作者贡献声明

王东瑞：资源、方法论。张亮：资源。林翔：写作——审稿与编辑、监督、资源、项目管理、方法论、研究、资金获取。刘文伟：写作——初稿、方法论、研究。高凤贤：资源。龚敏：资源、方法论

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。

致谢

作者感谢国家自然科学基金（编号：52173028）的财政支持。