Metodi dell’albero decisionale per la previsione della rugosità superficiale nelle parti di modellizzazione della deposizione fusa

I ricercatori spagnoli Juan Barrios e Pablo Romero sperimentano diverse tecniche di stampa 3D FDM nel recente ” Metodi dell’albero decisionale per la previsione della rugosità superficiale nelle parti di modellizzazione della deposizione fusa “.

Esaminando i parametri di controllo per ottenere le finiture, i ricercatori hanno creato parti in PETG per confrontare i modelli da tre diversi algoritmi ad albero: C4.5, foresta casuale e albero casuale. Lavorando con 27 modelli diversi, il team ha esaminato:

Altezza dello strato
Temperatura di estrusione
Velocità di stampa
Accelerazione di stampa
Portata
Inoltre, è stato creato un set di dati per valutare i modelli, composto da 15 istanze aggiuntive. I modelli generati dall’algoritmo ad albero casuale ottengono i migliori risultati per la previsione della rugosità superficiale nelle parti FDM. Il data mining può essere utilizzato per migliorare i prodotti stampati in 3D sulla base di informazioni precedenti, dimostrando quali metodi e parametri sono più efficaci nella finitura superficiale, nonché altri metodi di produzione come utensili e lavorazioni meccaniche.

Il data mining è supervisionato e consiste nella classificazione e nella regressione, oppure non è supervisionato, costituito da clustering, regole di associazione e correlazioni.

“Per utilizzare queste tecniche, devono essere stabilite classi diverse in cui ogni istanza nel database deve appartenere a una classe; il resto degli attributi dell’istanza viene utilizzato per prevedere quella classe. L’obiettivo di questi algoritmi è di massimizzare il rapporto di precisione della classificazione di nuovi casi “, hanno affermato i ricercatori.

Gli alberi decisionali sono estremamente utili per classificare i dati, con i nodi dell’albero che agiscono come condizioni per gli attributi, con ogni foglia che rappresenta le istanze appartenenti a una classe. I ricercatori si affidano a questi algoritmi per progettare modelli predittivi.

I 27 campioni sono stati progettati in SolidWorks e quindi stampati in 3D su un Ender 3 usando il filamento PETG, ciascuno con una dimensione di 25,0 mm × 25,0 mm × 2,4 mm.

La rugosità superficiale è stata misurata usando un perthometer Mitutoyo modello SJ-201.

In questa ricerca è stato fatto affidamento sull’algoritmo J48 per tracciare alberi che non solo sono completi, ma secondo il team di ricerca sono anche “facilmente comprensibili” e prevedono parametri per la rugosità, per includere PA, LH e F per R a , 0 ; F, PS e LH per R a , 90 .

“PA è il parametro con la maggiore influenza su R a , 0 ; F, PS e LH sono i parametri con la maggiore influenza su R a , 90 . Tuttavia, in questo caso, i modelli creati con l’algoritmo J48 non sono stati in grado di prevedere i dati utilizzati nel test. Ciò può essere correlato a problemi di overfitting “, hanno concluso i ricercatori. “Nel problema affrontato, l’algoritmo di foresta casuale ha ottenuto risultati migliori rispetto a J48, come ci si potrebbe aspettare dalla letteratura.

“Nei lavori futuri, intendiamo studiare se gli alberi decisionali possano essere utilizzati per generare modelli che consentano di prevedere una migliore precisione dimensionale delle parti prodotte da FDM. Sarà anche studiato l’impatto di altri fattori di stampa sulle proprietà della superficie delle parti stampate, come il diametro dell’ugello. ”

Be the first to comment on "Metodi dell’albero decisionale per la previsione della rugosità superficiale nelle parti di modellizzazione della deposizione fusa"

Leave a comment