工程塑料应用2024，Vol.52Issue(1) ：89-94.DOI:10.3969/j.issn.1001-3539.2024.01.014

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

Flexural property prediction of 3D-printing sample based on regression analysis and GA-BP neural network

白鹤 杨鑫 杨瑞琦 刘亚明 赵峥璇 庞瑞 何石磊
工程塑料应用2024，Vol.52Issue(1) ：89-94.DOI:10.3969/j.issn.1001-3539.2024.01.014
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

基于回归分析和GA-BP神经网络算法的3D打印件弯曲性能预测

Flexural property prediction of 3D-printing sample based on regression analysis and GA-BP neural network

白鹤 1杨鑫 1杨瑞琦 1刘亚明 2赵峥璇 1庞瑞 3何石磊2
扫码查看

作者信息

  • 1. 宝鸡职业技术学院机电信息学院,陕西宝鸡 721013
  • 2. 宝鸡石油钢管有限责任公司钢管研究院,陕西宝鸡 721008;国家石油天然气管材工程技术研究中心,陕西宝鸡 721008
  • 3. 宝鸡石油钢管厂职工子弟学校,陕西宝鸡 721008
  • 折叠

摘要

为进一步探究熔融沉积成型(FDM)3D打印参数和制件弯曲性能之间的关系,创建合理的FDM 3D打印制件弯曲强度预测模型.根据正交试验L16(45)的设计原则和神经网络算法模型的构建要求,按照不同分层高度、填充密度、打印温度、打印速度以及外壳厚度五种因素,制备25组试验试样,并进行弯曲性能检测.随后通过建立GA-BP神经网络模型、传统BP神经网络模型以及多元回归方程模型,分别对FDM 3D打印制件弯曲性能进行预测,并将预测数据与试验测试数据进行对比.通过对比发现,GA-BP神经网络模型预测数据与试验测试数据更为接近,其平均误差为3.71％,且误差值整体波动最小,BP神经网络模型与多元回归方程模型预测精度相差不大,BP神经网络模型预测平均误差为8.05％,多元回归方程模型预测平均误差为9.07％,但多元回归方程误差值整体波动最大.因此,采用GA遗传算法优化后的BP神经网络模型在进行FDM 3D打印制件弯曲性能预测方面具有更高的精度和更良好的稳定性.

关键词

回归分析/GA-BP神经网络/3D打印/弯曲性能/预测

Key words

regression analysis/GA-BP neural network/3D printing/flexural property/prediction

引用本文复制引用

基金项目

宝鸡职业技术学院2023年度院级课题项目(2023048Z)

出版年

2024
工程塑料应用
中国兵器工业集团第五三研究所 中国兵工学会非金属专业委员会　兵器工业非金属材料专业情报网

工程塑料应用

CSTPCDCSCD北大核心
影响因子：0.371
ISSN：1001-3539
参考文献量10
段落导航相关论文