グレーリレーショナル解析を使用したポリアミド FFF 部品の機械的強度と形状精度の最適化

Scientific Reports volume 12、記事番号: 13142 (2022) この記事を引用

1421 アクセス

3 引用

メトリクスの詳細

この論文では、チャンバー温度、印刷温度、層の厚さ、印刷速度などのさまざまな積層造形プロセスパラメーターが、製造されたコンポーネントを特徴付ける 5 つの重要なパラメーター (円筒度、真円度、強度、ヤング率、およびグレーリレーショナルによる変形) に及ぼす影響を調査します。分析方法も同時に行います。実験の設計にはタグチ法が使用され、PA6 円筒部品はドイツの RepRap X500® 3D プリンタを使用して製造されました。次に、すべての実験についてグレーリレーショナルグレード (GRG) 値が計算されました。 8 回目の試行で最も高い GRG 値が観察されました。次に、最適なパラメーターを見つけるために、ANOVA と S/N 分析を使用して GRG データを分析したところ、GRG を向上させる最適な条件は、チャンバー温度 60 °C、印刷温度 270 °C、印刷温度 0.1 であることが判明しました。層厚 mm、印刷速度 600 mm/min。最後に、最適なパラメータを用いて検証試験を実施し、新規コンポーネントの検討を行いました。最後に、初期の GRG と実験の GRG を比較すると、GRG 値の改善に伴う灰色関係グレードの改善 (14%) が示されました。

最も広く使用されている積層造形 (AM) 法の 1 つは、複雑な形状の部品を製造できる溶融フィラメント製造 (FFF) です。このプロセスでは、熱可塑性材料の連続フィラメントを層ごとに堆積させて最終部品を作成します。この方法で部品を製造する際の重要な目標の 1 つは、高い機械的特性と優れた幾何学的精度を同時に備えた部品を製造することです。製造される部品の望ましい特性を改善するために使用されるさまざまな方法の 1 つは、このプロセスにおける最適なプロセスパラメーターを決定することです 1、2、3。

ISO/ASTM 52900 に記載されているように、溶融フィラメント製造 (FFF) としても知られる ME は、材料の無駄が少なく、安価な材料と、加熱されたノズルを通した熱可塑性ポリマーのツールによる選択的堆積を伴う一般的な AM 方法です。積層造形法の中で、プロトタイプおよび最終製品アプリケーションにおける 3D プリンティング技術として。

FFF プロセスでは、ポリマーが液化装置に供給され、Z 軸に沿って連続する X-Y 平面内を移動しながらフィラメントを押し出し、層ごとに 3D オブジェクトを構築します6、7。ポリ乳酸 (PLA)、ポリアミド (PA)、ポリカーボネート (PC)、アクリロニトリルスチレンアクリレート (ASA)、ナイロン、アクリロニトリルブタジエンスチレン (ABS)、およびポリエーテルエーテルケトン (PEEK) は、プラスチックに使用される熱可塑性ポリマーとして最もよく使用されているようです。 3D パーツを作成する FFF テクニック 8. このアプローチの最も重大な欠点には、表面品質の低下、構築速度の遅さ、層ごとの戦略に起因する異方性の機械的特性が含まれます9、10。 3D プリント部品を使用するため、材料と時間の無駄を避けるために、機械的動作と幾何学的精度を慎重に検査する必要があります11。

などの多くのパラメータが印刷プロセスに影響を与える可能性があるため、メーカーの印刷プロセスパラメータのデフォルト設定では印刷製品の品質を保証できません12。ノズル温度、層の厚さ、シェルの厚さ、印刷速度、充填密度、および複数の応答を持つその他のパラメータなどのさまざまなプロセスパラメータが FFF プロセスを制御し、必要な品質を向上させるために最適化する必要があります。分析の観点から見ると、これはかなり注意が必要な手順になります。したがって、さまざまな FFF プロセスパラメーターがさまざまな応答に与える影響を判断するために、広範な研究が行われています 13。

Ju-Long14 は、多重応答最適化手法の 1 つであるグレイリレーショナル分析 (GRA) を開発しました。これは、Taguchi 手法に基づいています。グレイリレーショナル分析 (GRA) に基づく最近の多くの研究は、処理パラメータの最適化を通じてさまざまな応答を改善するために実行されています。たとえば、Venkatasubbareddy ら 15 は、Taguchi メソッドと Gray Relational Analysis (GRA) を使用して、ABS 部品の FDM プロセス特性の最適な組み合わせを決定し、その結果、長さ、厚さ、直径に関する表面仕上げと寸法精度が向上しました。。この実験では、エアギャップ、層の厚さ、ラスター幅、ラスター角度、各パラメーターの 3 つのレベルでの部品の方向という 5 つのパラメーターを備えた Taguchi の DOE を使用して、L27 直交配列が選択されました。層の厚さ 0.254 mm、部品の向きとラスター角度 0°、ラスター幅 0.4564 mm、空隙ゼロにより、コンポーネントの表面品質と寸法精度が向上すると述べられています。 Aslani ら 16 は、シェルの数、印刷温度、充填率、および印刷パターンが PLA の寸法精度に及ぼす影響を調査しました。 Grey-Taguchi 手法と ANOM および ANOVA 手法を併用して、PLA FFF コンポーネントの最適な印刷パラメータレベルを決定し、最高の寸法精度を実現しました。 2 次元の寸法偏差に関しては、多重応答の最適化が実行され、データによると、本質的な特性はノズル温度であることが得られた結果が示されました。さらに、分析の結果、寸法偏差を最小限に抑えるレベルは、3 つのシェル、PLA の推奨印刷温度の 1 つである 230 °C の印刷温度、10 % の充填率、および六角形の印刷パターンであることがわかりました。

Deng ら 17 は、印刷速度 (20、40、および 60 mm/s)、層の厚さ (0.2、0.25、および 0.3 mm)、印刷温度 (350、360、および 370 °C) を含む 4 つのパラメータの影響を分析しました。ひずみ、強度、剛性に関する充填率 (20、40、60 %)。今回対象とした物質はFFF社製ポリエーテルエーテルケトン（PEEK）です。機械的特性は、印刷速度 60 mm/s、層厚 0.2 mm、温度 370 °C、充填率 40% で増加することが観察されました。また、PEEK部品の微細構造も観察しました。彼らは、強度が低い部品にはより多くのエアギャップと融着線があることを理解しており、そのため、印刷温度と印刷速度が低いと部品の欠陥が増えると結論づけました。さらに、接続性は、溶融フィラメント、チャンバー、ベッドの温度間の過冷却温度によって影響を受ける可能性があります。 Xiaoyong ら 18 は、シートの機械的特性と成形精度に及ぼすベッド温度 (130、110、および 25 °C)、チャンバー温度 (60 および 25 °C)、充填率 (50% および 100%) の影響を調査しました。 FFF 法を使用して製造された PEEK 熱可塑性プラスチック部品の形成。彼らは、温度が機械的特性に大きな影響を与え、温度を上げると機械的特性が向上する可能性があることを理解していました。ベッド温度とチャンバー温度が高くなると、層間の結合力が増加するため、引張強度と印刷精度が向上します。また、低い充填率でも機械的特性が向上します。 PEEK と PLA の強度結果を比較することにより、PEEK 部品の引張強度がこれまで考えられていたよりも高いことが判明しました。 Aamir ら 19 は、Taguchi および GRA の手法を適用して、ラスター幅、層の厚さ、印刷速度、および押出温度という 5 つのパラメーターが PC/ABS ブレンド部品の構築時間、表面粗さ、平坦度誤差に及ぼす影響を測定しました。 L27 タグチの実験計画法の直交配列多目的最適化を使用して応答に最適な FDM 変数を選択するために、Selected および GRA 手法が使用されました。調査結果によると、ラスター幅、レイヤーの厚さ、印刷速度は複数の制御要素に大きな影響を与えます。層厚さ 0.2 mm、ラスター幅 0.55 mm、押出温度 270 °C、ベッド温度 100 °C、印刷速度 40 mm/s が最適条件です。 Kechagias ら 20 は、完全要因計画法を使用して、薄いアクリロニトリルブタジエンスチレンの低出力 CO2 レーザー切断を使用して、ラスター蒸着角度、切断速度、レーザー出力、およびスタンドオフ距離が寸法精度と表面粗さに及ぼす影響を調査しました。 FFFプロセスで製造された(ABS)プレート。最後に、ANOVA 分析、相互作用研究、および 2 次回帰モデルを使用して、入力パラメーターと出力パラメーターを一致させ、0° 付近のプロセスカーフ角度を最適化し、0 m 付近の表面粗さを低減しました。最良のプロセスパラメータは、7.5 mm のスタンドオフ距離、ゼロのラスター蒸着角度、14.4 mm/s のレーザー速度、および 105 W のレーザー出力でした。 Anusree et al.21 は、Taguchi 法と GRA 法を使用して、FDM 加工された螺旋表面の寸法精度、引張強度、表面仕上げに及ぼす印刷速度、層厚、サポート材密度、ラスター幅を含む 4 つの変数の影響を分析しました。印刷速度 58 mm/s での層厚さの最小レベル、ラスター幅と粗いサポート材料の最大レベルによって、より優れた寸法精度、引張強度、および表面仕上げが得られると述べられています。 N. Vidakis ら 22 の研究では、層の高さ (0.15、0.2、および 0.25 mm)、ノズル温度 (250、260、および 270 °C)、およびラスター角度 (0、45、および 90°) の影響を調べました。完全要因分析を使用して FFF ポリアミド 12 ポリマーの機械的強度と靱性を評価します。実験結果は、ANOVA 分析、相互作用図、ボックス図を使用して分析され、実験結果は ANOVA 分析、相互作用図、およびボックス図を使用して分析されたと判断されました。 270 °C では静的機械強度と弾性率が最適化され、260 °C では靭性と 0 度のラスター角、静的機械的強度、および靭性の値が 45 度のラスター角の弾性率値で最適化されることがわかりました。最適化されています。さらに、すべての応答は層の高さ 0.25 mm で最適化されています。 Kechagias ら 23 は、Taguchi L18 直交配列を使用して、ノズル温度 (180、200、および 220 °C)、層の厚さ (0.1 および 0.3 mm)、フィラメント印刷速度 (30、40、および 50 mm) の影響を分析しました。 /s)、および蒸着角度 (0、45、および 90°) は、PLA/ココナッツ木材部品の極限引張強さ (UTS) や弾性モジュール (E) などの機械的特性に影響します。結果は、ANOM および ANOVA 法を使用して分析されました。ラスター蒸着角度は応答に最も大きな影響を及ぼし、ゼロ配向フィラメントの方が UTS および E 値が大きくなります (UTS で 80.1%、E で 92.6%)。層の厚さは重要なパラメータです。層間結合状態に大きく依存しますが、このパラメータの影響はこの研究では重要ではありませんでした。また、印刷速度を変えると、さまざまな層の厚さでの機械的挙動が異なることも理解しました。私たちの以前の研究24では、厚さ（5、10、および15 mm）、充填パターン（六角形、長方形、三角形）、壁の数（2、3、および4）、および層の高さ（1）を含む4つのパラメータの影響、1.125 および 2 mm）、タグチ法を使用して円筒形 PA6 部品の幾何学的精度を解析しました。厚さと層の高さの影響がより重要であることが理解されました。幾何学的誤差を最小限に抑えるための最良のプロセスパラメーターは、六角形の充填パターン、厚さ 5 mm、壁層 2、および層の高さ 1.125 mm でした。 N. Vidakis et al.25 によると、ノズル温度と層の高さの値は、極限引張強さ、弾性率、平均、および最大値と最小値の差に影響を与えます。極限引張強さと弾性率 (Δσb および ΔE) は、一般的な完全要因法を使用して観察されました。。ノズル温度 270 °C、層高さ 0.2 mm では、すべての応答が最適化される (極限引張強さと弾性率が最大になり、Δσb と ΔE が最小になる) ことが判明しました。

文献で言及されている研究では、さまざまな材料の機械的特性と形状精度に対する FFF のさまざまなパラメータの影響が調査されました。しかし、文献には、チャンバー温度、印刷温度、層の厚さ、印刷速度などの 4 つのパラメータが PA6 の機械的強度と形状精度に同時に与える影響についての研究は報告されていません。したがって、この研究は、チャンバー温度 (30、45、および 60 °C)、印刷温度 (260、270、および 280 °C)、層の厚さ (0.1、0.2、およびFFF プロセスで製造された PA6 製の円筒部品の機械的特性と幾何学的精度について、印刷速度 (600、1800、および 3000 mm/min) を調べました。結果は GRA 法を使用して分析され、S/N 分析、ANOVA 分析、交互作用プロット、カウンターおよび表面プロット、および回帰モデルを使用して表示されました。最後に、結果を検証するために確認テストが実行されました。この研究の最後の部分では、得られた結果について議論しました。

この研究では、PA6 サンプルは、溶融フィラメント製造 (FFF) 技術を使用するドイツの RepRap X500® 3D プリンターによって製造されました。このマシンは設計の自由度が高く、設計者は全く新しいデザインや機能のコンセプトを試すことができます。ドイツの RepRap X500® 3D プリンタの技術仕様の一部を表 1 に示します。ナイロンホワイト (PA6) は、最も広く使用されているポリアミドの 1 つです。また、高い表面品質と優れた機械的特性を備えた市販の材料であるため、この研究ではこの材料を選択しました26、27、28。内径 16 mm、外径 20 mm、高さ 40 mm の寸法の中空円筒部品を CATIA-V5™ ソフトウェアを使用して設計し (図 1)、STL ファイルとしてエクスポートしました。 FFF パラメータの設定に使用される Simplify 3D ソフトウェアで部品をスライスした後、ドイツの RepRap X500® 3D プリンタを使用して製造されます。図 2 は、これらのステップの概略図を示しています。

中空の円筒形の寸法。

3D プリント手順の概略図。 (a) デジタルモデルの作成、(b) デジタルモデルの STL への変換、(c) スライスとプレスパラメーターの選択、(d) German Rep Rap 3D プリンターによる部品の印刷、(e) 3D 印刷された円筒部品。

実験計画法 (DOE) は、プロセスパラメーターの最適化の設定において、単一または一連の出力応答に対する入力プロセスパラメーターの影響を決定するための体系的なアプローチです。 FFF システムのプロセスパラメータを最適化するために、タグチ法、分散分析 (ANOVA)、完全要因計画法、最近作成され、多くの注目を集めているバクテリア採集技術など、いくつかの DOE アプローチが利用されています。現実世界の最適化問題を解決する際の効率を向上させるため、大腸菌の採餌行動とファジィロジックに基づいた自然由来の最適化アルゴリズムです。多くのパラメータが印刷プロセスに影響を与える可能性があるため、メーカーが提供する印刷プロセスパラメータのデフォルト設定では品質を保証できません。印刷物29,30。さまざまな FFF プロセスパラメータがさまざまな応答に与える影響を判断するために、広範な研究が行われています 31、32、33、34。タグチ設計法は、低コスト、高品質、およびパフォーマンスの最適化のための実用的なアプローチを提供します。タグチ設計手法では、多くのパラメータを一度に分析でき、従来の DOE アプローチよりも少ないリソースで最適な構成を見つけることができます。

この研究で使用された L9 直交配列と、層の厚さ (mm)、印刷速度 (mm/min)、チャンバー温度 (°C)、印刷温度 (°C) を含む FFF プロセスの 4 つの重要なパラメーターの影響。幾何学的精度としての円筒度および真円度について 3 つの異なるレベルで調査されました。また、これらのサンプルの機械的特性としてヤング率、強度、変形を分析しました。

3 つの異なるレベルのプロセスパラメーターを表 2 に示します。チャンバーは環境温度を制御し、チャンバー温度は 30、40、および 60 °C に設定されました。層の厚さは、各蒸着層の厚さを指し、シリンダーの寸法に基づいており、0.1、0.2、0.3 mm の範囲で選択されました。印刷速度は低速から高速まで 600、1800、3000 mm/min に設定されました。ナイロンの印刷温度は通常 270 °C であるため 35、応答を調査するために 270 °C よりわずかに高い温度と低い温度を選択しました (250、260、および 270 °C)。表 3 は、各実験のパラメーターの組み合わせを制御するタグチ直交配列を示しています。また、再現性を高めるため、各パーツを5回ずつ印刷し、45個製作しました。

まず、3D レーザースキャナー (Solutionix D500) を使用してすべての 3D プリント部品をスキャンし、幾何学的誤差値を測定しました。精度0.01mm、分解能0.055mm。このスキャナの利点は、スキャン処理の高速性です。このプロセスは、部品の表面に投影された青色光源から、物体の表面からカメラのレンズに反射される青色光を使用することで構成されていました。その後、物体の表面からカメラのレンズに反射されます。ポイントごとの座標は、Solutionix D500 を制御する Solutionix ezScan ソフトウェアに表示され、部品の形状が取得されます。このデータは、Solutionix ezScan から STL 形式で抽出されました。次のステップでは、初期 CAD モデルが、Geomagic® Control X ソフトウェアによって Solutionix ezScan から抽出された STL ファイルと比較され、コンポーネントの位置合わせによって位置合わせされました。最後に、ASME Y14.5M 規格に基づいて真円度および円筒度の誤差が得られました。円筒度、真円度の測定値を表4に、工程概要を図3に示します。

円筒度および真円度誤差を検出するためのスキャンプロセスの概略図。 (a) Solutionx D500 による部品のスキャン、(b) Solutionx Ezscan ソフトウェア、(c) Geomagic Control X、(d) 幾何学的精度の測定。

部品の機械的特性は圧縮試験 (INSTRON 5881 圧縮および引張試験機) によって測定され、すべてのサンプルは 50 KN の荷重セルおよび荷重速度 5 mm/min を使用して圧縮されました。特別なジョーは圧縮試験を実行するように設計されており、図 4 に示すように、チューブは 2 つのジョーの間にスケッチのように配置されました。その後、応力-ひずみ曲線が得られました (図 5)。強度、ヤング率、伸びを表 4 に示し、その手順を図 5 に示します。最適化プロセスの手順をフローチャートで示します (図 6)。

強度、ヤング率、伸びを求める手順です。

すべての試行の応力 - ひずみ曲線。

ステップを実装するフローチャート。

実験データは分散分析 (ANOVA) と信号対雑音比 (S/N) によって 1 つずつ調査されました。 MINITAB® 19.0 を使用してすべてのデータを分析しました。タグチメソッドは、より少ない実験数で特定の応答に対する多数のパラメータの影響を調査するために使用されます。

統計手法である GRA 法を同時に使用して、複数応答パラメーターを最適化しました。この方法では、最適なプロセスパラメーターを計算することで、円筒度や真円度を同時に低減し、強度、伸び、ヤング率を高めます。 GRA は次の手順で適用されます。

最初のステップは、実験データを正規化することです。さまざまな応答の期待される品質特性に従って、この値は GRA での最適化の 3 つの基準に分類できます。「大きいほど優れている」、「小さいほど優れている」、および「標準ほど優れている」を以下に示します。等式（１、２、３）３６．

大きいほど良い:

小さいほど良い:

普通の方が良い:

ここで、X* (p) は GRG 値、i は試行回数、Xi(p) は対象実験の応答値、Max(Xi(p)) は Xi(p) の最大値、Min( Xi(p))はXi(p)の最小値を示し、OBは目標値です。この研究では、円筒度および真円度を正規化するために「小さいほど良い」が選択され、強度、ヤング率、および変形については「大きいほど良い」が選択され、正規化された値が表 5 に示されています。

次のステップは、式 (1) から偏差シーケンスを計算することです。 (4)。

ここで、Δoi (p) は偏差シーケンスを表し、X0(p) は 1 に等しい基準シーケンスです。各応答の偏差シーケンスの値を表 636 に示します。

理想的な正規実験結果と実際の正規実験結果との関係は、グレイ関係係数 (GRC) によって表されます。グレー関係係数は、式 1 を使用して計算されます。 (5) 正規化された値ごとに 36。

ここで、ξi (p) はグレー関係係数、∆oi (p) は偏差シーケンスを表し、ξ は識別係数であり、0 から 1 までの値をとります。この係数は通常 0.5 とみなされます。また、Δmin、Δmax はそれぞれΔoi (p) の最小値、最大値です。値を表 7 に示します。

一般に、グレーリレーショナルグレード (GRG) は、複数応答プロパティを評価するために使用されます。一方、GRG は GRC の平均合計であり、式 (1) は次のようになります。 (6) はそれを決定するために使用されます36。

ここで、n はプロセスパラメータの数です。結果として、GRG が大きいほど、プロセスパラメーターの組み合わせが理想に近いことを意味します。その後、すべての実験は 1 ～ 9 の GRG 値に基づいてランク付けされ、最適な実行を表す最も高い GRG 値が 1 位とみなされます。 8 番目のテストは GRG 値が最も高く、他のテストの中で最も優れた特性を持っています。

信号対ノイズ (S/N) 比は、プロセスパラメーターを最適化し、各パラメーターが応答に与える影響を調べるために使用されます。 S/N 比では、「信号」は応答に対する望ましい効果を示し、「ノイズ」は応答に対する望ましくない効果を示します。したがって、S/N 比が高ければ、それは最適な条件であることを示します。さまざまな応答の期待される品質特性に応じて、大きいほど優れている、小さいほど優れている、標準であるほど優れているなど、さまざまなタイプの S/N 比があります。ここで、ηはS/N比、yiは直交配列における対象実験の応答値、ynは分散、nは実験数を表します。

大きいほど良い:

小さいほど良い:

普通の方が良い:

MINITAB® 19.0 を使用して GRG から得られたデータを分散分析 (ANOVA) および信号対雑音比 (S/N) を使用して分析しました。 GRG に対する各パラメータの影響を調べるために、Taguchi テクニックが利用されました。 GRG 値が高いほど望ましい応答が向上するため、「大きいほど良い」を使用して GRG を最大化し、プロセスパラメーターを最適化しました。 GRG の S/N 比と平均値の応答表をそれぞれ表 8 と表 9 に示します。これらの表は、ランクを利用してパラメーターの重要性を示し、デルタは最高平均と最低平均の差を表します。結果によると、チャンバー温度や層の厚さに比べて、印刷速度と印刷温度が GRG に最も大きな影響を与えると言えます。

S/N ダイアグラムを使用してデータを分析し、応答の平均 S/N 比を使用して最適なパラメーターを決定しました。出力を最小化するには、「小さいほど良い」という幾何学的精度 (円筒度および真円度) のパラメータが必要であり、出力を最大化するには、機械的特性 (ヤング率、変形、および強度) のパラメータが必要です。 S/N 比の数式を最大化するために、「大きいほど良い」が選択されました。最良の状態は、S/N 比のグラフの最高点によって示されます。 AB、C、D は、図のチャンバー温度、3D 印刷温度、層の厚さ、印刷速度を表します。それぞれ9と10。各パラメータのさまざまなレベルが横軸に表され、縦軸は平均 S/N 比です。 S/N 比の主効果プロット (図 7) および平均図の主効果プロット (図 8) によると、チャンバー温度は 60 °C、印刷温度は 270 °C、層の厚さは 0.1 であることがわかります。 mm、印刷速度 600 mm/min は、最大の GRG を達成するためのプロセスパラメーターの最適な組み合わせです。

S/N 比 GRG の主効果プロット。

平均 GRG の主効果プロット。

応答変数に対する各プロセスパラメーターの影響は、ANOVA アプローチを使用して決定されました。ＡＮＯＶＡの結果を表１０に示す。調整二乗和（ＡｄｊＳＳ）は、式１を使用して計算した。 (10)。

ここで、ηi は平均 S/N 比、ηj は全体の平均 S/N 比、n は総実験数を示します。 DF は自由度を表し、寄与率はプロセスパラメータの寄与率、調整平均二乗和は Adj MS、グループ平均の分散と確率値はそれぞれ F 値と P 値です。表 10 に記載されている F 値を調査し、値が高いほど関連パラメータの効果が大きくなると考えることにより、印刷速度、層の厚さ、チャンバー温度、および印刷温度が印刷速度に最も大きな影響を与えることが判明しました。それぞれの GRG の量。寄与率もこれらの結果を裏付けています。

図 9 は、プロセスパラメータと GRG 値の間の相互作用を示しています。交互作用プロットでは、平行線は交互作用がないことを意味します。つまり、図によると、速度を除く他のすべての図には平行な傾向線がなく、方向が混在しています。線形回帰モデルが GRG 予測には役に立たないという強力な証拠の結果として、応答曲面法の線形相互作用モデルが使用されます。 RSM の線形相互作用モデルを使用して、GRG の多目的関数が構築され、方程式から名目項が削除されました 37,38。

GRG の相互作用プロット。

応答曲面回帰は変数間の相関関係を調べ、GRG とプロセスパラメーターの関係を決定します。また、応答曲面法の線形相互作用モデルを使用して、因子間の最適な相関関係とパラメーターの最適なレベルを見つけることによって、最適な応答を実現できます。回帰モデルを式に示します。 (11)。

チャンバー温度、印刷温度、層厚、印刷速度をそれぞれ A、B、C、D で表します。 R 二乗としてよく知られる相関係数は、従属変数の変動の割合を表す統計ツールであり、範囲は 0 ～ 100 パーセントです。 MINITAB 19.0® ソフトウェアは R 二乗値を計算し、この係数の値は 99.20 パーセントであり、高い相関関係を示しています。

図 10 と 11 は、それぞれ表面図と等高線図を示しており、回帰式のグラフ画像です。これらは GRG 上の 2 つの異なるプロセスパラメーター間の相互作用を示しており、MINITAB 19.0 ソフトウェアによって作成されています。これらのグラフからわかるように、GRG の最高値は、層の厚さと印刷速度の最低値、およびチャンバー温度の最高値で得られます。また、図 12 に見られるように、実験で得られた GRG 値と回帰式で計算された GRG を比較すると、最大誤差率は 3% であることがわかり、モデルが検証されたことがわかります。

GRG 表面プロット。 (a) チャンバー温度と印刷温度、(b) チャンバー温度と層の厚さ、(c) チャンバー温度と印刷速度、(d) 印刷温度と層の厚さ、(e) 印刷温度と印刷速度、(f) 層の厚さGRG での印刷速度。

GRG 等高線プロット。の効果; (a) チャンバー温度と印刷温度、(b) チャンバー温度と層の厚さ、(c) チャンバー温度と印刷速度、(d) 印刷温度と層の厚さ、(e) 印刷温度と印刷速度、(f) 層の厚さGRG での印刷速度。

回帰モデルから得られた GRG 値と実験から得られた GRG 値の比較。

最後のステップでは、GRA から取得したこのパラメータを検証するために、最適レベルのプロセスパラメータ (チャンバー温度 60 °C、印刷温度 270 °C、層厚 0.1 mm、印刷速度 600 mm/min) を使用して確認実験を実行しました。また、応答の改善を評価することもできます。結果の再現性を確保するために、最適なパラメーターを備えた 5 つの中空円筒部品が FFF 3D プリンターで製造されました。そして、予測されたグレー関係グレード値または Ypredicted が、確認テストから得られたグレー関係グレードの平均値と比較されます。式 (12) は、最適なパラメーターの予測 GRG 値を計算するために使用されます。

ここで、ym は GRG の合計平均を表し、yi は最適レベルでの平均 GRG を表し、n は選択されたプロセスパラメーターの数です。次に、PA6 部品の強度、ヤング率、伸びを評価するために部品に圧縮試験を適用しました。また、円筒度や真円度などの幾何学的誤差値を測定するために、Solutionix D500 を使用して 3D プリント部品をスキャンしました。測定値を表 11 に示します。また、最適パラメータの応力-ひずみ曲線と、ほとんどの GRG が図 13e で比較されています。結局のところ、印刷部品のヤング率や強度などの機械的特性は、最適な条件下で向上しました。次に、得られた応答の値を使用して、最適なパラメータを備えた 3D プリント作品の GRG 値を式 (1)、(2) を使用して測定しました。 (1)、(2)、(4)、(5)、(6)。実験的な GRG を計算した後の次のステップは、予測された GRG と実験的な GRG の間の誤差のパーセンテージを計算することです。次に、GRG の改善が評価されます。 GRG のすべての測定値を表 12 に示します。初期 GRG と実験から得られた GRG を比較し、式 (1) を使用して示します。式 (13) より、最適 GRG 値は 14% 向上していることがわかりました。したがって、結果は、GRA メソッドから得られた最適パラメータの値が、意図したすべての応答を改善したことを示しています。また、予測された GRG と実験の GRG (式 14) を比較すると、誤差率は 5% に等しいことがわかりました。したがって、この誤差の量を考慮すると、これらの値の間には良い相関があると言えます。

FFF によって (a、b) 8 番目、(c、d) および最適な条件でそれぞれ製造されたサンプルの走査型電子顕微鏡 (SEM) 画像。 (e) 初期 GRG (8 番目) と実験から得られた GRG の応力ひずみ曲線。

図 13a ～ d は、8 番目および最適な条件で製造されたサンプルの SEM 観察を示しています。最適条件の 3D プリント部品と比較して、8 番目 (初期条件) のサンプルではより多くのボイドと層間剥離が見られます。これらの部品の製造における印刷速度の違いを考慮すると、印刷品質の違いはこのパラメータに起因すると考えられます。印刷速度の変更によって影響を受ける重要なパラメータの 1 つは、温度勾配 39 です。したがって、層間の剥離に対する温度勾配の影響が強調されています。ノズル速度を増加すると、冷却速度が増加します40。したがって、低速で印刷した最適な部分は、8 番目よりも低い温度勾配の下にあります。したがって、8番目の層間剥離がさらに増えることは正当化されます。さらに、フィラメント間の溶接界面は、最終的な機械的特性において重要な役割を果たします41。この図の図 13 の溶接界面に示されているように、層間剥離の存在を考慮すると、溶接は十分に行われていません。 2 つのフィラメント間の溶接界面を減らすことによって、機械的特性はほとんど期待されませんでした。圧縮テストの結果は、最適な部分と比較して 8 番目の印刷部分の圧縮強度が低下していることを示しています。さらに、条件 3D プリント部品 42 と比較して、8 番目のプリント部品では剥離が多いため、幾何学的精度が低くなります。

この研究の結果により、設計者は高品質の部品を製造できるようになります。以下では、この研究の結果と最適な選択パラメータ、および文献セクションに記載されている他の論文との比較について説明します。 GRG の量は 270 °C で最適であることがわかりました。 3Dプリントの最適温度は素材の種類などによって異なりますが、低温ではプリント層はほぼ固体となります。新しい層が堆積されると、層間の減少した結合力が減少します。密着性が非常に悪くなり、機械的特性や寸法精度が低下します。一方、温度が高いと流動性が高くなりすぎ、重力の影響で形状の安定性が低下します。この研究で考慮された最高値である 60 °C のチャンバー温度が、最適な GRG レベルであることがわかりました。これは、高いチャンバー温度が幾何学的安定性に影響を与えるほど高すぎないためです。文献に記載されている研究では、3D プリンティングの温度が上昇すると、PLA 部品の最高の寸法精度は最高温度に従うことが観察されました。 PEEK コンポーネントに関する別の研究でも、現在の研究と同様の結果が得られました。これは、使用される材料や温度範囲が異なることが原因である可能性があります16、17。また、研究では、PEAK コンポーネントの強度に対するチャンバー温度の影響が調査されました。同様の結果が観察されました19。最適化の結果によると、低速時の GRG 量が多くなることがわかりました。高速では、印刷層が固まるのに十分な時間がないためです。次の層が前の層の上に堆積され、部品は短時間のうちに変形します。他の PEEK および PC/ABS ブレンド部品の研究では、印刷速度の値が高いほど、ひずみ、強度、剛性が向上し、最適化されることが示されています。結果の違いは、シリンダーの設計、利用した材料の種類、および選択した応答の制限によるものである可能性があります 17,19。部品の機械的特性と精度を向上させる上で最も重要なパラメータの 1 つである層の厚さの影響が調査されました。層の厚さが薄いほど、GRG の量が多くなることがわかりました。層の厚さが厚くなると、層間の温度勾配が大きくなり、変形が大きくなります。また、堆積層の数が増えると、より多くの界面が現れ、密着性が低下します。ただし、文献に示されているように、異なる材料を使用した論文では異なる結果や同様の結果が観察されました。その理由は、求められる反応の違いや選択した素材の違いである可能性があります。もう 1 つの理由は、すべてのパラメータが相互に影響を与えるため、他の選択されたパラメータである可能性があります 15、16、19、21。

この論文では、GRA メソッドを利用した多重応答最適化を使用して、チャンバー温度、印刷温度、層の厚さ、印刷速度を含む 4 つの入力パラメーターの変化を分析し、FFF プロセスの円筒部品で最高の機械的特性と幾何学的精度を実現します。 PA6製。機械的特性と幾何学的精度は、円筒度、真円度、強度、ヤング率、変形によって特徴付けられます。これら 5 つの出力パラメーターは、予想される応答を表します。この目的のために、すべての応答を同時に改善するための処理パラメータの最適値を見つける必要がありました。最も高い GRG は 8 番目の実験に属することが判明しました。次に、最適なパラメーターを見つけるために、GRG データを ANOVA と S/N 分析によって分析し、GRG を改善する最適な条件は、チャンバー温度 60 °C、印刷温度 270 °C、印刷温度 270 °C で得られることが判明しました。層の厚さは0.1 mm、印刷速度は600 mm/minです。最後に、最適なパラメータに従って検証テストが実行され、新しいコンポーネントが検討されました。最後に、初期の GRG と実験から得られた GRG を比較すると、GRG 値が 14% 向上していることが観察されました。また、予測された GRG と実験の GRG を比較すると、誤差率は 5% に等しいことがわかりました。したがって、この誤差の量を考慮すると、これらの値の間には良好な相関関係があることが証明されます。

最後に、結果について議論しましたが、次のことが明らかです。

最適な GRG レベルは 60 °C のチャンバー温度で発見されました。これは、チャンバー内の温度が幾何学的安定性に影響を与えるほど高くないためと考えられます。

GRG の量は、印刷温度 270 °C で最適になります。ただし、使用する材料などによって最適な3Dプリント温度は異なります。低温では印刷層はほぼ固体となり、新たに層を蒸着すると層間の結合力が低下します。密着性が低下し、機械的特性や寸法精度が低下します。一方、温度が高すぎると流動性が高くなりすぎ、重力により形状の安定性が低下します。

最適化の結果、低速域では GRG の量が多くなることが判明しました。これは、印刷層が高速で固化するのに十分な時間がないという事実によって説明できます。次の層が前の層の上に堆積されるため、ピースが変形します。

層の厚さの影響を調べたところ、GRG の量は層の厚さが薄いほど顕著であることが判明しました。堆積する層の数が増えると、より多くの表面が現れ、接着力が低下します。層の厚さが広くなると、層間の温度勾配が大きくなり、変形が増加します。

スタンダード、A. F2792–12a「積層造形技術の用語」 (ASTM インターナショナル、2012)。 https://doi.org/10.1520/F2792-12A。

Google Scholar を予約する

Shakeri, Z.、Benfriha, K.、Shirinbayan, M.、Ghodsian, N. & Tcharkhtchi, A. タグチ法を使用した円筒度制御のための溶融堆積モデリングプロセスパラメーターのモデリングと最適化。 2021 年電気、コンピュータ、通信およびメカトロニクス工学に関する国際会議 (ICECCME) 1 ～ 5 (IEEE、2021 年)。

Ahmadifar, M.、Benfriha, K.、Shirinbayan, M.、Tcharkhtchi, A. 溶融フィラメント製造 (FFF) を使用したポリマーベースの複合材料の積層造形: レビュー。応用コンポ。メーター。 28、1335–1380 (2021)。

記事 ADS CAS Google Scholar

Popescu, D.、Zapciu, A.、Amza, C.、Baciu, F. & Marinescu, R. FDM プロセスパラメーターがポリマー試験片の機械的特性に影響を与える: レビュー。ポリム。テスト。 69、157–166 (2018)。

記事 CAS Google Scholar

ウー、Ｈら。積層造形用のポリマー/ポリマーナノ複合材料の最近の開発。プログレ。メーター。科学。 111、100638 (2020)。

記事 CAS Google Scholar

Chennakesava, P. & ナラヤン, YS 堆積モデリングと洞察を融合。設計と製造の進歩に関する国際会議 ICAD&M の議事録 vol. 14、1345 (2014)。

Benfriha, K.、Ahmadifar, M.、Shirinbayan, M.、Tcharkhtchi, A. 溶融フィラメント製造を使用したポリマーベースの複合材料の熱的および機械的特性に対するプロセスパラメーターの影響。ポリム。コンポ。 42、6025–6037 (2021)。

記事 CAS Google Scholar

Butt, J. & Bhaskar, R. FFF 印刷された熱可塑性樹脂の機械的特性に対するアニーリングの影響を調査。Ｊ．マニュフ．メーター。プロセス。 4、38（2020）。

CAS Google スカラー

Zirak, N.、Shirinbayan, M.、Benfriha, K.、Deligant, M. & Tcharkhtchi, A. (メタ) アクリレートベースの光硬化性樹脂の光造形: 熱的および機械的特性。Ｊ．Ａｐｐｌ．ポリム。科学。 139、52248 (2022)。

記事 CAS Google Scholar

N. Turner, B.、Strong, R. & A. Gold, S. 溶融押出積層造形プロセスのレビュー: I. プロセス設計とモデリング。ラピッドプロトタイプ。 J. 20、192–204 (2014)。

Ahn, S.、Montero, M.、Odell, D.、Roundy, S. & Wright, PK 溶融堆積モデリング ABS の異方性材料特性。ラピッドプロトタイプ。 J. 8、248–257 (2002)。

Rupal, BS、Mostafa, KG、Wang, Y. & Qureshi, AJ FDM プリント部品の幾何学的および機械的挙動を推定するためのリバース CAD アプローチ。プロセディア社 34、535–544 (2019)。

記事 Google Scholar

Kechagias, J.、Chaidas, D.、Vidakis, N.、Salonitis, K. & Vaxevanidis, NM 表面品質と寸法精度を制御する重要なパラメータ: FFF プロセスの批判的レビュー。メーター。メーカープロセス。 37、963–984 (2022)。

Ju-Long、D. グレーシステムの制御問題。システム。コントロールレット。 1、288–294 (1982)。

記事 MathSciNet Google Scholar

Venkatasubbareddy、OY、Siddikali、P.、Saleem、SM 最適化技術を使用して FDM 部品の寸法精度と表面粗さを改善します。 IOSR J. Mech. 文明工学 16、18–22 (2016)。

記事 Google Scholar

Aslani, K.-E.、Kitsakis, K.、Kechagias, JD、Vaxevanidis, NM & Manolakos, DE PLA 溶融フィラメント製造プロセスの寸法精度のベンチマークとしてのグレータグチ法の適用について。 SN Appl. 科学。 2、1–11 (2020)。

記事 Google Scholar

Deng, X.、Zeng, Z.、Peng, B.、Yan, S. & Ke, W. 溶融堆積モデリングによるポリエーテル-エーテル-ケトンの機械的特性の最適化。資料11、216（2018）。

記事 ADS Google Scholar

Xiaoyong, S. et al. 2017 第 9 回測定技術およびメカトロニクスオートメーションに関する国際会議 (ICMTMA) (2017)。

Abeykoon, C.、Sri-Amphorn, P. & Fernando, A. PLA および ABS 3D プリント構造を改善するための溶融堆積モデリングパラメーターの最適化。内部。 J.ライトウェイトメーター。メーカー 3、284–297 (2020)。

Google スカラー

Kechagias, JD、Ninikas, K.、Petousis, M.、Vidakis, N. 寸法と表面粗さを最適化するための 3D プリントされたアクリロニトリルブタジエンスチレンプレートのレーザー切断。内部。 J.Adv. メーカーテクノロジー。 119、2301–2315 (2022)。

記事 Google Scholar

Anusree, TG、Anjan, RN、Sivadasan, M. & John, TD グレーリレーショナル解析を使用した、螺旋表面の溶融堆積モデリングのプロセスパラメーターの最適化。材料科学フォーラムvol. 879、861–866 (トランステック出版、2017)。

Vidakis, N.、Petousis, M. & Kechagias, JD ポリアミド 12 3D プリント部品の強度と靭性のパラメーター効果とプロセスモデリング。メーター。メーカープロセス。 1～12。 https://doi.org/10.1080/10426914.2022.2030871 (2022)。

Kechagias, JD、Zaoutsos, SP、Chaidas, D. & Vidakis, N. ロバスト設計を使用した溶融フィラメント製造用の PLA/ココナッツ木材コンパウンドのマルチパラメータ最適化。内部。 J.Adv. マニュファクチュールテクノロジー 119、4317–4328 (2022)。

Shakeri, Z.、Benfriha, K.、Shirinbayan, M.、Ahmadifar, M. & Tcharkhtchi, A. タグチ法を使用したポリアミド 6 の形状偏差制御のための溶融フィラメント製造 (FFF) プロセスパラメーターの数学的モデリングと最適化。ポリマー 13、3697 (2021)。

記事 CAS Google Scholar

Vidakis, N.、Petousis, M. & Kechagias, JD 溶融フィラメント製造におけるポリカーボネートの機械的応答に対する 3D プリンティングパラメーターの影響に関する包括的な調査。プログレ。追記。メーカー 1 ～ 10 (2022)。

Wang, Y.、Shi, J. & Liu, Z. FFF 3D プリントされたナイロンおよびナイロン/ケブラー複合材料のナノ粒子による曲げ性能の向上。 J.コンポス。メーター。 55、1017–1026 (2021)。

記事 ADS CAS Google Scholar

Vidakis, N. et al. 持続可能な積層造形: 複数のリサイクルプロセスにわたるポリアミド 12 の機械的反応。資料14、466（2021）。

記事 ADS CAS Google Scholar

Terekhana, S.、Skornyakov, I.、Tarasova, T.、Egorov, S. フィラメント溶融加工で作られたナイロン試験片の機械的特性に対する充填密度の影響。テクノロジー 7、57 (2019)。

記事 Google Scholar

1. Heidari-Rarani, M.、Ezati, N.、Sadeghi, P. & Badrossamay, M. タグチ実験法を使用したポリ乳酸試験片の引張特性の FDM プロセスパラメーターの最適化。 J. サーモプラスト。コンポ。メーター。 089270572096456。https://doi.org/10.1177/0892705720964560 (2020)。

Hernandez-Ocana , B. 、 Hernandez-Torruco , J. 、 Chavez-Bosquez , O. 、 Calva-Yañez , MB & Portilla-Flores , EA 孤立したマイクログリッドの発電を最適化するための細菌採餌ベースのアルゴリズム。応用科学。改訂 9、1261 (2019)。

記事 Google Scholar

アフォンソ、JA et al. PLA 部品および予測モデルの機械的特性と質量に対する 3D プリンティングプロセスパラメーターの影響。ラピッドプロトタイプ。 J. (2021)。

El Magri, A.、El Mabrouk, K.、Vaudreuil, S. & Ebn Touhami, M. 応答曲面法による 3D プリントポリフェニレンサルファイドのプリントパラメータの実験的調査と最適化。Ｊ．Ａｐｐｌ．ポリム。科学。 138、49625 (2021)。

記事 Google Scholar

ノリエガ A.、ブランコ D.、アルバレス BJ、ガルシア A. 人工ニューラルネットワークと最適化アルゴリズムを使用した FDM 正方形断面部品の寸法精度の向上。内部。 J.Adv. メーカーテクノロジー。 69、2301–2313 (2013)。

記事 Google Scholar

Bardiya, S.、Jerald, J. & Satheeshkumar, V. 溶融フィラメント製造 (FFF) 部品の引張強度、曲げ強度、および製造時間に対するプロセスパラメーターの影響。メーター。今日はProc. 39、1362–1366 (2021)。

記事 CAS Google Scholar

Morales, U.、Esnaola, A.、Iragi, M.、Aretxabaleta, L.、Aurrekoetxea, J. 有機シート基板上への連続炭素繊維複合材料のオーバー 3D プリンティング。 AIP 会議議事録 vol. 2113 020015 (AIP Publishing LLC、2019)。

Achuthamenon Sylajakumari, P.、Ramakrishnasamy, R. & Palaniappan, G. Taguchi 共連続複合材料の摩耗の多重応答最適化のためのグレー関係解析。資料 11、1743 (2018)。

記事 ADS Google Scholar

ユナス、M.ら。解析階層プロセス (AHP) に基づくグレーリレーショナル解析 (GRA) を使用した、持続可能な Ti6Al4V 合金旋削のための多目的最適化。内部。 J.Adv. メーカーテクノロジー。 105、1175–1188 (2019)。

記事 Google Scholar

Fountas、NA、Kechagias、JD、Tsiolikas、AC、Vaxevanidis、NM、Education、T. FDM で製造された ABS 部品の印刷時間と形状精度の多目的最適化。メタヒューリスティック。計算します。応用 1、115–129 (2020)。

Google スカラー

Basgul, C.、MacDonald, DW、Siskey, R. & Kurtz, SM 熱局在化により、3D プリントされた PEEK 腰椎ケージの層間接着と構造的完全性が向上します。マテリアリア 10、100650 (2020)。

記事 CAS Google Scholar

Abbott, AC、Tandon, GP、Bradford, RL、Koerner, H. & Baur, JW 溶融フィラメント製造における ABS 接着強度に対するプロセス - 構造 - 特性の影響。追記。メーカー 19、29–38 (2018)。

CAS Google スカラー

Gao, X. et al. ポリマー材料の溶融フィラメント製造: 層間結合のレビュー。追記。メーカー 37、101658 (2021)。

CAS Google スカラー

Solomon, IJ、Sevvel, P.、Gunasekaran, J. FDM のさまざまな処理パラメータに関するレビュー。メーター。今日はProc. 37、509–514 (2021)。

記事 CAS Google Scholar

リファレンスをダウンロードする

製品デザインおよびイノベーション研究所 (LCPI)、HESAM 大学、75013、パリ、フランス

ゾーレ・シャケリ & カレド・ベンフリハ

力学と材料のプロセスとエンジニアリング (PIMM)、HESAM 大学、75013、パリ、フランス

ナデル・ジラック & モハンマダリ・シリンバヤン

PubMed Google Scholar でこの著者を検索することもできます

著者全員が研究の構想と設計に貢献しました。資料の準備、データ収集、分析は ZS と NZ によって行われました。原稿の初稿は ZS によって書かれ、すべての著者が原稿の以前のバージョンにコメントしました。著者全員が最終原稿を読んで承認しました。

ゾーレ・シャケリへの通信。

著者らは競合する利害関係を宣言していません。

シュプリンガーネイチャーは、発行された地図および所属機関における管轄権の主張に関して中立を保ちます。

オープンアクセスこの記事はクリエイティブコモンズ表示 4.0 国際ライセンスに基づいてライセンスされており、元の著者と情報源に適切なクレジットを表示する限り、あらゆる媒体または形式での使用、共有、翻案、配布、複製が許可されます。クリエイティブコモンズライセンスへのリンクを提供し、変更が加えられたかどうかを示します。この記事内の画像またはその他のサードパーティ素材は、素材のクレジットラインに別段の記載がない限り、記事のクリエイティブコモンズライセンスに含まれています。素材が記事のクリエイティブコモンズライセンスに含まれておらず、意図した使用が法的規制で許可されていない場合、または許可されている使用を超えている場合は、著作権所有者から直接許可を得る必要があります。このライセンスのコピーを表示するには、http://creativecommons.org/licenses/by/4.0/ にアクセスしてください。

転載と許可

Shakeri、Z.、Benfriha、K.、Zirak、N. 他。グレーリレーショナル解析を使用したポリアミド FFF 部品の機械的強度と形状精度の最適化。 Sci Rep 12、13142 (2022)。 https://doi.org/10.1038/s41598-022-17302-z

引用をダウンロード

受信日: 2022 年 2 月 17 日

受理日: 2022 年 7 月 22 日

公開日: 2022 年 7 月 30 日

DOI: https://doi.org/10.1038/s41598-022-17302-z

次のリンクを共有すると、誰でもこのコンテンツを読むことができます。

申し訳ございませんが、現在この記事の共有リンクは利用できません。

Springer Nature SharedIt コンテンツ共有イニシアチブによって提供

積層造形の進歩 (2023)

コメントを送信すると、利用規約とコミュニティガイドラインに従うことに同意したことになります。虐待的なもの、または当社の規約やガイドラインに準拠していないものを見つけた場合は、不適切としてフラグを立ててください。