4、多材料打印物体力学性能提升与激光焊接研究

多材料打印物体力学性能提升与激光焊接研究

1. 多材料打印物体力学性能提升

1.1 数据处理与机器学习算法应用

在多材料打印中，为了研究不同打印头温度组合对物体拉伸性能的影响，进行了一系列拉伸试验。对于与平均值有显著偏差的测试，进行了额外测试以替换，替换的测试样本用斜体表示，额外测试的效果可在最后一列看到。

随后，对收集到的数据应用了三种不同的机器学习（ML）算法，为评估每个模型的性能，测量了均方根误差（RMSE）和决定系数（R²），模型中一般的训练数据和测试数据比例为 0.75 - 0.25。

1.2 三种机器学习模型

1.2.1 决策树模型

初始观察和分析表明曲线具有非线性，因此决定首先采用分类算法。决策树算法用于寻找喷嘴温度和极限抗拉强度（UTS）之间的依赖关系。该模型具有树状结构的决策算法，属于监督机器学习算法类型，可调参数为树的深度，此参数定义了预测前的分割数量，分割点越多，越容易对目标特征进行分类。

随着树深度的增加，RMSE 值开始下降，R² 值增加。在分割点的最优值为 3 时，训练数据的 RMSE 和 R² 分别约为 0.6 和 0.8。然而，当该模型应用于测试数据时，结果较差，测试数据的 R² 值约为 0.5，非常低且不令人满意，因此决定采用另一种机器学习技术。

1.2.2 随机森林模型

随机森林（RF）是决策树的改进版本，能够解决分类和回归问题，适用于当前的数据集。随机森林由许多决策树组成，单个决策树具有高方差，但增加树的数量并组合结果可显著降低方差。对于分类，最终输出取主要值；对于回归，等于所有树输出的平均值。