Вивчення впливу параметрів процесу на міцність на розрив у моделюванні осадження плавленням: всебічне дослідження з прогнозними моделями

К. Зуауі$^{1}$, С. Амрун$^{1}$, М.-С. Чеббах$^{2}$, М. Саламані$^{1}$, М. Фнідес$^{3}$, А. Халдоун$^{1}$

$^{1}$Лабораторія матеріалів та механіки конструкцій, Технологічний факультет, Університет Мсили, 28000 Мсила, Алжир
$^{2}$Кафедра машинобудування, технологічний факультет, Університет Мохамеда Хідера в Біскре, BP 145RP, 07000 Біскра, Алжир
$^{3}$Науково-дослідна лабораторія механіки та конструкцій, Університет імені 8 травня 1945 року, 24000 Гуельма, Алжир

Отримано: 18.05.2024; остаточний варіант - 09.07.2024. Завантажити: PDF

Моделювання натоплювання або 3D-друк є широко використовуваною технікою адитивного виробництва. Цей підхід дає змогу створювати легкі продукти з використанням різних способів заповнення та процентного співвідношення компонентів. Реґулюванням таких параметрів, як температура, густина, швидкість друку та ін., можна виготовляти компоненти з різними характеристиками. Полімолочна кислота (PLA) широко використовується для 3D-друку завдяки її низькій вартості та екологічності, оскільки вона одержується з поновлюваних джерел і піддається біологічному розкладанню. Визначення механічних характеристик за різних способів 3D-друку має важливе значення для оптимізації виробництва деталів з PLA. Дану роботу спрямовано на використання моделювання натоплювання для швидкого прототипування та виробництва, особливо зосереджуючись на впливі температури екструдера, густині наповнення та ваги на межу міцности друкованих зразків PLA. Під час досліджень було використано стандарти міцности на розтяг ASTM D-638; при цьому 27 зразків було надруковано та протестовано за допомогою машини Anycubic i3 Mega. Результати показують, що температура екструдера та вага мінімально вплинули на межу міцности, тоді як густина наповнення мала значний вплив. Крім того, розроблено два прогностичні моделі (штучна нейронна мережа та Тагучі L9), які демонструють сприятливе узгодження з експериментальними даними з коефіцієнтами кореляції, які сягають 91,03% для методу штучної нейронної мережі та 80,75% для напруги, 90,13% для деформації та 50,83% для модуля Юнґа за моделем Тагучі.

Ключові слова: моделювання натоплювання, механічні властивості, полімолочна кислота, штучна нейронна мережа, метод Тагучі, 3D-друк.

URL: https://mfint.imp.kiev.ua/ua/abstract/v47/i05/0503.html

PACS: 06.60.Vz, 07.05.Mh, 61.46.-w, 62.23.-c, 65.80.-g, 68.35.Gy, 81.40.Jj


ЦИТОВАНА ЛІТЕРАТУРА
  1. P. Wu, J. Wang, and X. Wang, Automation in Construction, 68: 21 (2016).
  2. A. Su and S. J. Al’Aref, 3D Printing Applications in Cardiovascular Medicine (Eds. J. K. Min, B. Mosadegh, S. Dunham, and S. J. Al’Aref) (Boston: Academic Press: 2018), ch. 1, p. 1.
  3. T. D. Ngo, A. Kashani, G. Imbalzano, K. T. Q. Nguyen, and D. Hui, Composites B: Eng., 143: 172 (2018).
  4. I. J. Petrick and T. Simpson, Research-Technology Management, 56, Iss. 6: 12 (2013).
  5. M. Attaran, Business Horizons, 60, Iss. 5: 677 (2017).
  6. J. Gardan, Int. J. Production Research, 54, Iss. 10: 3118 (2016).
  7. B. Rochlitz and D. Pammer, Periodica Polytechnica Mech. Eng., 61, No. 4: 282 (2017).
  8. A. A. Taylor, E. L. Freeman, and M. J. C. van der Ploeg, Ecotoxicology and Environmental Safety, 207: 111458 (2021).
  9. K. V. Wong and A. Hernandez, ISRN Mech. Eng., 2012: 208760 (2012).
  10. G. Kónya and P. Ficzere, Periodica Polytechnica Mech. Eng., 67, No. 2: 143 (2023).
  11. D. Ali, A. F. Huayier, and A. Enzi, Advances in Science and Technology, 17, Iss. 4: 130 (2023).
  12. M. S. Meiabadi, M. Moradi, M. Karamimoghadam, S. Ardabili, M. Bodaghi, M. Shokri, and A. H. Mosavi, Polymers, 13, Iss. 19: 3219 (2021).
  13. T. Yao, Z. Deng, K. Zhang, and S. Li, Composites B: Eng., 163: 393 (2019).
  14. M. M. Hanon, J. Dobos, and L. Zsidai, Procedia Manufacturing, 54: 244 (2021).
  15. D638-14. Standard Test Method for Tensile Properties of Plastics (ASTM international: 2014).
  16. M. Hassan, A. K. Mohanty, and M. Misra, Mater. Design, 237: 112558 (2023).
  17. X. Pang, X. Zhuang, Z. Tang, and X. Chen, Biotechnol. J., 5, Iss. 11: 1125 (2010).
  18. I. C. Noyan and J. B. Cohen, Residual Stress: Measurement by Diffraction and Interpretation (Springer: 2013).
  19. G. R. Yang and X.-J. Wang, Neuron, 107, Iss. 6: 1048 (2020).
  20. I. Goodfellow, Y. Bengio, and A. Courville, Deep Learning (MIT Press: 2016).
  21. T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction (Springer: 2009), vol. 2.
  22. A. Freddi and M. Salmon, Design Principles and Methodologies. From Conceptualization to First Prototyping with Examples and Case Studies (Springer: 2019).
  23. S. Salam, T. Choudhary, A. Pugazhendhi, T. N. Verma, and A. Sharma, Fuel, 279: 118469 (2020).
  24. R. Chaudhari, J. J. Vora, A. Pramanik, and D. M. Parikh, Spark Erosion Machining (Eds. N. K. Jain and K. Gupta) (Boca Raton: CRC Press: 2020), p. 190.
  25. M. Mia, P. R. Dey, M. S. Hossain, Md. T. Arafat, Md. Asaduzzaman, Md. S. Ullah, and S. M. T. Zobaer, Measurement, 122: 380 (2018).
  26. R. Benyettou, S. Amroune, S. Mohamed, Y. Seki, and A. Dufresne, J. Natural Fibers, 19, Iss. 17: 15902 (2022).
  27. A. Ansari, I. S. Ahmad, A. A. Bakar, and M. R. Yaakub, IEEE Access, 8: 176640 (2020).
  28. R. Benyettou, S. Amroune, M. Slamani, and A. Kilic, Academic J. Manufacturing Eng., 21: 97 (2023).
  29. M. Zamouche, H. Tahraoui, Z. Laggoun, S. Mechati, R. Chemchmi, M. I. Kanjal, A. Amrane, A. Hadadi, and L. Mouni, Processes, 11, Iss. 2: 364 (2023).
  30. A. R. Kafshgar, S. Rostami, M. R. M. Aliha, and F. Berto, Procedia Structural Integrity, 34: 71 (2021).
  31. A. W. Nugroho and C. Budiantoro, J. Energy Mech. Mater. Manufacturing Eng., 4, No. 1: 29 (2019).
  32. H. H. Abdulridha and T. F. Abbas, Adv. Sci. Technol. Research J., 17, Iss. 6: 49 (2023).
  33. R. Teharia, R. M. Singari, and H. Kumar, Mater. Today: Proc., 56, Pt. 6: 3426 (2022).