Published October 13, 2023 | Version v1
Publication Open

Artificial Neural Network Performance Modeling and Evaluation of Additive Manufacturing 3D Printed Parts

Creators

  • 1. Technical University of Malaysia Malacca
  • 2. Universiti Malaysia Pahang
  • 3. Taylor's University
  • 4. Amity University

Description

This research article presents a comprehensive study on the performance modeling of 3D printed parts using Artificial Neural Networks (ANNs). The aim of this study is to optimize the mechanical properties of 3D printed components through accurate prediction and analysis. The study focuses on the widely employed Fused Deposition Modeling (FDM) technique. The ANN model is trained and validated using experimental data, incorporating input parameters such as temperature, speed, infill direction, and layer thickness to predict mechanical properties including yield stress, Young's modulus, ultimate tensile strength, flexural strength, and elongation at fracture. The results demonstrate the effectiveness of the ANN model with an average error below 10%. The study also reveals the significant impact of process parameters on the mechanical properties of 3D printed parts and highlights the potential for optimizing these parameters to enhance the performance of printed components. The findings of this research contribute to the field of additive manufacturing by providing valuable insights into the optimization of 3D printing processes and facilitating the development of high-performance 3D printed components.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

تقدم هذه المقالة البحثية دراسة شاملة حول نمذجة أداء الأجزاء المطبوعة ثلاثية الأبعاد باستخدام الشبكات العصبية الاصطناعية (ANNs). الهدف من هذه الدراسة هو تحسين الخواص الميكانيكية للمكونات المطبوعة ثلاثية الأبعاد من خلال التنبؤ والتحليل الدقيق. تركز الدراسة على تقنية نمذجة الترسيب المنصهر (FDM) المستخدمة على نطاق واسع. يتم تدريب نموذج ANN والتحقق من صحته باستخدام البيانات التجريبية، ودمج معلمات الإدخال مثل درجة الحرارة والسرعة واتجاه الملء وسماكة الطبقة للتنبؤ بالخصائص الميكانيكية بما في ذلك إجهاد الخضوع ومعامل يونغ وقوة الشد القصوى وقوة الانثناء والاستطالة عند الكسر. تظهر النتائج فعالية نموذج ANN بمتوسط خطأ أقل من 10 ٪. تكشف الدراسة أيضًا عن التأثير الكبير لمعلمات العملية على الخواص الميكانيكية للأجزاء المطبوعة ثلاثية الأبعاد وتسلط الضوء على إمكانية تحسين هذه المعلمات لتحسين أداء المكونات المطبوعة. تساهم نتائج هذا البحث في مجال التصنيع الإضافي من خلال تقديم رؤى قيمة حول تحسين عمليات الطباعة ثلاثية الأبعاد وتسهيل تطوير مكونات مطبوعة ثلاثية الأبعاد عالية الأداء.

Translated Description (French)

Cet article de recherche présente une étude complète sur la modélisation des performances des pièces imprimées en 3D à l'aide de réseaux de neurones artificiels (RNA). L'objectif de cette étude est d'optimiser les propriétés mécaniques des composants imprimés en 3D grâce à une prédiction et une analyse précises. L'étude se concentre sur la technique largement utilisée de modélisation par dépôt fondu (FDM). Le modèle ANN est formé et validé à l'aide de données expérimentales, en incorporant des paramètres d'entrée tels que la température, la vitesse, la direction de remplissage et l'épaisseur de la couche pour prédire les propriétés mécaniques, y compris la limite d'élasticité, le module de Young, la résistance à la traction ultime, la résistance à la flexion et l'allongement à la rupture. Les résultats démontrent l'efficacité du modèle ANN avec une erreur moyenne inférieure à 10%. L'étude révèle également l'impact significatif des paramètres de processus sur les propriétés mécaniques des pièces imprimées en 3D et met en évidence le potentiel d'optimisation de ces paramètres pour améliorer les performances des composants imprimés. Les résultats de cette recherche contribuent au domaine de la fabrication additive en fournissant des informations précieuses sur l'optimisation des processus d'impression 3D et en facilitant le développement de composants imprimés en 3D haute performance.

Translated Description (Spanish)

Este artículo de investigación presenta un estudio exhaustivo sobre el modelado de rendimiento de piezas impresas en 3D utilizando redes neuronales artificiales (RNA). El objetivo de este estudio es optimizar las propiedades mecánicas de los componentes impresos en 3D a través de la predicción y el análisis precisos. El estudio se centra en la técnica ampliamente empleada de modelado de deposición fundida (FDM). El modelo ANN se entrena y valida utilizando datos experimentales, incorporando parámetros de entrada como la temperatura, la velocidad, la dirección de llenado y el espesor de la capa para predecir las propiedades mecánicas, incluido el límite elástico, el módulo de Young, la resistencia a la tracción máxima, la resistencia a la flexión y el alargamiento en la fractura. Los resultados demuestran la efectividad del modelo ANN con un error medio inferior al 10%. El estudio también revela el impacto significativo de los parámetros del proceso en las propiedades mecánicas de las piezas impresas en 3D y destaca el potencial de optimizar estos parámetros para mejorar el rendimiento de los componentes impresos. Los hallazgos de esta investigación contribuyen al campo de la fabricación aditiva al proporcionar información valiosa sobre la optimización de los procesos de impresión 3D y facilitar el desarrollo de componentes impresos en 3D de alto rendimiento.

Files

3250.pdf

Files (595.8 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:f3aea709bfbc1991b66e295adbb495d8
595.8 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
نمذجة أداء الشبكة العصبية الاصطناعية وتقييم الأجزاء المطبوعة ثلاثية الأبعاد للتصنيع الإضافي
Translated title (French)
Modélisation de la performance du réseau neuronal artificiel et évaluation des pièces imprimées en 3D de fabrication additive
Translated title (Spanish)
Modelado de rendimiento de redes neuronales artificiales y evaluación de piezas impresas en 3D de fabricación aditiva

Identifiers

Other
https://openalex.org/W4387641054
DOI
10.48084/etasr.6185

Is supplement to
https://openalex.org/W4379987333 (Other)
https://openalex.org/W4360971178 (Other)
https://openalex.org/W4286728610 (Other)
https://openalex.org/W3127609762 (Other)
https://openalex.org/W3036311796 (Other)
https://openalex.org/W3010466765 (Other)
https://openalex.org/W2962612507 (Other)
https://openalex.org/W2903231397 (Other)
https://openalex.org/W2803995364 (Other)
https://openalex.org/W2762204558 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Malaysia

References

  • https://openalex.org/W2589697858
  • https://openalex.org/W2762705427
  • https://openalex.org/W2772702140
  • https://openalex.org/W2893954686
  • https://openalex.org/W2952817546
  • https://openalex.org/W2964327398
  • https://openalex.org/W2982561647
  • https://openalex.org/W3018815244
  • https://openalex.org/W3049397280
  • https://openalex.org/W3102772155
  • https://openalex.org/W3174106220
  • https://openalex.org/W3194550334
  • https://openalex.org/W4200078849
  • https://openalex.org/W4214689439
  • https://openalex.org/W4220948779
  • https://openalex.org/W4223639284
  • https://openalex.org/W4280630568
  • https://openalex.org/W4289832726
  • https://openalex.org/W4297018306
  • https://openalex.org/W4313623228
  • https://openalex.org/W4319322245
  • https://openalex.org/W4362577144
  • https://openalex.org/W4363675029
  • https://openalex.org/W566602208