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

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。