.png){kind=icon}
返回
Improving E-jet process capabilities with black box machine learning
.png){kind=icon}
PRE
AI
DOI：10.1007/s00170-025-17045-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电场辅助流体动力学（E-jet）打印可实现高分辨率增材制造，但选择合适的过程参数以获得正确的特征尺寸至关重要。本研究开发并验证了一个随机森林（RF）回归模型，以基于三个过程参数（间距高度、施加电压和墨水流量）预测液滴直径。我们采用3³全因子实验设计（包含27种不同组合，每种试验重复3次，总计81次试验运行），全面比较了五种机器学习算法——线性回归、支持向量回归、K近邻、人工神经网络和随机森林。RF模型在独立测试数据（n=8）上表现更优，其液滴直径预测的均方根误差（RMSE）为23.76 μm，决定系数（R²）为0.9747，平均绝对百分比误差（MAPE）为2.99%。不纯度下降均值、置换重要性和部分依赖图均显示，流量是最重要的预测因子（70.3%），其次是间距高度（22.2%）和施加电压（7.4%）。这些发现通过100次不同随机种子的严格测试验证，性能稳定（测试R²=0.966±0.021，CV=2.2%）。误差分析表明残差呈正态分布（Shapiro-Wilk检验p=0.070），且不存在系统偏差，因此确认该模型可靠。这种黑箱方法有助于利用有限的训练数据对E-jet过程进行适当优化，与传统的试错技术相比，可节省实验资源。
Keyword:
Additive manufacturing
Printed electronics
E-jet
Inkjet
Artificial intelligence
Random forest
Machine learning
Process optimization
期刊
T
IF:
0
论文数:
2.0K
被引数:
0
机构
引用论文
Advances in multimodal electrohydrodynamic printing for high-resolution sensor fabrication: mechanisms, materials, and applications多模态电液动力打印技术在高分辨率传感器制造中的进展：机理、材料与应用.png)
Nanoscale
NanoscaleIF0
PREAI
分享收藏Electrohydrodynamic inkjet printing of Pd loaded SnO2 nanofibers on a CMOS micro hotplate for low power H2 detectionAIP Advances
OAAI
AIP AdvancesIF0
OAAI分享收藏
Design optimization of ink in electrohydrodynamic jet printing: Effect of viscoelasticity on the formation of Taylor cone jet电流体动力喷射打印中墨水的设计优化: 粘弹性对泰勒锥射流形成的影响MATERIALS & DESIGN
MATERIALS & DESIGNIF7.9
PREAI
分享收藏
查看更多内容