▲AMF2025年2期封面

研究背景及目的

梯度功能材料（FGM），特别是具有连续成分梯度的复合材料，可实现单一部件内性能的空间调控，在航空航天、生物医疗等领域需求迫切，但传统制造工艺难以制备。基于螺杆的材料挤出3D打印技术（S-MEX）为连续梯度复合材料的制备提供了新途径。然而，材料组分变化引发的熔体流变状态波动，导致工艺参数与材料组分难以精确匹配，阻碍了打印精度的提升。本研究旨在利用可逆神经网络（INN）构建挤出过程的可逆预测模型，实现流量的精准前向预测与工艺参数的反向优化，从而提升可变材料3D打印的精度与控制性。

研究方法与结果

论文亮点

（1）开发了基于可逆神经网络（INN）的挤出预测模型，仅用70组训练数据即实现双向预测：正向预测流率（R²=0.852），逆向优化工艺参数（R²=0.877）。模型首次应用于可变材料3D打印，解决逆问题效率显著。（2）INN结合优化算法能在1.27秒内生成5000组参数并筛选最优解，大幅提升工艺调试效率。（3）开发动态螺杆转速调控策略，解决材料切换时的流量波动问题，使线宽精度提高77%，表面粗糙度降低51%，材料梯度偏差从40mm缩小至10mm内。

试验方法

采用自主研发的可变材料3D打印系统，采集0-40wt%短碳纤维增强聚醚醚酮（SCF/PEEK）在不同材料组分、螺杆转速（2-5r/min）和挤出温度（380-440℃）组合下的挤出流率，共生成80组参数数据。基于此数据集，利用可逆神经网络（INN）进行双向训练：通过交替前向（工艺参数→流率）和逆向（流率→工艺参数）学习，结合k折分层交叉验证防止过拟合，并评估20-70组训练数据量对模型精度的影响。训练后INN执行四步优化：首先生成5000组潜在参数样本，筛除超范围值（材料组分±5%，温度395-405℃）；通过梯度下降法局部优化，选取材料组分最接近设计值的参数组合。以目标流率11.78 mm³/s（对应1mm喷嘴和15mm/s打印速度）验证模型，对比实测流率误差。进一步打印X/Z向梯度材料样品，对比恒速与变速策略的线宽误差、材料梯度偏差及表面粗糙度，采用光学显微镜和激光共聚焦显微镜量化表征。

图1.可变材料3D打印系统与挤出预测模型的可逆神经网络架构：(a)可变材料3D打印系统；(b)挤出预测模型的可逆神经网络架构（40wt% SCF/PEEK：40%短碳纤维增强聚醚醚酮）。

结果

本研究在可变材料3D打印中应用可逆神经网络（INN），得出以下关键结果：首先，INN模型在训练70组样本时表现出高效性能：正向预测流量（输入材料成分、螺杆转速和挤出温度）的精度R²达0.852，逆向优化工艺参数（针对目标流量）的精度R²达0.877，优化后的流量误差控制在±7.0%以内，验证了模型在双向映射中的可靠性。其次，工艺窗口分析显示，纯聚醚醚酮（PEEK）材料具有最宽的加工范围，而40 wt%短碳纤维增强PEEK（SCF/PEEK）的工艺窗口最窄，需精确控制螺杆转速（变化±0.25r/min即可显著影响流量），以确保挤出稳定性。最后，采用基于INN的动态螺杆转速调控策略后，相比固定参数方法，可变材料打印样件的性能显著提升：线宽误差平均绝对误差降低了62%，材料梯度偏差（X向和Z向）分别减少76%和67%，表面粗糙度最大降低52%，同时表面缺陷明显减少，从而实现了更均匀的材料分布和打印质量。这些数据证实了INN在优化可变材料挤出过程中的有效性，为可变材料3D打印提供了新途径。

图2.恒定与可变螺杆速度下X方向可变材料样品的照片、碳纤维含量及线宽误差：(a)恒定与可变速度样品的照片；(b)不同X轴坐标下恒定与可变速度样品的线宽误差及目标值；(c)不同X轴坐标下恒定与可变速度样品的碳纤维含量及目标值。

图3.恒定与可变螺杆速度下Z方向可变材料样品的照片、碳纤维含量、表面粗糙度及三维表面形貌：(a)恒定与可变速度样品的照片；(b)不同Z轴坐标下恒定与可变速度样品的碳纤维含量及目标值；(c)不同Z轴坐标下恒定与可变速度样品的表面粗糙度；(d)恒定与可变速度样品在Z=65mm处的三维表面形貌。

结论与应用前景

本研究开发了一种基于可逆神经网络（INN）的挤出预测模型，通过70组样本训练实现了对0-40wt%短碳纤维增强聚醚醚酮（SCF/PEEK）材料挤出过程的双向精准预测。该模型在正向（参数→流量）和逆向（流量→参数）预测中分别达到0.852和0.877的准确度，且优化参数的计算仅需1.27秒。实验表明，集成INN的动态螺杆转速调控策略显著提升了打印质量：线宽精度提高77%，材料梯度偏差从40mm降至10mm以内，表面粗糙度降低51%。该技术为变材料3D打印提供了高效的动态参数调控方案，展现了机器学习在可变材料3D打印中的强适应性与优化潜力。

在未来的研究中，通过整合多传感器反馈与强化学习技术，有望实现全自主实时参数优化。这将有力推动该技术在航空航天、生物医疗等领域的复杂梯度材料构件制造中的应用，同时为多材料智能打印提供高效解决方案。

总结与启示

该研究成功证明了可逆神经网络（INN）挤出预测模型在解决螺杆挤出式变材料3D打印核心难题上的高效性。针对材料组分连续变化引发的熔体流变波动，INN仅需70组数据即构建出精准的双向预测模型。其开发的动态螺杆转速调控策略，显著提升了打印精度并大幅压缩了材料梯度偏差，为连续梯度材料的精准制造提供了创新方案。

在梯度功能材料的制备方面，升华三维基于自主研发的粉末挤出3D打印技术（PEP），开发出了梯度功能材料打印法，采用颗粒喂料按梯度设计自动调控混合打印成型，可实现材料的连续性梯度变化。现已推出可制备金属/陶瓷功能梯度材料的3D打印设备。可为FGM新材料的开发及产品制备，提供设计模拟和试验支持。此项研究为升华三维突破梯度功能材料打印的精度与效率瓶颈提供了极具价值的理论方法和实践策略。随着PEP技术的进化，升华三维将积极拥抱并适配智能化方向，探索构建融合实时过程监控、智能算法优化和自主决策的AI智能PEP平台，以引领金属/陶瓷梯度增材制造的新范式。

引用论文：Yunze Wang, Beining Zhang, Siwei Lu, Chuncheng Yang, Ling Wang, Jiankang He, Changning Sun, Dichen Li. Effectiveness of invertible neural network in variable material 3D printing: Application to screw-based material extrusion. Additive Manufacturing Frontiers, Volume 4, Issue 2, 2025, 200222.

.来源声明：原文来自公众号AMF增材制造前沿，经本平台整理发布。仅代表作者个人观点，作者水平有限，如有不科学之处，请在下方留言指正！