东京理科大学研究团队开发出一种基于机器学习的碳纳米管（CNT）线材3D打印精度优化方法，可将几何误差降低近80%。研究表明，影响打印精度的关键因素并非线材直径，而是纤维的扭转角。通过可解释AI模型自动修正打印偏差，成功实现半径仅0.7毫米的高精度打印。该成果为碳纤维复合材料、轻量化无人机零部件等领域的智能制造提供了新的技术路径，推动3D打印进入数据驱动与自我校正的新阶段。
东京理科大学的研究人员使用机器学习提升碳纳米管线材3D打印精度
东京理科大学的一项新研究揭示了一种利用机器学习辅助的方法，大幅提高碳纳米管（CNT）线材3D打印的精度，使几何误差减少近80%。这项由佐野淳郎（Junro Sano）和松崎良介（Ryosuke Matsuzaki）进行的研究发表在《Composites Part C: Open Access》期刊上，展示了一种可解释的人工智能模型如何通过自动修正打印偏差，将线材的扭转角而非直径确定为影响精度的最关键因素。
CNT线材3D打印的实验装置。 线轴被放置在喷嘴上方，以防止线材在曲线打印过程中出现弯折。图片来源：Sano & Matsuzaki / 东京理科大学。
用机器学习实现基于纤维的高精度打印
传统的连续碳纤维增强聚合物（CCFRP）3D打印依赖较厚且易碎的线材，这限制了打印部件可实现的最小曲率，通常大于1.5毫米。相比之下，碳纳米管线材具有纳米级直径和更高的柔韧性，使其非常适合打印细小且曲率复杂的结构。
为了量化线材扭转角与直径对打印质量的影响，研究人员使用碳纳米管线材（直径0.15毫米）和Markforged类型的碳纤维线材（直径0.4毫米）打印了不同扭转角度（从 -23° 到 35°）的圆形测试路径。他们在显微镜下测量半径偏差和宽度变化，并使用LightGBM机器学习模型结合SHAP分析，确定哪些参数对打印精度影响最大。
扭转与未扭转碳纳米管线材及碳纤维线材的半径误差对比图，展示了扭转角在打印精度中的主导作用。 图片来源：Sano & Matsuzaki / 东京理科大学。
扭转角比直径更能影响精度
SHAP分析揭示了一种此前未知的关系：打印方向与扭转角之间的相互作用决定了沉积纤维会向内还是向外偏移。这一发现至关重要。研究团队发现，线材的扭转角，而非其细小的直径，是减少曲线路径半径误差的主要因素。
通过建立一个将模型预测反馈至打印机设置的闭环系统，他们实现了半径误差的79.3%降低，从而能够打印半径仅0.7毫米的圆形结构。模型的预测精度通过R²值为0.891得到验证。
打印方向与扭转角的关系图。 图片来源：Sano & Matsuzaki / 东京理科大学。
从实验室走向轻量化无人机
为了展示其在现实中的可行性，研究团队使用反馈控制过程3D打印了一个无人机臂部组件。未使用反馈打印的部件相比设计图出现明显收缩，而采用机器学习反馈校正的部件则与设计尺寸高度一致，展示了机器学习优化的碳纳米管线材打印在轻量化复合材料制造中的巨大潜力。
未使用（左）与使用（右）机器学习反馈校正打印的无人机臂组件对比，展示了精确的尺寸控制。 图片来源：Sano & Matsuzaki / 东京理科大学。
迈向数据驱动的复合材料制造
该研究强调了可解释机器学习如何帮助改进连续纤维增材制造的精度，通过自动补偿几何偏差实现更高的打印一致性。研究作者指出，这种方法还可扩展至纤维增强热塑性材料及其他复杂曲率几何结构，为更智能、数据驱动的复合材料制造铺平道路。
这项研究补充了越来越多利用人工智能与数据驱动控制提升增材制造精度的研究成果。今年早些时候，阿伦大学（Aalen University）的研究人员推出了一种高精度监测系统，以提高金属打印的可靠性并实现自适应校正。同时，机器学习已被用于加速定向能量沉积（DED）研究，帮助实时预测过程结果并优化参数。另一项AI控制3D打印的研究也展示了在尺寸精度与一致性方面的显著提升。
总体而言，这些进展共同指向一个闭环、自我修正的增材制造未来。在这一未来中，由佐野与松崎开发的模型等技术，将使纤维增强复合材料步入智能制造的新范式。
