Minimizing Material Waste and Energy Consumption in 3D Printing Using Multi-Objective Machine Learning Optimization
الكلمات المفتاحية:
التصنيع بالإضافة؛ نمذجة الترسيب المنصهر (FDM)؛ التنبؤ باستهلاك الطاقة؛ مادة الدعم؛ اختيار اتجاه الطباعة؛ أمثلية باريتو؛ التحقق القائم على تجميع المكوناتالملخص
يمكن لتقنية نمذجة الترسيب المنصهر (Fused Deposition Modeling - FDM) أن تقلل من فاقد مواد القطع، إلا أنها لا تزال تستهلك الطاقة الكهربائية ومواد الدعم (Support Material) التي تُزال بعد الطباعة. تهدف هذه الدراسة إلى تطوير منهجية متعددة الأهداف تعتمد على التعلم الآلي لاختيار أوضاع الطباعة الأكثر كفاءة في استخدام الموارد. واعتمدت الدراسة على مجموعة البيانات العامة r3DiM، التي تضم 184 سجلًا لطباعة مادة PET-G موزعة على 68 مكونًا ميكانيكيًا. وقد اختُبر لكل مكون اتجاهان أو ثلاثة اتجاهات للطباعة مع تثبيت جميع إعدادات الطابعة. وتم قياس إجمالي استهلاك الطاقة الكهربائية تجريبيًا، في حين استُخدم برنامج PrusaSlicer لتقدير كتلة خيوط مادة الدعم المستهلكة. واستُخدمت أربعة عشر خاصية هندسية وما قبل الطباعة لتدريب سبعة نماذج انحدار مختلفة. كما استُخدم أسلوب تحقق متكرر قائم على تجميع المكونات لضمان عدم انتقال اتجاهات المكون نفسه بين مجموعات التدريب والاختبار. وقد حقق نموذج XGBoost أفضل أداء في التنبؤ باستهلاك الطاقة، حيث بلغ متوسط الجذر التربيعي لمتوسط مربع الخطأ (RMSE) 9.174 واط·ساعة، بينما وصل متوسط معامل التحديد (R²) إلى 0.969 عبر جميع طيات التحقق. أما نموذج Extra Trees فقد كان الأفضل في التنبؤ بكمية مادة الدعم المهدرة، محققًا قيمة RMSE بلغت 0.656 غرام ومتوسط R² قدره 0.768. بعد ذلك، استُخدم اختيار باريتو (Pareto) المعتمد على التنبؤات المتقاطعة لتقييم جميع اتجاهات الطباعة المتاحة لكل مكون غير مرئي مسبقًا. وأظهرت النتائج أن الاتجاهات المختارة خفّضت متوسط استهلاك الطاقة بنسبة 5.44% مقارنةً بالاتجاه المرجعي القريب من الصفر درجة، مع فترة ثقة بطريقة Bootstrap بنسبة 95% تراوحت بين 3.06% و8.04%. في المقابل، بلغ متوسط التوفير في مادة الدعم −0.020 غرام، وهو فرق غير ذي دلالة إحصائية. كما أن 11.8% فقط من المكونات حققت تحسنًا متزامنًا في هدفي تقليل استهلاك الطاقة وتقليل مادة الدعم. وتوضح هذه النتائج أن ارتفاع دقة
التنزيلات
المراجع
1. Altun, F., Bayar, A., Hamzat, A. K., Asmatulu, R., Ali, Z., & Asmatulu, E. (2025). AI-driven innovations in 3D printing: Optimization, automation, and intelligent control. Journal of Manufacturing and Materials Processing, 9(10), 329. https://doi.org/10.3390/jmmp9100329
2. Balogun, V. A., Kirkwood, N. D., & Mativenga, P. T. (2014). Direct electrical energy demand in fused deposition modelling. Procedia CIRP, 15, 38–43. https://doi.org/10.1016/j.procir.2014.06.029
3. El Idrissi, M. A. E. Y., Laaouina, L., Jeghal, A., Tairi, H., & Zaki, M. (2022). Energy consumption prediction for fused deposition modelling 3D printing using machine learning. Applied System Innovation, 5(4), 86. https://doi.org/10.3390/asi5040086
4. El Idrissi, M. A. E. Y., Laaouina, L., Jeghal, A., Tairi, H., & Zaki, M. (2023). Modeling of energy consumption and print time for FDM 3D printing using multilayer perceptron network. Journal of Manufacturing and Materials Processing, 7(4), 128. https://doi.org/10.3390/jmmp7040128
5. Ford, S., & Despeisse, M. (2016). Additive manufacturing and sustainability: An exploratory study of the advantages and challenges. Journal of Cleaner Production, 137, 1573–1587. https://doi.org/10.1016/j.jclepro.2016.04.150
6. Gibson, I., Rosen, D., Stucker, B., & Khorasani, M. (2021). Additive manufacturing technologies (3rd ed.). Springer. https://doi.org/10.1007/978-3-030-56127-7
7. Hopkins, N., Jiang, L., & Brooks, H. (2021). Energy consumption of common desktop additive manufacturing technologies. Cleaner Engineering and Technology, 2, 100068. https://doi.org/10.1016/j.clet.2021.100068
8. Jiang, J., Xu, X., & Stringer, J. (2018). Support structures for additive manufacturing: A review. Journal of Manufacturing and Materials Processing, 2(4), 64. https://doi.org/10.3390/jmmp2040064
9. Kellens, K., Baumers, M., Gutowski, T. G., Flanagan, W., Lifset, R., & Duflou, J. R. (2017). Environmental dimensions of additive manufacturing: Mapping application domains and their environmental implications. Journal of Industrial Ecology, 21(S1), S49–S68. https://doi.org/10.1111/jiec.12629
10. Manford, D., Budinoff, H. D., Callaghan, B. J., & Jeon, Y. (2023). Towards a general model to predict energy consumption for fused filament fabrication. Manufacturing Letters, 35, 1358–1365. https://doi.org/10.1016/j.mfglet.2023.08.114
11. Peng, T. (2016). Analysis of energy utilization in 3D printing processes. Procedia CIRP, 40, 62–67. https://doi.org/10.1016/j.procir.2016.01.055
12. Qin, J., Hu, F., Liu, Y., Witherell, P., Wang, C. C. L., Rosen, D. W., Simpson, T. W., Lu, Y., & Tang, Q. (2022). Research and application of machine learning for additive manufacturing. Additive Manufacturing, 52, 102691. https://doi.org/10.1016/j.addma.2022.102691
13. Rojek, I., Mikołajewski, D., Macko, M., Szczepański, Z., & Dostatni, E. (2021). Optimization of extrusion-based 3D printing process using neural networks for sustainable development. Materials, 14(11), 2737. https://doi.org/10.3390/ma14112737
14. Rojek, I., Mikołajewski, D., Kempiński, M., Galas, K., & Piszcz, A. (2025). Emerging applications of machine learning in 3D printing. Applied Sciences, 15(4), 1781. https://doi.org/10.3390/app15041781
15. Song, R., & Telenko, C. (2017). Material and energy loss due to human and machine error in commercial FDM printers. Journal of Cleaner Production, 148, 895–904. https://doi.org/10.1016/j.jclepro.2017.01.171
16. Szemeti, G., & Ramanujan, D. (2022). An empirical benchmark for resource use in fused deposition modelling 3D printing of isovolumetric mechanical components. Procedia CIRP, 105, 183–191. https://doi.org/10.1016/j.procir.2022.02.030
17. Vidakis, N., Kechagias, J. D., Petousis, M., Vakouftsi, F., & Mountakis, N. (2023). The effects of FFF 3D printing parameters on energy consumption. Materials and Manufacturing Processes, 38(8), 915–932. https://doi.org/10.1080/10426914.2022.2105882
18. Yang, J., & Liu, Y. (2020). Energy, time and material consumption modelling for fused deposition modelling process. Procedia CIRP, 90, 510–515. https://doi.org/10.1016/j.procir.2020.02.130
التنزيلات
منشور
إصدار
القسم
الرخصة
الحقوق الفكرية (c) 2026 Rafat S. A. Abumandil, Abdussalam Ali Ahmed, Omar Ahemed Mohamed Edbeib (Author)
هذا العمل مرخص بموجب Creative Commons Attribution 4.0 International License.
