| Автори | Chaitanya P. Kale1, P. William2 , 3 , Mohammed Almakki4, Pravin B. Khatkale1, Prashant M. Yawalkar5, Ritesh Ravindra Agwan1, Prashant V. Thokal6 |
| Афіліація |
1School of Engineering and Technology, Sanjivani University, Kopargaon, MH, India 2School of Computer Science and Technology, Karunya Institute of Technology and Sciences (Deemed University), 641114 Coimbatore, India 3Centre for Research and Consultancy, UNITAR International University, 47301 Selangor, Malaysia 4School of Engineering, Architecture and Interior Design, Amity University Dubai, P.O. Box 345019, Dubai International Academic City, United Arab Emirates 5Department of Computer Engineering, MET's Institute of Engineering, BKC, Nashik, MH, India 6Department of Electrical Engineering, Sanjivani College of Engineering, Kopargaon, MH, India |
| Е-mail | williamacads@gmail.com |
| Випуск | Том 18, Рік 2026, Номер 4 |
| Дати | Одержано 15 березня 2026; у відредагованій формі 15 серпня 2026; опубліковано online 21 серпня 2026 |
| Цитування | Chaitanya P. Kale, P. William, Mohammed Almakki, та ін., Ж. нано- електрон. фіз. 18 № 4, 04023 (2026) |
| DOI | https://doi.org/10.21272/jnep.18(4).04023 |
| PACS Number(s) | 07.05.Tp, 81.16. – c |
| Ключові слова | Машинне навчання (12) , MXene, Друк на наноматеріалах, Пневматичний 3D-друк, Якість нитки, Прогнозне моделювання, Оптимізація процесу. |
| Анотація |
Розробки наноматеріалів дозволяють створювати точні MXene, хоча пневматичний 3D-друк все ще має проблеми з однорідністю філаменту через чутливість до тиску, концентрації чорнила, діаметра сопла та швидкості. Традиційні методи спроб і помилок марнують ресурси, що підкреслює важливість інтелектуальних, керованих даними підходів для покращення параметрів, мінімізації варіацій та досягнення послідовних, високоякісних структур MXene, придатних для масштабованих застосувань. Для вирішення цієї проблеми дослідження спрямоване на розробку платформи, керованої даними, для оптимізації параметрів друку, мінімізації непередбачуваності та забезпечення однорідної якості філаменту. Було зібрано дані про філамент 3D-друку MXene з 5000 зразків, а також досліджено експериментальні умови, що впливають на формування філаменту, включаючи діаметр сопла, концентрацію чорнила, температуру, швидкість друку та вологість. Набір даних був стандартизований та очищений для нормалізації масштабів ознак та видалення викидів за допомогою нормалізації Min-max. Dynamic Snap-Drift Cuckoo Search-driven Natural Gradient Boosting (DSDCS-NGBoost) прогнозує діаметр філаменту, використовуючи ці характеристики. Модель DSDCS-NGBoost перевершує всі підключені моделі, досягаючи найнижчого значення RMSE (0,1052), MAE (0,0827) та найвищого R2 (0,9253), що свідчить про чудову точність прогнозування та надійний контроль ширини філаменту в друку MXene. Цей підхід підкреслює можливість інтелектуальних алгоритмів поєднувати експериментальну точність з нановиробництвом промислового масштабу. |
|
Перелік посилань |