直写成形工艺制备的功能梯度材料零件时变挤出系统建模

doi:10.3969/j.issn.1004-132X.2026.02.021

摘要/Abstract

摘要：

高精度的计算流体力学表征模型会带来极高的时间成本，这给具有高频次复杂梯度变化的功能梯度材料零件的表征带来挑战。建立了以贝叶斯正则化神经网络为预测模型的时变挤出系统，首先通过高精度的计算流体动力学仿真模型获取数据集并用于训练神经网络模型，将材料目标比例、料腔中初始比例、双进料口流量总和以及适配的螺杆转速作为输入参数，标记交付延迟时间以及过渡延迟时间作为输出参数，再将训练后贝叶斯正则化神经网络融合经典控制理论对系统描述的方法构建完整的时变挤出系统。最后通过打印功能梯度材料样件验证了所构建的计算流体动力学仿真模型以及时变挤出系统的准确性与适用性。

关键词: 功能梯度材料零件, 直写成形工艺, 计算流体动力学, 贝叶斯正则化神经网络, 时变挤出系统

Abstract:

High-precision CFD models are time-consuming， creating challenges for the frequent gradient variations in FGMs part printing. Therefore， a time-varying extrusion system was established using a Bayesian regularization neural network as the prediction model. High-precision CFD simulation data sets were first obtained to train the neural network model， with input parameters including the target materials ratio， initial ratio in the chamber， total flow rate of the dual feed rate， and the adapted screw speed. The output parameters were labeled as delivery delay time and transition delay time. Then， the trained Bayesian regularized neural network was merged with the classical control theory approach to system description to construct the complete time-varying extrusion systems.

Key words: functionally graded materials（FGMs） part, direct ink writing process, computational fluid dynamics（CFD）, Bayesian regularized neural network, time-varying extrusion system

中图分类号:

TB34

王世杰, 段国林. 直写成形工艺制备的功能梯度材料零件时变挤出系统建模[J]. 中国机械工程, 2026, 37(2): 466-475.

WANG Shijie, DUAN Guolin. Modelling of Time-varying Extrusion Systems for Fabrication of FGMs Parts by Direct Ink Writing Processes[J]. China Mechanical Engineering, 2026, 37(2): 466-475.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.02.021

https://www.cmemo.org.cn/CN/Y2026/V37/I2/466

图/表 17

图1 主动混料系统模型

Fig.1 Mixing system model

表1 混料系统结构参数

Tab.1 Mixing system structural parameters

名称	数值	名称	数值
螺杆长度/mm	60	销钉高度/mm	1
螺杆大径/mm	8	输入口直径/mm	2
螺杆小径/mm	6	挤出口直径/mm	0.5
螺距/mm	8	收缩角度/（°）	65
螺槽高度/mm	1	收缩段大径/mm	8
螺槽宽度/mm	7	成形段长度/mm	6
螺杆转速（r·min $- 1$ ）	21～45	进料口速率和（mm·s $- 1$ ）	0.4～1

表1 混料系统结构参数

Tab.1 Mixing system structural parameters

名称	数值	名称	数值
螺杆长度/mm	60	销钉高度/mm	1
螺杆大径/mm	8	输入口直径/mm	2
螺杆小径/mm	6	挤出口直径/mm	0.5
螺距/mm	8	收缩角度/（°）	65
螺槽高度/mm	1	收缩段大径/mm	8
螺槽宽度/mm	7	成形段长度/mm	6
螺杆转速（r·min $- 1$ ）	21～45	进料口速率和（mm·s $- 1$ ）	0.4～1

图2 两种材料的流变特性曲线

Fig.2 Rheological characteristic curves of two materials

表2 材料流变特性参数

Tab.2 Material rheological parameters

材料	稠度系数 $K$ /（ $P a ⋅ s n$ ）	量纲一流性系数 $n$
A	59.59	0.31
B	67.68	0.32

表2 材料流变特性参数

Tab.2 Material rheological parameters

材料	稠度系数 $K$ /（ $P a ⋅ s n$ ）	量纲一流性系数 $n$
A	59.59	0.31
B	67.68	0.32

图3 CFD模拟结果

Fig.3 Simulation result of CFD model

图4 贝叶斯正则化神经网络模型

Fig.4 Bayesian regularized neural networks model

图5 贝叶斯正则化神经网络训练结果

Fig.5 Training result of the Bayesian regularized neural network

图6 贝叶斯正则化神经网络预测结果与CFD仿真结果对比

Fig.6 Comparison of Bayesian regularized neural network results and CFD results

表3 输入层-隐藏层神经元权重与偏置

Tab.3 Input layer-hidden layer neuron weights and bias

神经元	输入层节点1	输入层节点2	输入层节点3	输入层节点4	偏置
1	0.0462	0.0087	$-$ 0.037	0.0624	0.1695
2	$-$ 0.5147	$-$ 0.2851	0.9686	0.3219	0.6197
3	0.0461	0.0086	$-$ 0.0369	0.0621	0.1688
4	$-$ 0.0463	$-$ 0.0087	0.037	$-$ 0.0625	$-$ 0.1698
5	0.0231	0.003	$-$ 0.0151	0.0231	0.0666
6	0.786	0.1731	0.5943	0.4138	$-$ 0.5373
7	0.0463	0.0087	$-$ 0.037	0.0624	0.1696
8	$-$ 0.1406	$-$ 0.2974	$-$ 0.0317	0.101	$-$ 0.1909
9	0.0457	0.0083	$-$ 0.0362	0.0606	0.1652
10	$-$ 0.0462	$-$ 0.0087	0.037	$-$ 0.0623	$-$ 0.1694

表3 输入层-隐藏层神经元权重与偏置

Tab.3 Input layer-hidden layer neuron weights and bias

神经元	输入层节点1	输入层节点2	输入层节点3	输入层节点4	偏置
1	0.0462	0.0087	$-$ 0.037	0.0624	0.1695
2	$-$ 0.5147	$-$ 0.2851	0.9686	0.3219	0.6197
3	0.0461	0.0086	$-$ 0.0369	0.0621	0.1688
4	$-$ 0.0463	$-$ 0.0087	0.037	$-$ 0.0625	$-$ 0.1698
5	0.0231	0.003	$-$ 0.0151	0.0231	0.0666
6	0.786	0.1731	0.5943	0.4138	$-$ 0.5373
7	0.0463	0.0087	$-$ 0.037	0.0624	0.1696
8	$-$ 0.1406	$-$ 0.2974	$-$ 0.0317	0.101	$-$ 0.1909
9	0.0457	0.0083	$-$ 0.0362	0.0606	0.1652
10	$-$ 0.0462	$-$ 0.0087	0.037	$-$ 0.0623	$-$ 0.1694

表4 隐藏层-输出层神经元权重与偏置

Tab.4 Hidden layer-output layer neuron weights and bias

神经元	1	2	3	4	5	6
输出节点1	0.1742	$-$ 0.6838	0.1735	$-$ 0.1745	0.0675	$-$ 0.5071
输出节点2	0.087	$-$ 0.1946	0.0866	$-$ 0.0871	0.035	$-$ 0.5838
神经元	7	8	9	10	偏置
输出节点1	0.1743	$-$ 0.0349	0.1697	$-$ 0.1741	0.7766
输出节点2	0.0871	$-$ 0.3633	0.0848	$-$ 0.0869	0.4969

表4 隐藏层-输出层神经元权重与偏置

Tab.4 Hidden layer-output layer neuron weights and bias

神经元	1	2	3	4	5	6
输出节点1	0.1742	$-$ 0.6838	0.1735	$-$ 0.1745	0.0675	$-$ 0.5071
输出节点2	0.087	$-$ 0.1946	0.0866	$-$ 0.0871	0.035	$-$ 0.5838
神经元	7	8	9	10	偏置
输出节点1	0.1743	$-$ 0.0349	0.1697	$-$ 0.1741	0.7766
输出节点2	0.0871	$-$ 0.3633	0.0848	$-$ 0.0869	0.4969

图7 时变挤出系统工作原理

Fig.7 Working principle of the time-varying extrusion system

图8 FGMs零件3D打印样机

Fig.8 FGMs part 3D printer

图9 FGMs挤出丝及材料A系统输入比例变化

Fig.9 FGMs extruded filament and material A system input ratio

图10 挤出丝数字图像处理结果

Fig.10 The result of digital image processing of extruded filaments

图11 功能梯度材料样件设计

Fig.11 Design of the functionally graded materials specimen

图12 时变挤出系统响应曲线及功能梯度材料打印样件

Fig.12 Response curve of time-varying extrusion system and FGMs specimen

图13 FGMs样件材料梯度分布结果

Fig.13 Material gradient distribution results of FGMs sample

参考文献 25

[1]	LI Xinwei， KIM M， ZHAI Wei. Ceramic Microlattice and Epoxy Interpenetrating Phase Composites with Simultaneous High Specific Strength and Specific Energy Absorption［J］. Materials & Design， 2022， 223： 111206.
[2]	HURDOGANOGLU D， SAFAEI B， SAHMANI S， et al. State-of-the-art Review of Computational Static and Dynamic Behaviors of Small-scaled Functionally Graded Multilayer Shallow Arch Structures from Design to Analysis［J］. Archives of Computational Methods in Engineering， 2024， 31（1）： 389-453.
[3]	COFFIGNIEZ M， GREMILLARD L， BOULNAT X. Sinter-based Additive Manufacturing of Graded Porous Titanium Scaffolds by Multi-inks 3D Extrusion［J］. Advanced Engineering Materials， 2023， 25（4）： 2201159.
[4]	GEORGE S M， NAYAK C， SINGH I， et al. Multifunctional Hydroxyapatite Composites for Orthopedic Applications： a Review［J］. ACS Biomaterials Science & Engineering， 2022， 8（8）： 3162-3186.
[5]	ZHANG Yabo， YANG Huiling， LEI Shaoqian， et al. Preparation of Biodegradable Mg/Β-TCP Biofunctional Gradient Materials by Friction Stir Processing and Pulse Reverse Current Electrodeposition［J］. Acta Metallurgica Sinica （English Letters）， 2020， 33（1）： 103-114.
[6]	刘腾达，汤磊，孙畅宁，等. 3D打印连续纤维复合假肢接受腔Z向强化制造策略［J］. 机械工程学报， 2022， 58（7）： 267-275.
	LIU Tengda， TANG Lei， SUN Changning， et al. Z-direction Enhancing Manufacturing Strategy for 3D Printing Prosthetic Socket of Continuous Fiber Composite［J］. Journal of Mechanical Engineering， 2022， 58（7）： 267-275.
[7]	CAÑO P， HINOJOSA M， NGUYEN H， et al. Hybrid III-V/SiGe Solar Cells Grown on Si Substrates through Reverse Graded Buffers［J］. Solar Energy Materials and Solar Cells， 2020， 205： 110246.
[8]	SAM M， RADHIKA N. Development of Functionally Graded Cu–Sn–Ni/Al₂O₃ Composite for Bearing Applications and Investigation of Its Mechanical and Wear Behavior［J］. Particulate Science and Technology， 2019， 37（2）： 220-231.
[9]	KUMAR P， SHARMA S K， SINGH R K R. Recent Trends and Future Outlooks in Manufacturing Methods and Applications of FGM： a Comprehensive Review［J］. Materials and Manufacturing Processes， 2023， 38（9）： 1033-1067.
[10]	REN Luquan， SONG Zhengyi， LIU Huili， et al. 3D Printing of Materials with Spatially Non-linearly Varying Properties［J］. Materials & Design， 2018， 156： 470-479.
[11]	马维东，李淑娟，杨磊鹏，等. 功能梯度材料的低温挤压成形过程建模与实验研究［J］. 中国机械工程， 2019， 30（13）： 1600-1606.
	MA Weidong， LI Shujuan， YANG Leipeng， et al. Modeling and Experimental Study on Freeze-form Extrusion Fabrication of FGMS［J］. China Mechanical Engineering， 2019， 30（13）： 1600-1606.
[12]	TANG Danna， HAO Liang， LI Yan， et al. Dual Gradient Direct Ink Writing for Formation of Kaolinite Ceramic Functionally Graded Materials［J］. Journal of Alloys and Compounds， 2020， 814： 152275.
[13]	GUO Weiwei， JIANG Zhaoliang， ZHONG Honghao， et al. Impact of Online Mixing via KSM on the Accuracy of Ingredient Deposition in Manufacturing FGMS［J］. International Journal of Mechanical Sciences， 2023， 241： 107971.
[14]	GUO Weiwei， JIANG Zhaoliang， ZHANG Cheng， et al. Fabrication Process of Smooth Functionally Graded Materials through a Real-time Inline Control of the Component Ratio［J］. Journal of the European Ceramic Society， 2021， 41（16）： 256-265.
[15]	LI Wenbin， ARMANI A， MARTIN A， et al. Extrusion-based Additive Manufacturing of Functionally Graded Ceramics［J］. Journal of the European Ceramic Society， 2021， 41（3）： 2049-2057.
[16]	波坦特 H. 挤出工程设计与计算［M］. 北京：中国石化出版社， 1986：136-140.
	POTENE H. Verfahrenstechnische Auslegung Von Plastifizier-und Schmelzeaggregaten［M］.Beijing： China Petrochemical Press， 1986：136-140.
[17]	BRACKETT J， YAN Yongzhe， CAUTHEN D， et al. Characterizing Material Transitions in Large-scale Additive Manufacturing［J］. Additive Manufacturing， 2021， 38： 101750.
[18]	WANG Shijie， ZHOU Jing， DUAN Guolin， et al. Optimization of Pin Type Single Screw Mixer for Fabrication of Functionally Graded Materials［J］. Applied Sciences， 2024， 14（3）： 1308.
[19]	王世杰，杨杰，马硕，等. 机器学习在功能梯度材料设计-制备中的应用综述［J］. 材料导报， 2023， 37（21）： 111-119.
	WANG Shijie， YANG Jie， MA Shuo， et al. A Review： Applications of Machine Learning in Design-fabrication of Functionally Graded Materials［J］. Materials Reports， 2023， 37（21）： 111-119.
[20]	YU Jiangong， WU Bin. The Inverse of Material Properties of Functionally Graded Pipes Using the Dispersion of Guided Waves and an Artificial Neural Network［J］. NDT & E International， 2009， 42（5）： 452-458.
[21]	YU Jiangong. Determination of Material Properties of Functionally Graded Hollow Cylinders Using Artificial Neural Network［C］∥Proceedings of the 2009 International Conference on Measuring Technology and Mechatronics Automation. Zhangjiajie， 2009： 202-205.
[22]	YU C L， YANG H， ZHAO D C， et al. Prediction of the Sintering Shrinkage of Glass-alumina Functionally Graded Materials by a BP Artificial Neural Network［J］. Science of Sintering， 2009， 41（3）： 257-266.
[23]	CASTELAIN C， MOKRANI A， LEGENTILHOMME P， et al. Residence Time Distribution in Twisted Pipe Flows： Helically Coiled System and Chaotic System［J］. Experiments in Fluids， 1997， 22（5）： 359-368.
[24]	ORISALEYE J I， ADEFUYE O A， OGUNDARE A A， et al. Parametric Analysis and Design of a Screw Extruder for Slightly Non-Newtonian （Pseudoplastic） Materials［J］. Engineering Science and Technology， an International Journal， 2018， 21（2）： 229-237.
[25]	WONG M L， LEE S Y， LEUNG K S. Data Mining of Bayesian Networks Using Cooperative Coevolution［J］. Decision Support Systems， 2004， 38（3）： 451-472.