这篇文档属于类型a，是一篇关于陶瓷光固化3D打印技术的原创研究论文。以下是详细的学术报告：
主要作者及发表信息
本研究由Fatih Tarak（英国拉夫堡大学机械、电气与制造工程学院；土耳其伊斯坦布尔技术大学控制与自动化工程系）、Leah Okoruwa（英国拉夫堡大学；英国德比增材制造卓越中心）、Basar Ozkan（英国拉夫堡大学材料系）、Farzaneh Sameni（德比增材制造卓越中心）、Gerald Schaefer（英国拉夫堡大学计算机科学系）和Ehsan Sabet（通讯作者，英国拉夫堡大学）合作完成。论文标题为《AI for AM in Zirconia Ceramic Vat Photopolymerization: A Machine Learning Approach to Stabilising Slurry Suspension and Maximizing Dimensional Accuracy of the 3D Print Process》，发表于期刊Additive Manufacturing第109卷（2025年），文章编号104893。
学术背景
研究领域：本研究属于陶瓷增材制造（Additive Manufacturing, AM）领域，聚焦于光固化（Vat Photopolymerization, VP）技术中氧化锆（ZrO₂）陶瓷浆料的稳定性与尺寸精度优化问题。
研究动机：陶瓷光固化技术面临两大核心挑战：（1）高固含量浆料的流变稳定性不足，易导致沉降和打印缺陷；（2）紫外光散射引起的尺寸误差（如过固化，overcuring），影响几何精度。传统方法依赖耗时实验，缺乏系统性优化手段。
研究目标：开发一种基于幂律模型（power-law model）的浆料稳定性快速评估方法，结合机器学习（Machine Learning, ML）预测打印尺寸误差，最终实现氧化锆陶瓷浆料的高精度光固化成型。
研究流程与实验设计
1. 材料制备与分散剂筛选
- 研究对象：6种商业分散剂（Disperbyk-103/110/111/145/180、BYK-W 969）和3 mol%钇稳定氧化锆（3YSZ）粉末。
- 实验流程：
- 浆料配制：将氧化锆粉末（100℃脱水24小时）与光敏树脂单体（NVF、HDDA、DPhA等）、光引发剂（BAPO）及分散剂混合，采用行星式搅拌机（2000 rpm，15分钟）均质化。
- 流变测试：使用Brookfield RST-CPS-P流变仪（平行板间距50 μm），剪切速率0-200 s⁻¹，分析粘度-剪切速率曲线。
- 稳定性评估：提出新型幂律分段分析法，将流变数据按临界剪切速率分为剪切稀化（shear-thinning）和剪切增稠（shear-thickening）两区域，拟合幂律方程（η = Kγ̇ⁿ⁻¹），通过一致性指数（K）和流动指数（n）量化分散效果。
- 创新方法：传统沉降测试需48小时，而幂律分析法仅需数分钟，且与沉降结果一致（R²>0.95）。
2. 高固含量浆料优化
- 目标：将固含量从35 vol%提升至45 vol%，优化分散剂用量。
- 关键发现：
- BYK-145在3 wt%添加量时表现最佳，低剪切粘度（19.00 Pa·s）和流动指数（n=0.757）接近牛顿流体，表明分散稳定性最优。
- 过量分散剂（>3 wt%）会因分子间作用导致粘度回升（如BYK-111在5 wt%时K值升至72.92 Pa·s）。
3. 尺寸精度调控实验
- 影响因素：光强度（2-5.5 mW/cm²）、光引发剂（PI, 0.1-2 wt%）、白色颜料（TiO₂, 0-6 wt%）。
- 实验设计：
- 环形测试模型（内径15 mm，外径20 mm）评估横向尺寸误差（公式：|(Re-Ri)-2.5|）。
- 最优参数：5.5 mW/cm²光强、0.1 wt% PI、4 wt% TiO₂，误差最低（182 μm）。
- 机理分析：TiO₂通过吸收散射紫外光抑制过固化，但过量（>4 wt%）会加剧光散射，反增误差。
4. 机器学习模型开发
- 数据集：42组数据（PI、TiO₂、曝光时间为输入，尺寸误差为输出）。
- 算法对比：
- 人工神经网络（ANN）：12隐藏节点时性能最优（MAE=50.25 μm，R²=0.976）。
- 集成学习：10节点与12节点ANN平均融合后MAE降至48.11 μm。
- 特征重要性：曝光时间（r=0.725）和PI浓度（r=0.543）对误差影响最大，TiO₂呈弱负相关（r=-0.252）。
主要结果与逻辑链条
- 分散剂筛选：幂律分析法确认BYK-145最佳，其低K值（19.00）和高n值（0.757）表明优异的分散性与稳定性。
- 高固含量验证：45 vol%浆料中，BYK-145维持低粘度（9.55 Pa·s @30 s⁻¹），支持高精度打印。
- 尺寸优化：TiO₂调控光散射，4 wt%时误差最小（较无添加降低60%）。
- ML预测：ANN模型实现<50 μm误差预测，为配方优化提供数字化工具。
研究结论与价值
科学价值：
- 提出幂律流变分段法作为浆料稳定性的快速评估标准，突破传统沉降测试的效率瓶颈。
- 揭示TiO₂通过调控光散射抑制尺寸误差的机理，为陶瓷光固化材料设计提供新思路。
- 开发首个针对陶瓷VP的ML预测框架，实现工艺参数-性能的精准映射。
应用价值：
- 优化浆料配方（BYK-145 + 4 wt% TiO₂）可直接用于牙科、航空航天等高精度陶瓷部件制造。
- ANN模型可集成至工业3D打印系统，实时调整参数以保障打印质量。
研究亮点
- 方法创新：幂律模型替代传统沉降测试，将稳定性评估时间从48小时缩短至分钟级。
- 跨学科融合：首次将机器学习引入陶瓷光固化领域，建立“材料-工艺-性能”预测模型。
- 工业适用性：5.5 mW/cm²光强与4 wt% TiO₂的优化参数平衡效率与精度，适合规模化生产。
其他价值
- 开源复杂结构（陀螺晶格、涡轮叶片）打印验证（图11），证明优化配方的实际成型能力。
- 数据集与MATLAB代码公开，促进学术社区复用与拓展研究。
（全文约2000字）