在制造業蓬勃發展的當下，3D 打印技術憑借其獨特優勢成為研究熱點，而人工智能（AI）的融入更為其發展注入新活力。本綜述聚焦 AI 在可持續聚合物及復合材料 3D 打印優化中的應用，深入剖析二者融合在材料選擇、工藝優化、性能預測、設計改進及質量控制等方面的關鍵作用，并對環境影響進行評估，探討面臨的挑戰與未來前景，為推動 3D 打印技術可持續發展提供全面參考。

關鍵詞

3D 打印；人工智能；先進制造；可持續性；技術進步

一、引言

塑料污染已成為全球性環境難題，2021 年全球塑料產量超 3.9 億噸，亞太地區貢獻超 1.9 億噸 ，包裝行業塑料用量占比超 40%，但全球塑料回收率僅約 9% 。大量塑料垃圾流入海洋，對生態系統造成嚴重破壞。在此背景下，可持續聚合物和復合材料的應用成為應對塑料污染的關鍵。預計到 2028 年，全球可生物降解塑料市場規模將超 209 億美元，年復合增長率達 21.3%，凸顯環保材料的重要性。

3D 打印和 AI 作為兩項具有變革性的技術，正重塑未來制造業格局。3D 打印能直接根據數字模型逐層制造復雜零部件，在小批量、定制化生產中優勢顯著。AI 則通過模擬人類認知功能，如感知、推理、學習和解決問題，提升各領域效率。二者融合在制造業掀起創新浪潮，不僅革新生產流程，還助力實現可持續發展目標。然而，當前對其融合在材料選擇、預測建模、設計優化和質量控制等方面的綜合研究仍顯不足，因此，深入探討二者協同作用對推動先進制造業發展意義重大。

二、3D 打印可持續聚合物及復合材料概述

2.1 可持續聚合物及復合材料的定義與分類

可持續聚合物可從多維度定義：由環保、可再生原料制成，具備可回收或環保處置方式；源于可再生材料，擁有閉環生命周期；滿足消費和企業需求，且無健康、環境和經濟負面影響。其主要分為天然聚合物（如纖維素、淀粉等）和合成生物基聚合物（如聚乳酸 PLA、聚羥基脂肪酸酯 PHA 等）。部分可持續聚合物可生物降解，如 PLA、PBS；部分則需合理的回收策略，如聚烯烴、PET 等。

可持續復合材料是含聚合物基體與增強纖維或顆粒的材料，旨在降低環境影響、促進生態平衡。其可持續性體現在使用環保原料、降低制造能耗、確保可回收或再利用等方面，還具備耐用、低毒等特性，符合循環經濟理念。例如，天然纖維復合材料將麻、亞麻等纖維融入聚合物；生物復合材料結合天然纖維與生物基聚合物；木塑復合材料以木纖維增強聚合物，減少對合成材料的依賴。

通過使用可生物降解和可回收的聚合物實現可持續發展的3D打印

2.2 3D 打印對可持續發展的促進作用

3D 打印可持續聚合物及復合材料是實現環保生產的先進技術手段。通過選用可再生來源的可生物降解聚合物和回收聚合物，3D 打印制品可自然分解，減少填埋垃圾，降低生態影響；將回收聚合物或復合材料融入打印過程，構建閉環系統，減少原生材料需求，有效管理塑料垃圾。此外，3D 打印的定制化特性確保設計精準優化，減少材料浪費，在維持結構完整性的同時實現材料高效利用，推動產品全生命周期的可持續發展。

三、AI 在 3D 打印中的應用概述

3.1 AI 的發展歷程與分類

1956 年，約翰?麥卡錫在達特茅斯研討會上首次提出 “人工智能” 概念，標志其成為獨立研究領域。AI 旨在讓機器模擬人類智能過程，包括學習、推理和自我修正，可分為窄 AI（弱 AI）和通用 AI（強 AI）。窄 AI 專注特定任務，能力出色但通用性受限；通用 AI 具備人類般智能，可處理多領域任務，目前仍處于理論探索階段。

AI 發展歷經多個階段：20 世紀 50 - 80 年代的符號 AI，聚焦邏輯規則和專家系統；80 - 90 年代的聯結主義 AI，探索神經網絡和并行處理；21 世紀頭十年的統計 AI，機器學習和統計技術興起；2010 年代至今的現代 AI，深度學習、強化學習和大規模數據處理取得突破。機器學習作為 AI 核心領域，通過學習算法訓練模型識別模式、解決問題，主要學習范式包括監督學習、無監督學習和強化學習。

人工智能從誕生到 2023 年的歷史

3.2 AI 在 3D 打印中的作用

在工業 4.0 時代，3D 打印數據量劇增，AI 尤其是機器學習在其中發揮關鍵作用。機器學習算法可優化打印參數，提升打印質量和效率；輔助選擇可持續材料、設計復合材料配方；構建預測模型，深入研究聚合物和復合材料打印行為，實現實時調整，獲取理想打印效果；用于質量控制和缺陷檢測，確保 3D 打印部件質量一致性和可靠性，在航空航天等高標準領域至關重要。同時，機器學習賦能生成式設計和模擬，優化結構設計，提升有限元分析和計算流體動力學模擬效果。不過，AI 與 3D 打印融合也面臨數據獲取、實時反饋、硬件兼容等諸多挑戰。

四、AI 驅動的 3D 打印工藝優化

4.1 工藝優化的重要性

優化 3D 打印工藝對實現高效、高質量、低成本生產意義重大。精準調整打印參數，如速度、溫度、層厚等，可減少材料浪費和制造成本，提高時間效率，滿足快速周轉需求；改善打印產品表面質量、尺寸精度和層間附著力，提升整體質量；實現參數定制，精確打印復雜幾何形狀和精細設計；確保與不同材料兼容，避免變形，提高材料利用率；提高能源效率、設備利用率，推動 3D 打印技術廣泛應用。

4.2 優化策略與案例

為應對 3D 打印參數優化難題，研究人員提出多種策略。Oberloier 等人開發 “PSO Experimenter” 平臺，運用粒子群優化算法優化回收低密度聚乙烯 3D 打印，大幅降低生產成本和參數優化時間 。Ganitano 等人設計低成本熔融沉積建模 3D 打印機的自主校準系統，利用元啟發式算法和計算機視覺技術，實現復雜模型打印參數優化，提高打印精度 。

此外，Abdollahi 等人提出專家引導優化策略，結合專家經驗和實時反饋優化參數，增強算法通用性；Rojek 等人運用人工神經網絡預測 3D 打印過程中的電耗和空氣污染，為可持續生產提供決策支持；Kumar 等人采用基于鯨魚優化算法的人工神經網絡，優化 FDM 工藝參數，降低表面粗糙度、體積誤差和生產時間；Phogat 等人利用遺傳算法和人工神經網絡預測和優化 PLA 材料的磨損率，確定最佳打印參數組合 。在缺陷檢測方面，Yang 等人結合遷移學習和集成學習，提高 3D 打印部件圖像缺陷檢測精度；Albahkali 和 Fouly 等人運用自適應神經模糊推理系統優化 PLA 復合材料的生物醫學性能，提升材料硬度、抗壓性和耐磨性。

這些研究雖取得顯著成果，但在方法局限性和可擴展性方面仍需深入探討，以適應不同材料、打印機和實際生產場景。

五、基于 AI 的 3D 打印材料選擇

AI 技術顯著提升 3D 打印材料選擇的科學性和精準性。AI 系統可構建并維護龐大的材料數據庫，實時更新各類 3D 打印材料的性能參數、適用工藝及兼容性信息 。機器學習算法能依據打印條件預測材料性能，如模擬不同溫度、速度下材料的機械行為，為工藝優化提供依據；綜合考量成本、環境影響等因素，篩選出最適宜的材料，降低生產成本和環境負荷 。同時，AI 通過收集和分析打印物體的實際性能數據，形成反饋回路，不斷優化材料選擇模型，實現材料選擇的個性化定制，滿足特定應用需求。

Xue 等人運用機器學習技術，通過變分自動編碼器和生成對抗網絡自動選擇設計參數，控制彈性模量，成功優化多材料 3D 打印結構 。Rojek 等人利用人工神經網絡和遺傳算法，優化 FDM 工藝制備 3D 打印手部外骨骼部件的材料選擇，使 PLA + 材料在彈性方面表現卓越，優化后的部件實現了拉伸力與輕量化的平衡。

六、基于 AI 的預測建模提升 3D 打印性能

6.1 打印參數優化與性能預測

理解 3D 打印的最佳參數對提升打印部件性能至關重要。Teharia 等人運用人工神經網絡評估多種打印參數對 PLA 拉伸強度的影響，通過田口實驗設計確定關鍵參數，優化得到最佳參數組合，顯著提高拉伸強度 。Ali 等人采用田口方法和人工神經網絡預測 FDM 打印 PLA 部件的拉伸強度，對比不同優化器效果，確定最優參數 。Deb 等人利用人工神經網絡研究多個參數對打印部件屬性的影響，開發多個模型預測拉伸強度、表面粗糙度和尺寸精度，得到各屬性的最佳參數。

6.2 材料性能模擬與預測

準確模擬和預測 3D 打印材料的機械性能，有助于優化打印工藝、實現預期材料性能。Grozav 等人構建人工神經網絡預測模型，模擬 FDM 打印 PLA 的力學行為，精確預測拉伸強度，為數值模擬提供可靠材料模型 。Jatti 等人優化打印參數，提高 PLA 部件的拉伸、沖擊和彎曲強度，并建立數學模型預測性能 。Moradi 等人運用人工神經網絡和遺傳算法優化 PLA 打印部件生產，考慮厚度偏差、成本和韌性等因素，確定最佳參數，凸顯混合算法優勢。

此外，Jayasudha 等人對比多種監督學習模型預測 3D 打印部件的拉伸強度，發現 XGBoost 算法性能最佳 。Tura 等人結合人工神經網絡和模糊邏輯預測 3D 打印結果，分析各參數影響，人工神經網絡預測精度更高 。Charalampous 等人運用機器學習回歸算法預測不同打印條件下的拉伸強度，KNN 模型表現最優 。Cai 等人利用響應面法、人工神經網絡和隨機森林優化 3D 打印連續苧麻纖維增強聚丙烯復合材料的參數，提高材料強度和成型效率。

這些研究表明，AI 在 3D 打印預測建模中作用顯著，不同模型和算法各有優劣，需根據具體應用選擇合適方法。

七、AI 輔助 3D 打印設計與幾何優化

7.1 AI 驅動的設計創新

AI 驅動的設計和幾何優化為多領域帶來創新變革。生成式設計借助 AI 快速生成多種設計方案，拓撲優化可優化幾何形狀，提高結構完整性、減輕重量。與傳統方法相比，AI 輔助設計可縮短設計迭代時間 30 - 50%，減輕部件重量 10 - 50%，降低制造成本 6 - 20% 。同時，AI 還能實現自動化模擬和測試，減少對物理原型的依賴。

Sangeun 等人運用生成模型優化工程設計，綜合考量工程性能和美學因素，評估設計新穎性，構建回歸模型解決數據不足問題 。Yao 等人提出混合機器學習算法，為 3D 打印概念設計推薦特征，提高設計效率，減少設計時間和人力成本 。Yao 等人還利用多目標遺傳算法和知識專家系統，優化 3D 打印工藝設置，平衡成本與靈活性，適用于多種 3D 打印技術。

7.2 拓撲優化與性能提升

在拓撲優化領域，Kumar 等人通過 3D 掃描輔助參數化建模和 ANSYS Workbench 優化定制夾板拓撲結構，提高散熱性能，減輕夾板重量 。Rade 等人提出基于深度學習的拓撲優化方法，利用卷積神經網絡和多網格技術，減少計算時間，成功打印復雜模型 。Rasulzade 等人運用基于卷積神經網絡的拓撲優化方法，減少 3D 打印結構材料用量，保持結構剛度 。Saleh 等人利用自適應神經模糊推理系統預測 3D 打印 TPMS 結構性能，優化材料和設計，提高結構力學性能 。

Pollák 和 T?r?k 運用生成優化設計技術，對辦公椅塑料靠背進行設計優化，減少材料消耗 。Grozav 等人開發人工神經網絡預測模型，為有限元分析建立材料模型，驗證材料性能預測準確性 。Fouly 等人研究 3D 打印 PLA - 棗核復合材料在矯形應用中的性能，利用有限元分析和人工神經網絡評估力學性能，提高材料機械性能預測精度。

這些研究展示了 AI 在 3D 打印設計和幾何優化中的顯著成效，推動產品設計向高效、高性能方向發展。

八、基于 AI 的 3D 打印質量控制與缺陷檢測

AI 技術的融入推動 3D 打印質量控制和缺陷檢測取得顯著進展。AI 驅動的算法能有效識別 3D 打印物體的缺陷，檢測率超 80% 。通過訓練機器學習模型，可精準識別層錯位、孔隙、不規則等常見缺陷，并利用實時監測功能在打印過程中及時發現缺陷，減少材料浪費和時間成本，在航空航天、醫療等對精度要求極高的領域至關重要，有助于提高 3D 打印部件質量和可靠性。

Paraskevoudis 等人運用基于 AI 的計算機視覺技術識別 3D 打印缺陷，可實時調整打印參數或暫停打印，減少廢品率 。Sharma 等人利用決策樹預測 FDM 打印不同幾何形狀的尺寸變化，為優化打印工藝提供依據 。Westphal 等人運用先進機器學習算法分析環境傳感器數據，實現 FDM 工藝質量實時評估和過程監控 。Kadam 等人構建計算機視覺系統，結合機器學習算法和集成學習技術，早期檢測 3D 打印缺陷，提高表面缺陷檢測精度 。

此外，Scheffel 等人強調環境傳感器參數在監測和分類中的重要性，對比多種機器學習架構，確定適用于實時評估的模型 。Delli 等人開發 Python 代碼，結合圖像處理和支持向量機，實時檢測 3D 打印部件質量 。Straub 等人設計基于可見光成像的系統，檢測 3D 打印機材料使用錯誤，保障大規模生產質量 。Nascimento 等人提出基于 AI 計算機視覺的質量評估方法，適用于 FDM 打印部件批量生產質量檢測。

Lyu 和 Manoochehri 開發在線激光監測和閉環控制系統，確保 3D 打印部件幾何精度和表面質量 。Chen 等人提出原位點云處理方法，用于 3D 打印表面缺陷檢測，提高檢測精度 。Sarabi 等人利用機器學習預測 3D 打印微針陣列質量，評估皮膚穿透能力和藥物遞送潛力 。Charalampous 等人構建視覺實時監測系統，檢測 3D 打印尺寸誤差，實現自動化質量保證 。Kumar 等人提出分層故障檢測方法，運用支持向量機和集成學習技術，提高 3D 打印故障檢測精度 。Rachmawati 等人開發數字孿生系統，結合輕量級卷積神經網絡，實現 FDM 3D 打印機實時故障監測和反饋 。Kumar 等人對比多種機器學習算法進行 3D 打印機異常檢測，發現長短期記憶網絡精度最高。

這些研究成果展示了 AI 在 3D 打印質量控制和缺陷檢測中的強大能力，為提高 3D 打印產品質量提供了有效手段。

九、環境影響評估

制造業在推動經濟發展的同時，也帶來諸多環境問題。為應對這些挑戰，制造商積極采用節能技術，AI 和機器學習在其中發揮重要作用。機器學習可分析制造過程數據，優化能源管理，提高能源效率，為可持續制造提供決策支持 。借助工業 4.0 技術，如物聯網傳感器、數據分析和云計算，可實現經濟高效的能源監測，精準識別能源消耗模式，為改進生產流程、降低能耗提供依據。

Kumar 等人開發機器學習算法，識別 FDM 打印過程中的增值、非增值和必要非增值能源，通過實驗訓練模型，準確分類能源消耗數據，為用戶提供節能建議 。El idrissi 等人運用神經網絡預測 FDM 打印的能耗和時間，對比多種機器學習算法，確定最優模型，為成本優化提供參考 。Rojel 等人利用人工神經網絡優化 3D 打印肘部外骨骼設計，減少材料浪費和能耗，實現輕量化和高效生產。

生命周期評估（LCA）是評估產品或過程環境影響的標準化方法。Kumar 等人提出基于信息物理生產系統的 3D 打印產品實時 LCA 框架，通過實時監測和優化，降低環境影響 。Rojek 等人構建人工神經網絡評估 3D 打印的電力消耗和空氣污染，為可持續生產提供數據支持 。這些研究表明，機器學習和 LCA 相結合，有助于實現制造業可持續發展，減少溫室氣體排放，推動綠色生產。

十、挑戰與未來展望

10.1 面臨的挑戰

AI 與 3D 打印融合雖前景廣闊，但仍面臨諸多挑戰。AI 算法需具備更強適應性，以兼容多樣的 3D 打印材料和技術，開發實時學習和自適應算法是關鍵 。倫理問題，如數據保護和 AI 合理使用，需制定行業標準和倫理框架加以規范 。數據有限和材料相互作用復雜，制約 AI 模型訓練和性能提升，全球合作與信息共享迫在眉睫 。此外，實現 AI 集成 3D 打印技術的經濟可行性和廣泛可及性，還需深入規劃和技術創新。

10.2 未來機遇

未來，AI 將為 3D 打印帶來眾多機遇。先進的生成式設計算法可創造更復雜、優化的結構，推動產品設計創新 。AI 對大量數據的快速分析能力，有助于實現 3D 打印產品個性化定制，滿足消費者多樣化需求 。在環保方面，AI 可優化 3D 打印工藝，減少材料浪費，促進可持續材料使用，降低生態足跡 。結合工業 4.0 原則，AI 集成 3D 打印將實現智能制造，通過實時監測和數據驅動決策，提高生產效率和質量。為把握這些機遇，需加強合作創新，積極應對倫理挑戰，推動 AI 與 3D 打印融合技術持續發展。

十一、結論

本綜述全面探討了 AI 在 3D 打印技術中的重要作用。優化打印參數對提升 3D 打印質量、降低成本、提高效率至關重要，機器學習技術如人工神經網絡、粒子群優化算法等在參數優化中成效顯著，有效降低生產成本、縮短打印時間 。在缺陷檢測方面，遷移學習和集成學習結合展現強大優勢，提高檢測精度，減少材料和時間浪費。

AI 在設計和幾何優化領域成果斐然，尤其在生成式設計和拓撲優化方面，大幅縮短設計迭代時間、降低制造成本，基于深度學習的方法能應對復雜優化任務 。同時，AI 在預測 3D 打印材料機械性能、優化結構性能方面表現出色，提高產品質量和可靠性。

在質量控制和缺陷檢測方面，AI 驅動的方法顯著提升檢測精度，減少廢品率，在關鍵行業保障產品質量 。此外，AI 在制造業可持續發展中作用突出，助力優化能源效率、推動環保制造，神經網絡模型在預測能耗、優化打印參數方面發揮重要作用。

原始文獻：

Malik Hassan, Manjusri Misra, Graham W. Taylor, Amar K. Mohanty, A review of AI for optimization of 3D printing of sustainable polymers and composites, Composites Part C: Open Access, Volume 15, 2024, 100513, ISSN 2666-6820,

https://doi.org/10.1016/j.jcomc.2024.100513.