Data-Driven Optimization of Processing Parameters for Advanced Ceramic Printing

Abstract

A manufatura aditiva de cerâmicas, em particular do carbeto de silício (SiC), revela grande potencial para a produção de componentes de alto desempenho com notável resistência mecânica, térmica e química. Contudo, a complexidade dos processos de impressão 3D por extrusão e a interdependência de parâmetros como velocidade de impressão, fator de extrusão, teor de SiC e diâmetro do bico apresentam desafios significativos para se alcançar precisão dimensional consistente e integridade estrutural. Abordagens tradicionais de tentativa e erro são demoradas e frequentemente não revelam as interações não lineares e sutis entre variáveis de processamento e qualidade final das peças. Esta tese preenche essa lacuna ao desenvolver um framework sistemático e orientado a dados para otimizar parâmetros de impressão de pastas cerâmicas à base de SiC, utilizando Otimização Bayesiana com surrogates de Processo Gaussiano (GP). Pastas cerâmicas foram formuladas em uma gama de composições para exibirem a reologia de afinamento ao cisalhamento necessária para extrusão confiável (M’Barki; Bocquet; Stevenson, 2017). Experimentos planejados variaram parâmetros-chave, e o uso de escaneamento 3D de alta resolução, aliado ao alinhamento de nuvens de pontos, quantificou objetivamente a precisão dimensional e a retenção de forma (Pomerleau; Colas; Siegwart, 2015). Modelos de GP de Tarefa Única (STGP) e GP de Tarefa Única Mista (MSTGP) foram treinados com esses dados para capturar as relações entre configurações de entrada e qualidade de impressão. Os principais achados incluem o desempenho superior do MSTGP — capaz de lidar com variáveis contínuas e categóricas — em comparação ao STGP. A validação experimental apresentou uma precisão média de Q = 0,7690 frente à predição de 0,8808 pelo MSTGP. Os ganhos iniciais de otimização não foram conclusivos devido à diversidade limitada do conjunto de treinamento. Ao incorporar novos dados de validação e retreinar o modelo, a precisão predita subiu para Q = 0,9230, ressaltando o papel crítico do aprendizado iterativo na convergência em direção ao verdadeiro ótimo. Esses resultados confirmam que a Otimização Bayesiana com GP oferece um caminho eficaz e econômico para navegar em espaços de parâmetros complexos na impressão 3D de cerâmicas. As metodologias aqui desenvolvidas podem ser estendidas a outros materiais e processos, abrindo caminho para uma manufatura mais rápida e confiável de componentes cerâmicos personalizados e de alto desempenho.

Additive manufacturing of ceramics, and in particular silicon carbide (SiC), holds great promise for producing high-performance components with outstanding mechanical, ther- mal, and chemical resilience. However, the complexity of extrusion-based 3D printing processes and the interdependence of parameters such as printing speed, extrusion fac- tor, SiC content, and nozzle diameter pose significant challenges to achieving consistent dimensional accuracy and structural integrity. Traditional trial-and-error approaches are time-consuming and often fail to reveal the nuanced, nonlinear interactions between processing variables and final part quality. This thesis addresses that gap by developing a systematic, data-driven framework for op- timizing SiC-based ceramic paste printing parameters using Bayesian Optimization with Gaussian Process (GP) surrogates. Ceramic pastes were formulated across a range of com- positions to exhibit the shear-thinning rheology required for reliable extrusion (M’Barki; Bocquet; Stevenson, 2017). Designed experiments varied key parameters, and high- resolution 3D scanning coupled with point-cloud alignment quantified dimensional ac- curacy and shape retention objectively (Pomerleau; Colas; Siegwart, 2015). Both Single Task GP (STGP) and Mixed Single Task GP (MSTGP) models were trained on this data to capture the relationships between input settings and print quality. Key findings include the superior performance of MSTGP—capable of handling continuous and categorical variables—over STGP. Experimental validation yielded a mean accuracy of Q = 0.7690 versus the MSTGP prediction of 0.8808. Initial optimization gains weren’t conclusive due to limited diversity in the training set. By incorporating new validation data and retraining the model, the predicted accuracy rose to Q = 0.9230, underscoring the critical role of iterative learning in converging toward true optima. These results confirm that Bayesian Optimization with GP provides an effective, resource- efficient route to navigate complex parameter spaces in ceramic 3D printing. The method- ologies developed here can be extended to other materials and processes, paving the way for more rapid, reliable manufacturing of customized, high-performance ceramic components.