水凝胶在软体机器人与柔性电子中被广泛使用，直写是其主要的成型手段之一。作者指出，墨水的流变行为与可打印性之间的关系至今认识不足，实践中仍以试打为主：改变配方后先打印一个简单图案，目视判断线条是否连续、堆叠是否塌陷，再据此调整。
问题在于常规流变测量与真实打印工况之间存在错位。稳态剪切给出黏度曲线，小振幅振荡给出线性黏弹区的储能模量与损耗模量，两者都处在"小扰动"或"恒定剪切"的理想条件下。而打印过程中，墨水经历的是一连串极端状态：在料筒中静置、在喷嘴内承受高应变率剪切、挤出后迅速卸载并需要在数秒内恢复弹性以维持形状。这些过程涉及非线性响应与瞬态恢复，无法由线性黏弹参数完整刻画。
作者因此选择大振幅振荡剪切（LAOS）作为核心表征手段。LAOS 让样品在连续增大的应变幅值下振荡，可同时捕捉线性区、屈服点与屈服后的非线性行为；其循环加载形式与打印中反复流动—停止的工况更为接近。这一选择构成了本工作方法论的起点。
研究共纳入 150 组水凝胶配方，每组均完成流变测试与实际打印。打印在受控条件下进行：压力范围 10–230 kPa，喷嘴为 22G（内径 410 µm）与 27G（内径 200 µm）两种，体积流量统一维持在约 1.9×10⁻³ mL/s，开方图案单件 4 s 完成，圆柱结构需 170 s。
保真度的量化不依赖目视评分，而通过图像分析完成。作者设计了两个方向的评价：水平方向以单层线条的开方图案为载体；垂直方向以直径 10 mm、高 4 mm 的圆柱为载体，由十层圆形叠印而成，侧视图像在统一条件下采集后投影到目标形状的侧视矩形上。
两个指标分别命名为"打印误差"与"打印不一致性"。前者衡量实际轮廓与设计轮廓的偏离程度，反映尺寸准确度；后者衡量同一结构内部的均匀性，反映线条宽度或层高的波动。二者对工艺的意义不同：误差可通过切片补偿部分修正，不一致性则直接决定结构能否稳定复现。这种把准确度与一致性分开度量的做法，避免了用单一分数掩盖两类不同性质的缺陷。
流变测试的前处理被严格控制以保证可比性：样品先以 10 的应变预剪切 300 s，再静置 180 s 松弛，以消除历史应变的影响；测试采用 40 mm 平行板并做喷砂处理以避免壁滑。三段式触变测试（3ITT）的顺序为：0.1 s⁻¹ 持续 120 s、100 s⁻¹ 持续 10 s、再回到 0.1 s⁻¹ 持续 120 s。
其中高应变率段取 100 s⁻¹，作者说明这是按喷嘴内的有效应变率估算得出，用以模拟墨水通过喷嘴时的剪切条件；低应变率段取 0.1 s⁻¹，用以代表墨水在料筒中或挤出后的状态。这一对应关系是把流变参数与打印工况连接起来的关键。
图1｜从流变表征到可打印性预测的整体研究框架（对应原文 Fig. 1）
图4｜水平与垂直可打印性的图像量化方法（对应原文 Fig. 4）
输入特征来自常规流变与 LAOS 两类测量。常规量包括屈服应力与屈服应变——作者将其定义为储能模量相对线性区数值下降超过 5% 时所对应的应力或应变幅值；还包括线性区的储能模量、损耗模量，以及 3ITT 给出的恢复率。恢复率定义为高应变率施加前 0.1 s⁻¹ 下的黏度，与高应变率施加 10 s 后回到 0.1 s⁻¹ 时的黏度之比。
LAOS 量则提供屈服前后的非线性指标，用以刻画大变形下的结构演化。作者最终整理出十一类特征变量，涵盖弹性、黏性、屈服与恢复四个维度。
模型选用随机森林回归。该算法的特点是能处理特征之间的非线性与交互作用，且对特征尺度不敏感，适合样本量有限、变量间存在共线性的情形。数据集按 70% 训练、30% 验证随机划分，并采用五折交叉验证评估稳定性。这一设置的意义在于：若只用单次划分，模型可能因样本分布偶然性而高估或低估性能。
图2｜LAOS 与打印四个子过程中的流变转变对比（对应原文 Fig. 2）
图3｜常规流变测量提取的特征变量与屈服判据（对应原文 Fig. 3）
图5｜五折交叉验证与随机森林预测流程（对应原文 Fig. 5）
对水平打印误差，模型的均方根误差为 10.07%；对水平打印不一致性，均方根误差为 6.40%。作者据此表述为"在 10% 误差范围内实现可靠预测"，即仅凭流变测量即可在成型前判断某配方在单层图案上的表现。
变量重要性分析显示，影响水平保真度的主要变量来自 LAOS 分析中与挤出后恢复和松弛相关的指标。这一结果的物理解释是清晰的：单层线条的成型质量取决于墨水离开喷嘴后能否迅速重建弹性网络。恢复过慢，线条在表面张力作用下收缩成珠；恢复过快，则在喷嘴出口处过早固化，造成牵丝或断裂。
换言之，水平方向的成败主要发生在"挤出之后"。这与常规认识一致，但作者给出了定量依据：在众多候选变量中，恢复与松弛类指标的贡献度高于单纯的屈服应力或零剪切黏度。这提示配方设计时，若目标是改善单层线条质量，应优先调节触变恢复速率，而非一味提高屈服应力。
图6｜水平打印误差与不一致性的预测结果及置换重要性（对应原文 Fig. 6）
对垂直打印误差，均方根误差为 6.65%；对垂直不一致性，为 8.31%。两项指标均落在 10% 以内，说明模型对多层堆叠的预测能力与单层相当。
变量重要性则呈现明显不同的图景：垂直保真度主要受喷嘴内高应变率流动下的黏性响应支配。其机理在于，多层堆叠的每一层都在为下一层提供支撑，而决定支撑能力的是挤出瞬间的丝径与截面形状——这两者由喷嘴内的流动行为决定。高应变率下的黏度越高，挤出胀大越明显、丝径越粗，但所需压力也越高；黏度过低则丝径偏细，层间接触面积不足。
作者由此得出一个具有工艺意义的结论：水平与垂直两个方向的调控变量并不重合。改善单层线条质量的配方调整（提高恢复速率）未必能改善堆叠质量（需要调节高剪切黏度），反之亦然。这一分野在以往的经验判据中常被混为一谈，实践中表现为"单层打得好、堆起来就塌"或"堆得稳、线条却不连续"。
图7｜垂直打印误差与不一致性的预测结果及置换重要性（对应原文 Fig. 7）
作者对适用范围作了限定。数据库中的 150 组样品均为水凝胶体系，模型的预测能力建立在这一材料族内；对陶瓷浆料、金属墨水或高填充复合体系，特征分布可能显著不同，需重新训练。
测试条件也被固定：两种喷嘴内径、单一流量、特定压力区间。当喷嘴尺寸或流量偏离训练范围时，喷嘴内有效应变率随之改变，而 3ITT 中的高应变率段是按原条件设定的，此时流变指标与工况的对应关系会松动。这一限制提示后续工作可把喷嘴几何与流量作为额外输入，使模型覆盖更宽的工艺窗口。
样本量是另一项约束。150 组对机器学习而言规模有限，随机森林虽对过拟合有一定耐受性，但仍难以覆盖配方空间的全部区域；作者采用五折交叉验证来评估泛化能力，可视为对这一限制的回应。
从方法论角度看，本工作的价值在于把"可打印性"这一模糊概念拆成了可测、可算的量：输入是标准流变仪就能给出的参数，输出是图像分析得到的两个明确指标。这使配方筛选从"打一个看看"转为"测一遍再算"，在需要遍历大量配方的场景中可显著降低试打次数。
图8｜剪切诱导非均匀性与下垂行为对打印一致性的影响（对应原文 Fig. 8）
这项工作的启发在于，可打印性并非单一属性，而是沿成型方向分裂的两组属性。单层线条考核的是挤出后的结构重建能力，多层堆叠考核的是挤出瞬间的流动状态，两者的主导流变参数不同，调控手段也不同。把这一分野用数据固定下来，配方设计的试错范围便可显著收窄：先明确目标是线条质量还是堆叠高度，再针对性地调节对应的流变区间。
铂邦科技是 DIW 浆料直写 3D 打印设备厂家，设备软硬件全栈自研，内置诸多工程算法，可快速构建网格、晶格、二十四面体等平面与三维结构；算法一键生成点阵打印代码，并支持手绘建模，无需 CAD 工程背景。全栈工程师团队，支持你提想法、我们开发算法加硬件。
此外，我们也提供从料筒、针头到挤出模块的全链条通用配件，兼容不同品牌的主流 DIW 设备（不区分设备品牌），并支持整机定制开发与设备升级。
📌 持续跟踪 DIW 前沿？关注「铂邦科技」公众号，获取本文完整配图版、更多文献解读与原创工艺手记。查看全部技术前沿 →
扫码关注，第一时间获取 DIW / DLP / 静电纺丝 3D 打印技术前沿、顶刊解读与设备资讯
微信扫一扫，或长按识别二维码关注
正在加载推荐文章……