Thanh bên bài viết

PDF
Số xuất bản: Số 85 (2026): Số 85 (01/2026)
Chuyên mục: KỸ THUẬT VÀ CÔNG NGHỆ HÀNG HẢI
DOI: 10.65154/jmst.787
Ngày xuất bản: 30/01/2026
Lượt xem 0
Downloads 0
Trích dẫn bài báo
Vũ, V. Q., Đinh, X. T., & Vũ, T. T. T. (2026). NGHIÊN CỨU TỐI ƯU THÔNG SỐ IN 3D FDM SỬ DỤNG KẾT HỢP THIẾT KẾ THỰC NGHIỆM TAGUCHI VÀ TOPSIS (OPTIMIZED STUDY OF 3D FDM PRINTING PARAMETERS USING COMBINED TAGUCHI EXPERIMENTAL DESIGN AND TOPSIS ). Tạp chí Khoa học Công nghệ Hàng hải, 85, 21-29. https://doi.org/10.65154/jmst.787
Crossref
Scopus
Google Scholar
Europe PMC

NGHIÊN CỨU TỐI ƯU THÔNG SỐ IN 3D FDM SỬ DỤNG KẾT HỢP THIẾT KẾ THỰC NGHIỆM TAGUCHI VÀ TOPSIS (OPTIMIZED STUDY OF 3D FDM PRINTING PARAMETERS USING COMBINED TAGUCHI EXPERIMENTAL DESIGN AND TOPSIS )

Vũ Viết Quyền1, Đinh Xuân Thành1, Vũ Thị Thu Trang1,
1 Viện Cơ khí, Trường Đại học Hàng hải Việt Nam

Nội dung chính của bài viết

Tóm tắt

Bài báo trình bày phương pháp tối ưu hóa đa mục tiêu cho các thông số in 3D FDM sử dụng vật liệu PLA. Nghiên cứu đề xuất một phương pháp lai kết hợp thiết kế thí nghiệm Taguchi L9 với phương pháp TOPSIS để giải quyết các mâu thuẫn khi tối ưu hóa đồng thời nhiều đặc tính đầu ra. Ba thông số đầu vào gồm nhiệt độ in, tốc độ in và đường kính đầu in đã được khảo sát. Các mục tiêu đầu ra bao gồm tối đa hóa độ cứng, độ dai va đập và tối thiểu hóa khối lượng mẫu. Phương pháp Entropy được sử dụng để xác định trọng số khách quan cho từng tiêu chí, sau đó phương pháp TOPSIS được áp dụng để chuyển bài toán đa mục tiêu thành một bài toán đơn mục tiêu thông qua việc tính toán hệ số tương đối gần CCi. Kết quả phân tích Taguchi-TOPSIS đã xác định bộ thông số tối ưu gồm nhiệt độ in là 220°C, tốc độ in là 40mm/s và đường kính đầu in là 0,3mm. Phân tích ANOVA của hệ số CCi cho thấy nhiệt độ in là thông số có ảnh hưởng lớn nhất tác động 49,25% đến hiệu suất đa mục tiêu, tiếp theo là tốc độ in 23,99% và đường kính đầu in 21,53%. Phương pháp này đã chứng minh tính hiệu quả trong việc tìm ra một giải pháp mạnh mẽ cho việc tối ưu hóa quy trình in 3D FDM.

Abstract

This paper presents a multi-objective optimization method for FDM 3D printing parameters using PLA material. The study proposes a hybrid method combining Taguchi L9 design of experiments with TOPSIS method to resolve conflicts when optimizing multiple output properties simultaneously. Three input parameters including printing temperature, printing speed and printhead diameter were investigated. The output objectives include maximizing stiffness, impact toughness and minimizing sample mass. Entropy method was used to determine the objective weight for each criterion, then TOPSIS method was applied to convert the multi-objective problem into a single-objective problem by calculating a relative coefficient close to CCi. The Taguchi-TOPSIS analysis results determined the optimal parameter set including printing temperature of 220°C, printing speed of 40 mm/s and printhead diameter of 0.3mm. ANOVA analysis of CCi coefficient showed that printing temperature was the most influential parameter affecting multi-objective performance by 49.25%, followed by printing speed by 23.99% and printhead diameter by 21.53%. This method proved to be effective in finding a robust solution for optimizing the FDM 3D printing process.

Keywords: Multi objective optimization, FDM, PLA, Taguchi, TOPSIS.

Từ khóa

Tối ưu hóa đa mục tiêu, FDM, PLA, Taguchi, TOPSIS

Chi tiết bài viết

Tài liệu tham khảo

[1] Ahmad, N. N., Wong, Y. H. & Ghazali, N. N. N. (2022). A systematic review of fused deposition modeling process parameters. In Soft Science (Vol. 2, Issue 3).
https://doi.org/10.20517/ss.2022.08.
[2] Chinchanikar, S., Shinde, S., Shaikh, A., Gaikwad, V. & Ambhore, N. H. (2024). Multi-objective Optimization of FDM Using Hybrid Genetic Algorithm-Based Multi-criteria Decision-Making (MCDM) Techniques. Journal of The Institution of Engineers (India): Series D, Vol.105(1).
https://doi.org/10.1007/s40033-023-00459-w.
[3] Dimitrellou, S., Strantzali, E. & Iakovidis, I. (2025). A decision-making strategy for selection of FDM-based additively manufactured thermoplastics for industrial applications based on material attributes. Sustainable Futures, Vol9, 100640. https://doi.org/10.1016/J.SFTR.2025.100640.
[4] Horný, L., Petřivý, Z., Sobotka, Z., Kohan, M., Balint, T., Chlup, H., Kronek, J., Mendová, K., Hudák, R., Schnitzer, M., Danko, M. & Hlubeňová, J. (2025). Notes on constitutive modeling of 3D-printed PLA materials. Journal of the Mechanical Behavior of Biomedical Materials, Vol.169, 107083.
https://doi.org/10.1016/J.JMBBM.2025.107083.
[5] John, J., Devjani, D., Ali, S., Abdallah, S. & Pervaiz, S. (2023). Optimization of 3D printed polylactic acid structures with different infill patterns using Taguchi-grey relational analysis. Advanced Industrial and Engineering Polymer Research, Vol.6(1).
https://doi.org/10.1016/j.aiepr.2022.06.002.
[6] Kelemenis, A. & Askounis, D. (2010). A new TOPSIS-based multi-criteria approach to personnel selection. Expert Systems with Applications, Vol.37(7).
https://doi.org/10.1016/j.eswa.2009.12.013.
[7] Kumar, K. & Singh, H. (2023). Multi-Objective Optimization of Fused Deposition Modeling for Mechanical Properties of Biopolymer Parts Using the Grey-Taguchi Method. Chinese Journal of Mechanical Engineering (English Edition), Vol.36(1).
https://doi.org/10.1186/s10033-023-00847-z.
[8] Kumar, R., Kumar, M. & Chohan, J. S. (2021). The role of additive manufacturing for biomedical applications: A critical review. Journal of Manufacturing Processes, Vol.64, pp.828-850.
https://doi.org/10.1016/J.JMAPRO.2021.02.022.
[9] Liu, X., Zhang, M., Li, S., Si, L., Peng, J. & Hu, Y. (2017). Mechanical property parametric appraisal of fused deposition modeling parts based on the gray Taguchi method. International Journal of Advanced Manufacturing Technology, Vol.89(5-8).
https://doi.org/10.1007/s00170-016-9263-3.



[10] Nguyen, V. H., Huynh, T. N., Nguyen, T. P. & Tran, T. T. (2020). Single and multi-objective optimisation of processing parameters for fused deposition modelling in 3D printing technology. International Journal of Automotive and Mechanical Engineering, Vol.17(1).
https://doi.org/10.15282/IJAME.17.1.2020.03.0558.
[11] Patel, K., Acharya, S. & Acharya, G. D. (2024). Multi Objective Optimization of FDM Parameters Using Taguchi Grey Relation Analysis for PLA Specimen. Jurnal Kejuruteraan, Vol.36(1).
https://doi.org/10.17576/jkukm-2024-36(1)-11.
[12] Singh, J., Goyal, K. K., Kumar, R. & Gupta, V. (2022). Influence of process parameters on mechanical strength, build time, and material consumption of 3D printed polylactic acid parts. Polymer Composites, Vol.43(9).
https://doi.org/10.1002/pc.26849.
[13] Taherdoost, H. & Madanchian, M. (2024). A Comprehensive Survey and Literature Review on TOPSIS. International Journal of Service Science, Management, Engineering, and Technology, Vol.15(1). https://doi.org/10.4018/IJSSMET.347947.
[14] Tofail, S. A. M., Koumoulos, E. P., Bandyopadhyay, A., Bose, S., O’Donoghue, L. & Charitidis, C. (2018). Additive manufacturing: scientific and technological challenges, market uptake and opportunities. Materials Today, Vol.21(1), pp.22-37.
https://doi.org/10.1016/J.MATTOD.2017.07.001.