基于挤出的3D食品打印已成为生产符合个人营养需求的美观食品的一个有前景的平台。在挤出食品打印中，基于食品的粘弹性浆料（称为“食品油墨”）通过喷嘴以“丝状”形式挤出，并逐层沉积以形成目标的三维形状。基于挤出的3D食品打印可以分为三种类型：基于注射器的类型，其中食品油墨由活塞挤出；基于螺旋的类型，其中食品油墨通过螺旋的旋转挤出；以及基于空气压力的类型，其中食品油墨使用空气压力挤出（Liu等人，2017年）。3D打印过程稳定运行的能力称为“打印性能”（Kadival等人，2023年）。用于基于挤出的3D打印的食品油墨应具有良好的“可挤出性”和“形状稳定性”。可挤出性指的是从喷嘴挤出丝状物的容易程度，而形状稳定性则描述了打印食品在打印后保持其形状的能力（Liu等人，2018年）。
为了实现高打印性能，必须制备具有适当流变和力学特性的浆料，并调整机器条件，如喷嘴直径、头速和温度（Cheng等人，2022年；Zhu等人，2019年）。食品成分存在批次间差异，类似于农产品。这可能会影响食品油墨的流变和力学特性。因此，通常需要反复进行试错调整，这可能会阻碍3D食品打印的广泛应用。如果能够在打印前根据测量的食品油墨属性预测打印结果，就可以减少试错次数。实验研究了食品油墨的流变和力学特性，以确定它们对基于挤出的3D食品打印的可挤出性和形状稳定性的影响。例如，在流变特性中，损耗切线值影响可挤出性，而储能模量和屈服应力影响形状稳定性。在力学特性中，杨氏模量被认为会影响形状稳定性（Liu等人，2018年；Zheng等人，2021年）。使用先前研究中报告的参数可能有助于预测打印性能。然而，螺旋式食品打印机的挤出机制较为复杂（Guo等人，2019年）。因此，通过综合使用流变和力学特性的各种特征来预测打印结果是重要的。
数据驱动的预测方法对于实现这一目标非常有效。在可能的预测方法中，我们专注于机器学习（ML），它最近已被应用于工程材料的3D打印中，以优化打印参数并预测质量（Meng等人，2020年；Zhang等人，2024年）。最近在3D食品打印中报告了一些ML应用的例子。Lu等人（2023年）证明，仅使用流变特性作为输入，基于图像的ML模型可以高精度地预测食品油墨的打印性能，这些特性由丝状物宽度和粗糙度定义。Ma等人（2021年）使用流变参数和图像分析技术预测了食品材料的丝状物可挤出性。Maldonado-Rosas等人（2025年）开发了一种ML模型，可以根据淀粉浓度和打印温度预测基于淀粉的食品浆料的可挤出性和形状稳定性。以前在3D食品打印中应用的ML主要集中在某些流变特性的影响上，例如食品油墨的屈服应力对打印性能的影响。现在的挑战是将这种方法扩展到包括其他流变和力学特性（如杨氏模量和硬度）的各种参数，以实现整体打印性能的预测。此外，对ML模型行为的解释相对较少，这对于验证预测结果和深入了解食品打印过程的潜在机制非常有用。
我们的团队一直使用基于螺旋的3D食品打印机生产食品，使用由农产品制成的浆料作为食品油墨（Kamata & Nei，2024年；Kozu等人，2024年，2025年；Nei & Sasaki，2023年；Umeda等人，2024年）。在之前的研究中，通过将米粉或蔬菜片与水混合来制备浆料；当面粉/片状物含量过高时，丝状物在挤出过程中会断裂；当面粉/片状物含量过低时，打印出的食品会变平。适当的面粉/片状物含量范围取决于米粉的成分类型和/或颗粒大小。这归因于所制备食品油墨的流变和力学特性的差异。然而，尚未系统地理解这一现象。使用ML可以直接根据所制备浆料的流变和力学特性预测打印性能，而不论成分的类型或颗粒大小如何。
本研究旨在利用基于机器学习的方法，根据用作食品油墨的农产品衍生物浆料的流变和力学特性来预测螺旋式3D食品打印的打印性能。浆料是通过向米粉等农产品中加水制备的，这些农产品具有不同的颗粒大小、南瓜/土豆/胡萝卜片和大豆粉。米粉是日本常用的代表性农产品。南瓜、土豆、胡萝卜片和大豆粉是营养价值高的代表性蔬菜。3D打印实验基于之前研究中使用的米粉浆料，并在相同条件下进行了蔬菜浆料的实验（Kamata & Nei，2024年）。此外，还获得了之前不可用的某些浆料的流变和力学特性的数据。这使我们能够为53种不同成分和面粉/片状物含量的浆料的流变和力学特性以及3D打印结果创建一个统一的数据集。使用这些数据集作为输入，我们评估了基于树的ML模型（随机森林、XGBoost和LightGBM）是否能够准确估计打印性能。我们进一步分析了模型解释，以确定有影响力的参数并提供机制洞察。
