Forschende der University of Toronto Engineering haben ein neues Framework vorgestellt, das den Laser-3D-Druck von Metallteilen effizienter und präziser macht. Das sogenannte „Accurate Inverse Process Optimization Framework in laser-Directed Energy Deposition“ (AIDED) kombiniert maschinelles Lernen (ML) mit genetischer Algorithmusoptimierung, um optimale Prozessparameter schnell und zuverlässig zu bestimmen. Die Forschung wurde unter der Leitung von Professor Yu Zou durchgeführt und in der Fachzeitschrift Additive Manufacturing veröffentlicht.
Maschinelles Lernen trifft auf Laser-DED
Das AIDED-Framework wurde speziell für den Laser-Directed Energy Deposition (L-DED) Prozess entwickelt – ein etabliertes Verfahren im Bereich des Metall-3D-Drucks. Dabei werden metallische Materialien durch einen fokussierten Laserstrahl Schicht für Schicht aufgetragen. Der neue Ansatz nutzt ML-Modelle, um vorherzusagen, wie sich das Material unter verschiedenen Druckparametern verfestigt. Dadurch lassen sich Druckbedingungen exakt anpassen.
Die Forscher integrieren dabei eine genetische Optimierung, die auf natürlichen Selektionsprinzipien basiert. Zunächst werden mögliche Kombinationen von Parametern wie Laserleistung, Förderrate, Scan-Geschwindigkeit und Hatch-Abstand vorgeschlagen. Diese werden anschließend mit ML-Modellen auf ihre Druckqualität bewertet. Der Prozess wiederholt sich, bis eine ideale Kombination gefunden ist.
Xiao Shang, Erstautor der Studie und Doktorand an der Universität, sagt:
„Unser Framework identifiziert optimale Prozessparameter auf Grundlage industrieller Anforderungen in weniger als einer Stunde. Es kann auch auf unterschiedliche Materialien angewendet werden.“
Anwendungspotenziale in Hochpräzisionsbranchen
Die AIDED-Technologie adressiert zwei große Herausforderungen in der additiven Fertigung: die Präzision des Drucks und die große Bandbreite an Parametern, die je nach Material und Bauteil variieren. „Materialien wie Titan für die Luft- und Raumfahrt oder rostfreier Stahl für Kernreaktoren erfordern jeweils spezifische Druckbedingungen“, erklärt Professor Zou. Der bisherige Ansatz, optimale Einstellungen durch Versuch und Irrtum zu ermitteln, sei zeitaufwendig und teuer.
Durch zahlreiche Experimente wurde eine umfangreiche Datengrundlage für das Framework geschaffen. Diese Datensätze bilden die Basis für die trainierten Modelle und ermöglichen die genaue Vorhersage von Geometrien auf Basis definierter Druckparameter.
Langfristig arbeitet das Forschungsteam an einem autonomen AM-System, das ähnlich wie selbstfahrende Autos agiert. Dieses System soll Druckfehler in Echtzeit erkennen, präventiv eingreifen und die Druckparameter automatisch anpassen.
„Unser Ziel ist es, eine selbststeuernde Laserplattform zu entwickeln, die mit verschiedenen Materialien und Geometrien umgehen kann“, so Shang weiter. Dies könnte ein entscheidender Schritt für die breite industrielle Nutzung des 3D-Drucks sein – insbesondere in den Bereichen Luftfahrt, Medizin, Automobilbau und Nukleartechnik.
Die Forschungen wurden in „Science Direct“ unter dem Titel „Accurate inverse process optimization framework in laser directed energy deposition“ veröffentlicht.
