Wissenschaftler der University of Virginia, der Carnegie Mellon University und der University of Wisconsin-Madison haben einen wichtigen Fortschritt in der additiven Fertigung erzielt. Das Forschungsteam stellte einen Algorithmus zur Erkennung von Schlüssellochporen vor – Defekte, die beim Laser Powder Bed Fusion (LPBF) schädlich sein können -, und ein Verfahren, das möglicherweise Branchen wie die Luft- und Raumfahrttechnik revolutionieren könnte. Diese Entdeckung, die im Science Magazine unter dem Titel „Machine learning aided real-time detection of keyhole pore generation in laser powder bed fusion“ veröffentlicht wurde, wird in der additiven Fertigungsbranche sicher auf interessierte Ohren treffen.
Schlüssellochporen beim LPBF-3D-Druck
In der Arbeit der Wissenschaftler wird versucht, eine große Herausforderung beim Laser-Pulverbett-3D-Druck (LPBF) zu bewältigen: Schlüssellochporen. Die damit verbundenen Porendefekte können die strukturelle Integrität von Metallkomponenten beeinträchtigen, die für Anwendungen wie z. B. Flugzeugflügel benötigt werden. Die Forscher haben jedoch einen innovativen Ansatz entwickelt, der neuronale Netze und Deep-Learning-Techniken einsetzt, mit denen diese problematischen Porenstrukturen möglicherweise effizienter erkannt werden können als mit herkömmlichen Methoden. Obwohl LPBF im Vergleich zum Schmieden oder Gießen noch relativ neu ist, hat es sich aufgrund seiner kürzeren Produktionszeit in vielen Branchen durchgesetzt – Industrieunternehmen dürfen sich mit den technologischen Verbesserungen beim LPBF-3D-Druckverfahren auf mehr Sicherheit und Zuverlässigkeit freuen, indem die automatischen Erkennungsfunktionenen in den 3D-Druck-Prozess implementiert werden.
Echtzeit-Detektionssystem entwickelt
Tao Sun, außerordentlicher Professor für Materialwissenschaften und Ingenieurwesen an der University of Virginia und sein Team haben ein Echtzeit-Detektionssystem entwickelt, das die thermische Signatur, die durch die Bildung von Schlüssellochporen entsteht, genau erfassen kann. Diese hochentwickelte Technologie stützt sich auf Operando-Synchrotron-Röntgenaufnahmen, Nahinfrarotaufnahmen und maschinelles Lernen, um eine Vorhersagegenauigkeit von 100 Prozent mit einer Auflösung von unter einer Millisekunde zu erreichen. Darüber hinaus wurden im Laufe der Forschung zwei Arten von Schlüsselloch-Oszillation identifiziert.
Anthony Rollett, Professor für Materialwissenschaften und Ingenieurwesen an der Carnegie Mellon University, sagt dazu:
„Unsere Ergebnisse bringen nicht nur die Forschung im Bereich der additiven Fertigung voran, sondern können auch praktisch dazu dienen, die kommerzielle Nutzung von LPBF für die Herstellung von Metallteilen zu erweitern.“
Sun hat hervorgehoben, dass das Auftreten von Porosität in metallischen Bauteilen eine bedeutende Hürde darstellt, die einen breiteren Einsatz der LPBF-Technologie in verschiedenen Sektoren verhindert. Eine eingehende Prüfung und Erkennung durch Sensoren ist nach wie vor ein Problem, da sich Porosität in Schlüssellöchern oft stochastisch und ohne Vorwarnung unter der Oberfläche zeigt. Über die weiteren Entwicklungen zu diesem Thema berichten wir auch zukünftig im 3D-grenzenlos Magazin (Newsletter abonnieren).
