Die Herstellung von Teilen aus Hochleistungs-Titanlegierungen – ob für Raumfahrzeuge, U-Boote oder medizinische Geräte – war lange Zeit ein langsamer, ressourcenintensiver Prozess. Selbst mit fortschrittlichen 3D-Drucktechniken für Metalle waren umfangreiche Tests und Feinabstimmungen erforderlich, um die richtigen Herstellungsbedingungen zu finden.
Was wäre, wenn diese Teile schneller und stärker hergestellt werden könnten?
Ein Team aus Experten des Johns Hopkins Applied Physics Laboratory (APL) in Laurel, Maryland, und der Johns Hopkins Whiting School of Engineering setzt Künstliche Intelligenz ein, um dies zu verwirklichen. Sie haben Verarbeitungstechniken entwickelt, die sowohl die Produktionsgeschwindigkeit als auch die Festigkeit dieser fortschrittlichen Materialien verbessern – ein Fortschritt, der sich von der Tiefsee bis zum Weltraum auswirkt.
„Die Nation steht vor der dringenden Notwendigkeit, die Herstellung zu beschleunigen, um den Anforderungen aktueller und zukünftiger Konflikte gerecht zu werden“, sagte Morgan Trexler, Programmmanager für die Wissenschaft von extremen und multifunktionalen Materialien in APL's Research and Exploratory Development Mission Area. „Bei APL treiben wir die Forschung im Bereich der laserbasierten additiven Fertigung voran, um schnell einsatzfähige Materialien zu entwickeln und sicherzustellen, dass die Produktion mit den sich verändernden operativen Herausforderungen Schritt hält.“
Die Ergebnisse konzentrieren sich auf Ti-6Al-4V, eine weit verbreitete Titanlegierung, die für ihre hohe Festigkeit und ihr geringes Gewicht bekannt ist. Das Team nutzte KI-gesteuerte Modelle, um bisher unerforschte Herstellungsbedingungen für das Laser-Pulverbettschmelzen, eine Methode des 3D-Drucks von Metall, zu ermitteln. Die Ergebnisse stellen lang gehegte Annahmen über Prozessgrenzen in Frage und zeigen ein breiteres Verarbeitungsfenster für die Herstellung von dichtem, hochwertigem Titan mit anpassbaren mechanischen Eigenschaften auf.
Anwendungsmöglichkeiten
„Die Entdeckung eröffnet eine neue Sichtweise auf die Materialverarbeitung“, so Co-Autor Brendan Croom, leitender Materialwissenschaftler am APL. „Jahrelang sind wir davon ausgegangen, dass bestimmte Verarbeitungsparameter für alle Materialien tabu sind, weil sie zu einem qualitativ schlechten Endprodukt führen würden“, sagt er weiter. „Aber durch den Einsatz von KI zur Erkundung der gesamten Bandbreite an Möglichkeiten haben wir neue Verarbeitungsbereiche entdeckt, die einen schnelleren Druck ermöglichen und gleichzeitig die Festigkeit und Duktilität des Materials, also die Fähigkeit, sich zu dehnen oder zu verformen, ohne zu brechen, erhalten oder sogar verbessern. Jetzt können Ingenieure die optimalen Verarbeitungseinstellungen auf der Grundlage ihrer spezifischen Anforderungen auswählen.“
Diese Erkenntnisse sind vielversprechend für Branchen, die auf Hochleistungsteile aus Titan angewiesen sind. Die Möglichkeit, stärkere und leichtere Komponenten mit höherer Geschwindigkeit herzustellen, könnte die Effizienz im Schiffbau, in der Luftfahrt und bei medizinischen Geräten verbessern. Das Projekt trägt auch zu den allgemeinen Bemühungen bei, die additive Fertigung in der Luft- und Raumfahrt und im Verteidigungsbereich voranzutreiben.
Forscher an der Whiting School of Engineering, darunter Somnath Ghosh, setzen KI-gestützte Simulationen ein, um besser vorhersagen zu können, wie sich additiv gefertigte Materialien in extremen Umgebungen verhalten werden. Ghosh ist Co-Leiter eines von zwei NASA Space Technology Research Institutes (STRIs), einer Zusammenarbeit zwischen Johns Hopkins und Carnegie Mellon, die sich auf die Entwicklung fortschrittlicher Berechnungsmodelle zur Beschleunigung der Materialqualifizierung und -zertifizierung konzentriert. Ziel ist es, die Zeit zu verkürzen, die für die Entwicklung, Erprobung und Validierung neuer Materialien für Raumfahrtanwendungen benötigt wird – eine Herausforderung, die sich eng mit den Bemühungen von APL deckt, die Titanherstellung zu verfeinern und zu beschleunigen.
Ein großer Sprung nach vorn
Dieser Durchbruch baut auf jahrelanger Arbeit am APL zur Weiterentwicklung der additiven Fertigung auf. Als Steve Storck, leitender Wissenschaftler für Fertigungstechnologien in der Abteilung für Forschung und explorative Entwicklung des APL, 2015 zum Labor kam, erkannte er, dass das Verfahren seine Grenzen hatte.
„Damals war eines der größten Hindernisse für den Einsatz der additiven Fertigung im gesamten Verteidigungsministerium die Verfügbarkeit von Materialien – jedes Design erforderte ein bestimmtes Material, aber für die meisten von ihnen gab es keine robusten Verarbeitungsbedingungen“, erinnert sich Storck. „Titan war eines der wenigen Materialien, das die Anforderungen des Verteidigungsministeriums erfüllte und so optimiert war, dass es die Leistung der herkömmlichen Fertigung erreichte oder übertraf. Wir wussten, dass wir die Palette der Materialien erweitern und die Verarbeitungsparameter verfeinern mussten, um das Potenzial der additiven Fertigung voll auszuschöpfen.“
APL verbrachte Jahre mit der Verfeinerung der additiven Fertigung und konzentrierte sich dabei auf Fehlerkontrolle und Materialleistung. Das Team von Storck entwickelte ein System zur schnellen Materialoptimierung, das 2020 zum Patent angemeldet wurde. Im Jahr 2021 veröffentlichte das APL-Team eine Studie im Johns Hopkins APL Technical Digest, in der untersucht wurde, wie sich Fehler auf die mechanischen Eigenschaften auswirken. Dieser Rahmen, der die Verbesserung der Verarbeitungsbedingungen erheblich beschleunigen soll, bildete eine solide Grundlage für die jüngste Studie. Darauf aufbauend nutzte das Team das maschinelle Lernen, um eine noch nie dagewesene Bandbreite von Verarbeitungsparametern zu erforschen, was mit herkömmlichen Versuch-und-Irrtum-Methoden nicht möglich gewesen wäre.
Der Ansatz offenbarte ein Verarbeitungsregime mit hoher Dichte, das zuvor aufgrund von Bedenken hinsichtlich der Materialinstabilität abgelehnt wurde. Durch gezielte Anpassungen erschloss das Team neue Wege zur Bearbeitung von Ti-6Al-4V, das lange Zeit für das Laser-Pulverbettschmelzen optimiert war. „Wir machen nicht nur schrittweise Verbesserungen“, sagte Storck. „Wir finden völlig neue Wege, diese Materialien zu bearbeiten, und erschließen damit Möglichkeiten, die vorher nicht in Betracht gezogen wurden. In kurzer Zeit haben wir Verarbeitungsbedingungen entdeckt, die die Leistung über das hinausgehen lassen, was man für möglich gehalten hat.“
KI findet die verborgenen Patterns
Die Eigenschaften von Titan können wie bei allen Materialien durch die Art der Bearbeitung beeinflusst werden. Laserleistung, Scangeschwindigkeit und Abstand zwischen den Laserspuren bestimmen, wie sich das Material verfestigt – ob es stark und flexibel oder spröde und fehlerhaft wird. Um die richtige Kombination zu finden, waren bisher langwierige Versuche und Irrtümer erforderlich.
Anstatt die Einstellungen manuell anzupassen und auf die Ergebnisse zu warten, trainierte das Team KI-Modelle mithilfe der Bayes'schen Optimierung, einer maschinellen Lerntechnik, die auf der Grundlage früherer Daten das vielversprechendste nächste Experiment vorhersagt. Durch die Analyse früher Testergebnisse und die Verfeinerung der Vorhersagen mit jeder Iteration fand die KI schnell die besten Verarbeitungsbedingungen – so konnten die Forscher Tausende von Konfigurationen virtuell untersuchen, bevor sie eine Handvoll davon im Labor testeten. Dieser Ansatz ermöglichte es dem Team, schnell bisher ungenutzte Einstellungen zu identifizieren - von denen einige in der herkömmlichen Fertigung verworfen worden waren -, mit denen festeres, dichteres Titan hergestellt werden konnte. Die Ergebnisse stellten lang gehegte Annahmen darüber, welche Laserparameter die besten Materialeigenschaften ergeben, auf den Kopf.
„Es geht nicht nur darum, Teile schneller herzustellen“, so Croom. „Es geht darum, die richtige Balance zwischen Festigkeit, Flexibilität und Effizienz zu finden. Die Künstliche Intelligenz hilft uns, Bearbeitungsbereiche zu erforschen, die wir allein nicht in Betracht gezogen hätten.“ Storck betonte, dass der Ansatz über die Verbesserung des Titandrucks hinausgeht – er ermöglicht die Anpassung von Materialien an spezifische Bedürfnisse. „Hersteller suchen oft nach einer Einheitsgröße, aber unsere Sponsoren brauchen Präzision“, sagte er. „Ob es sich um ein U-Boot in der Arktis oder eine Flugkomponente unter extremen Bedingungen handelt, mit dieser Technik können wir diese einzigartigen Herausforderungen unter Beibehaltung der höchsten Leistung optimieren.“
Croom fügte hinzu, dass die Erweiterung des maschinellen Lernmodells zur Vorhersage noch komplexerer Materialeigenschaften ein weiteres wichtiges Ziel ist. Die ersten Arbeiten des Teams befassten sich mit Dichte, Festigkeit und Duktilität, und Croom sagte, dass es andere wichtige Faktoren wie Ermüdungsfestigkeit oder Korrosion modellieren möchte. „Diese Arbeit war eine klare Demonstration der Leistungsfähigkeit von KI, Hochdurchsatztests und datengesteuerter Fertigung“, sagte er. „Früher brauchte man jahrelange Versuche, um zu verstehen, wie ein neues Material in den für unseren Sponsor relevanten Umgebungen reagieren würde, aber was wäre, wenn wir stattdessen all das in wenigen Wochen lernen und diese Erkenntnisse nutzen könnten, um schnell verbesserte Legierungen herzustellen?“
Neue Möglichkeiten
Der Erfolg dieser Forschung öffnet die Tür zu noch umfassenderen Anwendungen. Die kürzlich veröffentlichte Arbeit konzentrierte sich auf Titan, aber der gleiche KI-gesteuerte Ansatz wurde auch auf andere Metalle und Fertigungstechniken angewandt, einschließlich Legierungen, die speziell für die Vorteile der additiven Fertigung entwickelt wurden, so Storck.
Ein Bereich, der in Zukunft erforscht werden soll, ist die so genannte In-Situ-Überwachung – die Fähigkeit, den Herstellungsprozess in Echtzeit zu verfolgen und anzupassen. Storck beschrieb eine Vision, in der die hochmoderne additive Fertigung von Metallen so nahtlos sein könnte wie der 3D-Druck zu Hause: „Wir stellen uns einen Paradigmenwechsel vor, bei dem zukünftige additive Fertigungssysteme sich während des Drucks anpassen können, um eine perfekte Qualität zu gewährleisten, ohne dass eine umfangreiche Nachbearbeitung erforderlich ist, und bei dem die Teile bereits qualifiziert geboren werden können.“
