{"id":60846,"date":"2025-01-21T15:00:16","date_gmt":"2025-01-21T14:00:16","guid":{"rendered":"https:\/\/www.3dnatives.com\/de\/?p=60846"},"modified":"2025-01-15T17:23:04","modified_gmt":"2025-01-15T16:23:04","slug":"maschinelles-lernen-fuer-lpbf-technologie-210120251","status":"publish","type":"post","link":"https:\/\/www.3dnatives.com\/de\/maschinelles-lernen-fuer-lpbf-technologie-210120251\/","title":{"rendered":"Studie zeigt, wie maschinelles Lernen f\u00fcr die LPBF-Technologie eingesetzt werden kann"},"content":{"rendered":"

Forscher am Johns Hopkins University Applied Physics Laboratory (APL) haben einen neuen Ansatz entwickelt, der 3D-Druck mit maschinellem Lernen verbindet. Es handelt sich um ein Modell, mit dem sie Simulationen erstellen k\u00f6nnen, die f\u00fcr die \u00dcberpr\u00fcfung der Produktion von Teilen, die durch Laser Powder Bed Fusion (LPBF)<\/a> hergestellt werden, n\u00fctzlich sind. Maschinelles Lernen, auch bekannt als machine learning<\/em> (ML), geh\u00f6rt zu einem Zweig der K\u00fcnstlichen Intelligenz<\/a> (KI) und kann in verschiedenen Bereichen eingesetzt werden, von der Medizin<\/a> bis zur Luft- und Raumfahrt<\/a>.<\/p>\n

Die vom APL entwickelte Technik erm\u00f6glicht es, die Mikrostruktur, die sich auf dem Druckbett bilden wird, anhand von Messungen an der einzelnen Pulverschicht vorherzusagen. Dazu haben die Forscher Modellierung und rechnerische Simulation eingesetzt. Diese Vorhersagen des zu erzeugenden Objekts erm\u00f6glichen ein fr\u00fchzeitiges Eingreifen im Falle von Fehlern. Dies w\u00fcrde nicht nur Zeit, Material und Kosten sparen, sondern auch die Produktion von LPBF-Teilen exponentiell steigern.<\/p>\n

\"\"

Dieses Bild veranschaulicht den Prozess der Mikrostrukturvorhersage, der durch die Analyse der Auswirkungen von Abk\u00fchlgeschwindigkeit und Temperaturgradient auf die Kornorientierung und -gr\u00f6\u00dfe erreicht wird.\u00a0<\/span><\/p><\/div>\n

Diese Studie ist Teil einer gr\u00f6\u00dferen Arbeit, die am Johns Hopkins University Applied Physics Laboratory durchgef\u00fchrt wird und sich auf die Nutzung K\u00fcnstlicher Intelligenz konzentriert, um die Entdeckung neuer Materialien f\u00fcr extreme Umgebungen zu beschleunigen. Morgan Trexler, der Ansprechpartner f\u00fcr das APL-Programm Science of Extreme and Multifunctional Materials<\/em> in der Mission Exploratory Research and Development Area<\/em>, sagte: \u201eDieser neue Ansatz wird von gro\u00dfer Bedeutung f\u00fcr das Design und das Verst\u00e4ndnis der Materialbildung bei additiven Fertigungsprozessen sein und passt zu unserer Gesamtstrategie, die auf die Beschleunigung der Materialentwicklung f\u00fcr die nationale Sicherheit ausgerichtet ist<\/em>.\u201c<\/p>

\"\"<\/a><\/div>\n

Wie kann maschinelles Lernen f\u00fcr LPBF n\u00fctzlich sein?<\/h3>\n

Bei LPBF werden Schichten von Metallpulver mit einem Hochleistungslaser geschmolzen, um dreidimensionale Objekte Schicht f\u00fcr Schicht zu erzeugen. Diese Technologie eignet sich f\u00fcr die Herstellung stabiler Metallteile, die komplexe Geometrien unterst\u00fctzen. Da sich die Pulver jedoch voneinander unterscheiden und daher verschiedene Eigenschaften haben, k\u00f6nnen die Bearbeitungsbedingungen stark variieren, angefangen bei den Lasereinstellungen bis hin zu den Wechselwirkungen zwischen den verschiedenen Pulverpartikeln. Infolgedessen k\u00f6nnen die Eigenschaften der gedruckten Objekte stark variieren.<\/p>\n

Um diese Anwendung zu realisieren, verwendete das Forschungsteam unter der Leitung von Li Ma, leitender Ingenieur am APL, ein CFD-Modell (Computational Fluid Dynamics), um Temperaturschwankungen und Abk\u00fchlungsraten w\u00e4hrend des Druckprozesses in Abh\u00e4ngigkeit von der Partikelausrichtung und Partikelgr\u00f6\u00dfe genau zu messen. Die numerische Str\u00f6mungsmechanik (CFD) ist eine Disziplin, die Computersimulationen einsetzt, um das Verhalten von Materialstr\u00f6men auf der Grundlage der Gesetze zur Erhaltung von Masse, Impuls und Energie vorherzusagen. Dieser innovative Ansatz erm\u00f6glicht nicht nur eine Vorhersage der Mikrostruktur des Bauteils vor dem Druck, sondern auch eine Absch\u00e4tzung der mechanischen Eigenschaften des Materials und der physikalischen Leistung des fertigen Teils.<\/p>\n

Ali Ramazani entwickelte das erste Phasenfeldmodell f\u00fcr die Mikrostrukturbildung, indem er die aus dem CFD-Modell gewonnenen Ergebnisse integrierte. Dieser Ansatz verbesserte die Genauigkeit und G\u00fcltigkeit der Simulationen. Sein Beitrag war zwar bedeutend, reichte aber nicht aus, um alle Probleme der Datenerfassung zu l\u00f6sen. Bei der Herstellung eines einzigen Bauteils mit der LPBF-Technologie kommt es zu Millionen von Wechselwirkungen zwischen Pulver und Laser, was einen enormen Rechenaufwand erfordert und die Simulation jedes kleinen Abschnitts extrem komplex macht.<\/p>\n

\"\"

Dieses Bild vergleicht die Ergebnisse des probabilistischen APL-Diffusionsfeldmodells mit den Simulationsergebnissen. Das APL-Modell erkennt die in den simulierten Ergebnissen beobachtete Mikrostrukturbildung und das Kornwachstum genau.<\/p><\/div>\n

Der Durchbruch kam also von Hudson Liu, einem Praktikanten des APL Student Program to Inspire, Relate, and Enrich<\/em> (ASPIRE) und Highschool-Sch\u00fcler an der Gilman School in Baltimore. Er entwickelte ein Modell des maschinellen Lernens, das den Bedarf an teuren Simulationen erheblich reduzieren w\u00fcrde. Zusammengefasst hat Hudson Liu mehrere bereits bestehende Modelle des maschinellen Lernens integriert, um ein sogenanntes \u201ediffusion probabilistic field model<\/em>\u201c zu entwickeln. Dieses Modell erzeugt Bilder auf der Grundlage der Abk\u00fchlungsrate und des thermischen Gradienten des LPBF-Drucks und quantifiziert Temperatur\u00e4nderungen auf der Grundlage von Parametern wie dem Abstand zwischen dem Laserauftreffpunkt und dem umgebenden festen Metall.<\/p>\n

Hudson Liu sagte: \u201eDer Hauptvorteil dieses Modells ist seine Schnelligkeit. Unser Modell kann in Sekunden oder Minuten vorhersagen, was bei einer Simulation Stunden dauern w\u00fcrde<\/em>\u201c, und f\u00fcgte hinzu: \u201cDadurch k\u00f6nnen die Forscher schnell und zu wesentlich geringeren Kosten eine breite Palette von Parametern untersuchen<\/em>.“ Das Modell wurde durch eine mikroskopische Analyse des LPBF-Materials validiert. Das Training des maschinellen Lernprogramms erforderte mehr als 400 Simulationen, die am APL durchgef\u00fchrt wurden.<\/p>\n

Ein Blick in die Zukunft<\/span><\/h3>\n

Das Forschungsteam arbeitet bereits daran, neue Modelle mithilfe von Videodaten zu trainieren, die es erm\u00f6glichen werden, Mikrostrukturen sowohl in 3D als auch in 2D vorherzusagen. Mit der Zeit wird es dann m\u00f6glich sein, Vorhersagen \u00fcber die Mikrostrukturen gr\u00f6\u00dferer Bauteile zu treffen und die Ergebnisse mehrerer Laserdurchg\u00e4nge zu analysieren.<\/p>\n

Aber das ist noch nicht alles. Das Projekt, das dank interner Universit\u00e4tsmittel zustande kam, hat das Interesse des Space Technology Research Institute (STRI) der NASA geweckt, das es gerne f\u00fcr seine eigenen Dienste einsetzen w\u00fcrde. Li Ma sagte: \u201eDie NASA m\u00f6chte validierte Modelle, mit denen sie vorhersagen kann, was w\u00e4hrend der Produktion passiert und wie sich das endg\u00fcltige Teil verh\u00e4lt, ohne auf teure Experimente zur\u00fcckgreifen zu m\u00fcssen. Dieser Ansatz ist besonders n\u00fctzlich, wenn wir an die additive Fertigung auf dem Mond oder im Weltraum denken, wo Experimente so teuer werden, dass sie praktisch unm\u00f6glich sind.<\/em>\u201c Es wird daher nicht \u00fcberraschen, wenn wir in naher Zukunft von Anwendungen des APL nicht nur in der Raumfahrt, sondern auch in anderen Bereichen h\u00f6ren werden.<\/p>\n

Was halten Sie von diesem Prototyp f\u00fcr den 3D-Druck in der Schwerelosigkeit? Lassen Sie uns dazu einen Kommentar da, oder teilen Sie es uns auf\u00a0Facebook<\/a>\u00a0oder\u00a0LinkedIN<\/a> mit. M\u00f6chten Sie au\u00dferdem eine Zusammenfassung der wichtigsten Neuigkeiten im 3D-Druck und der additiven Fertigung direkt und bequem in Ihr Postfach erhalten? Dann registrieren Sie sich jetzt f\u00fcr unseren\u00a0w\u00f6chentlichen Newsletter<\/a>.<\/p>\n

Beschreibung des Titelbildes: Das Bild zeigt die Mikrostruktur der ausscheidungsgeh\u00e4rteten Nickelbasis-Superlegierung, die zur Validierung des APL-Modells und seiner Vorhersage der Abk\u00fchlungsgeschwindigkeit verwendet wurde.<\/em><\/p>\n

*Bildnachweise<\/em>: ASM International, 2024.<\/em><\/span><\/p>\n","protected":false},"excerpt":{"rendered":"

Forscher am Johns Hopkins University Applied Physics Laboratory (APL) haben einen neuen Ansatz entwickelt, der 3D-Druck mit maschinellem Lernen verbindet. Es handelt sich um ein Modell, mit dem sie Simulationen erstellen k\u00f6nnen, die f\u00fcr die \u00dcberpr\u00fcfung der Produktion von Teilen,…<\/p>\n","protected":false},"author":6102,"featured_media":60847,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"content-type":"","footnotes":""},"categories":[49,13],"tags":[],"class_list":["post-60846","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-aktuelles","category-forschung"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/posts\/60846","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/users\/6102"}],"replies":[{"embeddable":true,"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/comments?post=60846"}],"version-history":[{"count":1,"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/posts\/60846\/revisions"}],"predecessor-version":[{"id":60848,"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/posts\/60846\/revisions\/60848"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/media\/60847"}],"wp:attachment":[{"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/media?parent=60846"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/categories?post=60846"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.3dnatives.com\/de\/wp-json\/wp\/v2\/tags?post=60846"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}