Merevolusi Titanium Manufacturing: AI-Powered 3D Printing Breaks Hambatan

Penelitian yang digerakkan oleh AI membuat titanium 3D-cetak lebih cepat, lebih kuat, dan lebih efisien, mentransformasi manufaktur aerospace dan pertahanan.

Memproduksi titanium kinerja tinggi paduan Bagian-apakah untuk pesawat ruang angkasa, kapal selam, atau perangkat medis-secara tradisional merupakan proses yang lambat dan padat sumber daya. Bahkan dengan pencetakan 3D logam canggih, menentukan kondisi manufaktur yang optimal membutuhkan uji coba dan kesalahan yang luas.

Tetapi bagaimana jika bagian-bagian ini dapat dibuat lebih cepat, lebih kuat, dan dengan presisi yang hampir sempurna?

Tim peneliti dari Johns Hopkins Applied Physics Laboratory (APL) dan Whiting School of Engineering menggunakan kecerdasan buatan untuk mengubah kemungkinan itu menjadi kenyataan. Dengan mengidentifikasi teknik pemrosesan yang lebih baik, mereka telah meningkatkan kecepatan produksi dan kekuatan material-sebuah inovasi dengan aplikasi yang luas, dari kedalaman laut hingga luar angkasa.

“Bangsa ini menghadapi kebutuhan mendesak untuk mempercepat manufaktur untuk memenuhi tuntutan konflik saat ini dan di masa depan,” kata Morgan Trexler, manajer program untuk sains materi ekstrem dan multifungsi dalam area penelitian dan misi pengembangan eksplorasi APL. “Di APL, kami memajukan penelitian dalam manufaktur aditif berbasis laser untuk secara cepat mengembangkan bahan yang siap misi, memastikan bahwa produksi mengimbangi tantangan operasional yang berkembang.”

Temuan, baru -baru ini diterbitkan di jurnal Manufaktur aditif, Fokus pada Ti-6al-4V, paduan titanium yang banyak digunakan yang dikenal dengan kekuatan tinggi dan bobotnya rendah. Tim memanfaatkan model AI-driven untuk memetakan kondisi manufaktur yang sebelumnya belum dijelajahi untuk fusi bed bedak laser, metode logam pencetakan 3D. Hasilnya menantang asumsi lama tentang batas proses, mengungkapkan jendela pemrosesan yang lebih luas untuk menghasilkan titanium berkualitas tinggi yang padat dengan sifat mekanik yang dapat disesuaikan.

Penemuan ini menyediakan cara baru untuk memikirkan pemrosesan bahan, kata rekan penulis Brendan Croom.

“Selama bertahun-tahun, kami berasumsi bahwa parameter pemrosesan tertentu adalah 'terlarang' untuk semua bahan karena mereka akan menghasilkan produk akhir berkualitas buruk,” kata Croom, seorang ilmuwan material senior di APL. “Tetapi dengan menggunakan AI untuk mengeksplorasi berbagai kemungkinan, kami menemukan daerah pemrosesan baru yang memungkinkan pencetakan lebih cepat sambil mempertahankan – atau bahkan meningkatkan – kekuatan dan keuletan material, kemampuan untuk meregangkan atau merusak tanpa kerusakan. Sekarang, para insinyur dapat memilih pengaturan pemrosesan yang optimal berdasarkan kebutuhan spesifik mereka.”

Temuan ini menjanjikan industri yang mengandalkan bagian titanium berkinerja tinggi. Kemampuan untuk memproduksi komponen yang lebih kuat dan lebih ringan pada kecepatan yang lebih besar dapat meningkatkan efisiensi dalam pembuatan kapal, penerbangan, dan perangkat medis. Ini juga berkontribusi pada upaya yang lebih luas untuk memajukan manufaktur aditif untuk kedirgantaraan dan pertahanan.

Para peneliti di Whiting School of Engineering, termasuk Somnath Ghosh, mengintegrasikan simulasi yang digerakkan AI untuk lebih memprediksi bagaimana kinerja bahan yang diproduksi secara tambahan di lingkungan yang ekstrem. Ghosh co-leads satu dari dua NASA Space Technology Research Institutes (StrIS), kolaborasi antara Johns Hopkins dan Carnegie Mellon fokus pada pengembangan model komputasi canggih untuk mempercepat kualifikasi dan sertifikasi material. Tujuannya adalah untuk mengurangi waktu yang diperlukan untuk merancang, menguji, dan memvalidasi bahan baru untuk aplikasi ruang angkasa – tantangan yang sangat selaras dengan upaya APL untuk memperbaiki dan mempercepat manufaktur titanium.

Lompatan besar ke depan

Terobosan ini dibangun pada tahun kerja di APL untuk memajukan manufaktur aditif. Ketika Steve Storck, Kepala Ilmuwan untuk Teknologi Manufaktur di Departemen Penelitian dan Pengembangan Eksplorasi APL, tiba di laboratorium pada tahun 2015, ia mengakui bahwa praktik tersebut memiliki batasan.

“Saat itu, salah satu hambatan terbesar untuk menggunakan manufaktur aditif di seluruh Departemen Pertahanan adalah ketersediaan bahan – setiap desain membutuhkan bahan tertentu, tetapi kondisi pemrosesan yang kuat tidak ada untuk sebagian besar dari mereka,” kenang Storck. “Titanium adalah salah satu dari sedikit yang memenuhi kebutuhan DoD dan telah dioptimalkan untuk mencocokkan atau melampaui kinerja manufaktur tradisional. Kami tahu kami harus memperluas berbagai bahan dan memperbaiki parameter pemrosesan untuk sepenuhnya membuka kunci potensi manufaktur aditif.”

APL menghabiskan bertahun -tahun menyempurnakan manufaktur aditif, fokus pada kontrol cacat dan kinerja material. Pada tahun 2021, tim APL menerbitkan studi di Johns Hopkins APL Technical Digest yang meneliti bagaimana cacat memengaruhi sifat mekanik. Sekitar waktu yang sama, tim Storck sedang mengembangkan kerangka pengoptimalan material yang cepat, upaya yang menyebabkan paten yang diajukan pada tahun 2020.

Kerangka kerja ini, yang dirancang untuk secara signifikan mempercepat optimalisasi kondisi pemrosesan, memberikan dasar yang kuat untuk studi terbaru. Membangun dasar itu, tim memanfaatkan Pembelajaran Mesin Untuk mengeksplorasi berbagai parameter pemrosesan yang belum pernah terjadi sebelumnya, sesuatu yang tidak praktis dengan metode percobaan dan kesalahan tradisional.

Pendekatan ini mengungkapkan rezim pemrosesan kepadatan tinggi yang sebelumnya diberhentikan karena kekhawatiran tentang ketidakstabilan material. Dengan penyesuaian yang ditargetkan, tim membuka cara baru untuk memproses Ti-6al-4V, lama dioptimalkan untuk fusi bedeng bubuk laser.

“Kami tidak hanya membuat perbaikan tambahan,” kata Storck. “Kami menemukan cara yang sama sekali baru untuk memproses bahan -bahan ini, membuka kemampuan yang sebelumnya tidak dipertimbangkan. Dalam waktu singkat, kami menemukan kondisi pemrosesan yang mendorong kinerja di luar apa yang dianggap mungkin.”

AI menemukan pola tersembunyi

Sifat Titanium, seperti semua bahan, dapat dipengaruhi oleh cara bahan diproses. Kekuatan laser, kecepatan pemindaian, dan jarak antar trek laser menentukan bagaimana material mengeras – apakah itu menjadi kuat dan fleksibel atau rapuh dan cacat. Secara tradisional, menemukan kombinasi yang tepat membutuhkan pengujian percobaan dan kesalahan lambat.

Alih -alih menyesuaikan pengaturan secara manual dan menunggu hasil, tim melatih model AI menggunakan Bayesian Optimization, teknik pembelajaran mesin yang memprediksi percobaan yang paling menjanjikan berikutnya berdasarkan data sebelumnya. Dengan menganalisis hasil tes awal dan memperbaiki prediksi dengan setiap iterasi, AI dengan cepat menjadi homed pada kondisi pemrosesan terbaik, memungkinkan para peneliti untuk mengeksplorasi ribuan konfigurasi secara virtual sebelum menguji segelintir dari mereka di laboratorium.

Pendekatan ini memungkinkan tim untuk dengan cepat mengidentifikasi pengaturan yang sebelumnya tidak digunakan, beberapa di antaranya telah diberhentikan dalam manufaktur tradisional, yang dapat menghasilkan titanium yang lebih kuat dan lebih padat. Hasilnya membatalkan asumsi yang telah lama dipegang tentang parameter laser mana yang menghasilkan sifat material terbaik.

“Ini bukan hanya tentang pembuatan suku cadang lebih cepat,” kata Croom. “Ini tentang mencolok keseimbangan yang tepat di antara kekuatan, fleksibilitas, dan efisiensi. AI membantu kami menjelajahi daerah pemrosesan yang tidak akan kami pertimbangkan sendiri.”

Storck menekankan bahwa pendekatan ini melampaui peningkatan pencetakan titanium – ini menyesuaikan bahan untuk kebutuhan spesifik. “Produsen sering mencari pengaturan satu ukuran untuk semua, tetapi sponsor kami membutuhkan presisi,” katanya. “Apakah itu untuk kapal selam di Kutub Utara atau komponen penerbangan dalam kondisi ekstrem, teknik ini memungkinkan kita mengoptimalkan tantangan unik sambil mempertahankan kinerja tertinggi.”

Croom menambahkan bahwa memperluas model pembelajaran mesin untuk memprediksi perilaku material yang lebih kompleks adalah tujuan utama lainnya. Pekerjaan awal tim melihat kepadatan, kekuatan, dan daktilitas, dan Croom mengatakan mereka memperhatikan pemodelan faktor -faktor penting lainnya, seperti ketahanan kelelahan atau korosi.

“Pekerjaan ini telah menjadi demonstrasi yang jelas tentang kekuatan AI, pengujian throughput tinggi, dan manufaktur berbasis data,” katanya. “Dulu butuh bertahun -tahun eksperimen untuk memahami bagaimana materi baru akan merespons di lingkungan sponsor kami yang relevan, tetapi bagaimana jika kita bisa mempelajari semua itu dalam beberapa minggu dan menggunakan wawasan itu untuk memproduksi dengan cepat paduan yang ditingkatkan?”

Kemungkinan baru

Keberhasilan penelitian ini membuka pintu bagi aplikasi yang lebih luas. Makalah yang baru-baru ini diterbitkan berfokus pada titanium, tetapi pendekatan yang digerakkan AI yang sama telah diterapkan pada logam lain dan teknik manufaktur, termasuk paduan yang secara khusus dikembangkan untuk memanfaatkan manufaktur aditif, kata Storck.

Salah satu bidang eksplorasi di masa depan disebut pemantauan in situ-kemampuan untuk melacak dan menyesuaikan proses pembuatan secara real-time. Storck menggambarkan sebuah visi di mana manufaktur aditif logam yang canggih bisa semanis pencetakan 3D di rumah: “Kami membayangkan pergeseran paradigma di mana sistem manufaktur aditif di masa depan dapat menyesuaikan diri, memastikan kualitas sempurna tanpa perlu pemrosesan pasca yang luas dan bagian-bagian itu dapat dilahirkan berkualitas.”

Referensi: “Pembelajaran Mesin memungkinkan penemuan domain pemrosesan L-PBF baru untuk TI-6AL-4V” oleh Timothy Montalbano, Salahudin Nimer, Mary Daffron, Brendan Croom, Somnath Ghosh dan Steven Storck, 30 Desember 2024, Pembuatan aditif.
Doi: 10.1016/j.addma.2024.104632