التصنيع بالإضافة
الدقة المدعومة بالذكاء الاصطناعي لتحويل الطباعة ثلاثية الأبعاد للمعادن القائمة على الليزر
في عالم الطباعة ثلاثية الأبعاد أو التصنيع الإضافي، تُعد معالجة المعادن القائمة على الليزر تقنية شائعة تسمح بالإنتاج الآلي والدقيق والسريع للمكونات المعقدة.
تتضمن معالجة المعادن باستخدام الليزر استخدام الليزر كمصدر للطاقة لتشكيل المعدن. الليزر هو شعاع مضخم من الضوء أو الإشعاع الكهرومغناطيسي يمكنه الانتشار في خط مستقيم مع انحراف قليل.
هذا يجعل الليزر مفيدًا للغاية في معالجة المواد، حيث يُستخدم في التشغيل، واللحام، وهندسة السطح. في التصنيع الإضافي، يُستخدم الليزر لصهر المواد وتصنيع المكونات طبقة بطبقة.
التصنيع الإضافي هو ببساطة إنشاء منتج طبقة بطبقة. بدأ باستخدام البلاستيك كمواد، بفضل سهولة معالجتها. لكنه الآن توسع ليشمل جميع أنواع المواد، بما في ذلك المواد المعدنية.
تُعرف المواد المعدنية بخصائصها الجذابة، مثل التوصيل الكهربائي الممتاز والقوة العالية والليونة ودرجة الانصهار، مما يجعلها مفيدة جدًا في التطبيقات الطبية، والطاقة، والعمارة، والعسكرية.
مع ذلك، توفر معالجة المعادن بالليزر فوائد فريدة مثل كثافة الطاقة العالية، ومنطقة تأثير حراري ضيقة، وتلوث قليل. لهذا تُستخدم عمليات الليزر في العديد من القطاعات، خاصةً حيث يُطلب أقصى درجات الدقة والتخصيص العالي. لكن لها تعقيداتها وتحدياتها التقنية.
“لضمان إمكانية استخدام عمليات الليزر بمرونة وتحقيق نتائج متسقة، نعمل على تحسين الفهم، والرصد، والتحكم في هذه العمليات.”
– إيليا إيسيلي، قائد مجموعة البحث في مختبر معالجة المواد المتقدمة في إمبا
بهذا الهدف، يعمل الباحثان جوليو ماسينيللي وتشانغ راجاني من إمبا في ثون على جعل تقنيات التصنيع القائمة على الليزر أكثر سهولة، وتكلفة معقولة، وكفاءة، باستخدام التعلم الآلي.
فهم مزايا وتحديات دمج مسحوق السرير بالليزر (PBF-LB)
في مجال معالجة المعادن بالليزر الأوسع، يُعد دمج مسحوق السرير تقنية شائعة، حيث يتم استخدام الليزر لصهر طبقات رقيقة من مسحوق المعدن في المواقع الدقيقة ولحامها معًا لإنتاج المكون النهائي.
في الوقت نفسه، يُعد دمج مسحوق السرير بأشعة الليزر (PBF-LB) تقنية متخصصة حظيت باهتمام كبير في السنوات الأخيرة. في هذه التقنية البارزة للتصنيع الإضافي، تُستخدم الليزرات ذات القدرة العالية لصهر مساحيق المعادن طبقة بطبقة قبل تشكيلها إلى مكونات مخصصة وعالية الدقة.
تتيح هذه التقنية إنتاج أشكال هندسية معقدة مع توفير إمكانات التخصيص وضمان كفاءة المادة.
تجعل هذه الخصائص PBF-LB مفيدة بشكل خاص للصناعات مثل السيارات، والطب، والفضاء، والمنتجات الاستهلاكية، حيث نحتاج إلى أجزاء خفيفة الوزن ومعقدة، وتصاميم مخصصة، ودقة، وخفض الوزن، ونماذج أولية سريعة على التوالي.
على الرغم من مرونتها وكفاءتها، تواجه التقنية عدة عقبات في الوصول إلى تبني أوسع وتحقيق التحسين.
يتضمن ذلك صعوبة تحديد إطار المعالجة المثالي لمسحوق المعدن المستخدم.
“حتى دفعة جديدة من نفس مسحوق البداية قد تتطلب إعدادات مختلفة تمامًا.”
– ماسينيللي
إن إدخال الطاقة العالية المطلوب لصهر المعدن في هذه التقنية يخلق في الواقع آليات فيزيائية معقدة تؤثر سلبًا على جودة الأجزاء. تشمل هذه الآليات عدم تجانس خصائص المادة، وتأثير الغازات الجوية، وتفاعل الليزر مع سحابة البخار. كل هذه الظواهر تُسبب مشاكل في تحديد المعلمات.
يرجع ذلك أساسًا إلى وضعين. الأول هو وضع التوصيل حيث يُصهر المعدن فقط، وهو مثالي للمكونات الرقيقة والدقيقة. الخيار الآخر هو وضع الفتحة المفتاحية (keyhole) حيث يمكن تبخير المعدن في بعض الحالات. يكون أسرع لكنه أقل دقة، مما يجعله مناسبًا للمكونات السميكة.
مع ذلك، يعتمد الحد الفاصل بين هذين الوضعين على معلمات مختلفة، ويتطلب تحقيق أعلى جودة في المنتجات النهائية الإعدادات الصحيحة التي تختلف حسب المادة المعالجة.
التفاعلات المعقدة بين المادة والليزر تجعل العملية حساسة لتغييرات صغيرة جدًا، مما قد يؤدي إلى مشاكل في الإنتاج، وهذا يجعل التقنية مستهلكة للوقت والموارد. وبالتالي، يتطلب PBF-LB ضبطًا دقيقًا للمعلمات لتحقيق نتائج متسقة.
الأمر لا يتوقف عند هذا الحد. تُحلَّل العينات المنتجة في هذه المرحلة باستخدام تقنيات مختلفة مثل تحليل البنية الدقيقة، قياسات الكثافة، والتصوير المقطعي المحوسب بالأشعة السينية (CT).
توفر هذه الأساليب معلومات تفصيلية عن الهياكل الداخلية وتكشف العيوب، وهو أمر حاسم لتقييم جودة وأداء أجزاء PBF-LB، ولكنها تتطلب معدات متخصصة ومعرفة خبراء، بالإضافة إلى كونها مكلفة وتستغرق وقتًا طويلاً.
“لهذا السبب لا تستطيع العديد من الشركات تحمل تكلفة PBF في المقام الأول.”
– ماسينيللي
لمعالجة جميع هذه المشكلات، استخدم الباحثون من إمبا التعلم الآلي لجعل عمليات الليزر أكثر كفاءة، وتكلفة معقولة، ودقة.
انقر هنا لتعرف كيف يعيد التصنيع الإضافي تشكيل الصناعات.
الاستفادة من الذكاء الاصطناعي للتحكم الفوري في طباعة المعادن ثلاثية الأبعاد
لتحليل العينات، لجأ الباحثون إلى طرق المراقبة الفورية باستخدام حساسات مثل الانبعاث الصوتي (AE)، والتصوير الحراري عالي السرعة، والحساسات البصرية.
تم اختيار المراقبة الفورية بسبب قدرتها على اكتشاف الأحداث غير المرغوب فيها أثناء عملية التصنيع. يتيح ذلك إجراء تعديلات فورية، مما يوفر الموارد من خلال إزالة وإعادة صهر العيوب.
عادةً ما تستند تقنيات المراقبة الفورية إلى خوارزميات التعلم الآلي (ML).
مجال الدراسة في الذكاء الاصطناعي، يُعنى التعلم الآلي بتطوير خوارزميات إحصائية تتعلم من البيانات. تستخرج هذه الخوارزميات أنماطًا ذات معنى من بيانات عالية الأبعاد ثم تُجري توقعات، في حالة معالجة المعادن، حول جودة الجزء، دون الحاجة إلى برمجة صريحة لنماذج فيزيائية معقدة.
مع ذلك، لا تخلو هذه الأساليب القائمة على الذكاء الاصطناعي من قيود. تشمل التحديات تعلم النموذج اكتشاف التغييرات في معلمات العملية بدلاً من نظام العملية وتكوين العيوب.
إن الانجراف الطبيعي في معلمات الآلة مع مرور الوقت يشكل أيضًا عائقًا أمام تعميم هذه النماذج، مما يحد من قابلية تطبيق نماذج الذكاء الاصطناعي في بيئات التصنيع الواقعية. ثم هناك مشكلات مع الأتمتة، التي تتطلب معدات متخصصة وتصبح معقدة بسبب تعدد المعلمات، مما يجعل استكشافها صعبًا ومستهلكًا للموارد.
هناك حاجة واضحة إلى خوارزميات يمكنها التنقل بشكل مستقل في مساحة معلمات PBF، مع مراعاة متغيرات العملية المتعددة، لتحديد الظروف المثلى وفهم أنظمة الانصهار الأساسية.
يتم الآن تلبية هذه الحاجة من قبل الباحثين في إمبا، الذين اقترحوا طريقة جديدة تستخدم جمعًا غير مراقب للبيانات البصرية مع التركيز على تحديد نظام الانصهار دون الحاجة إلى بيانات مُعلمة أو تحليل ما بعد المعالجة المكثف.
تطبيق التعلم غير المراقب لتحسين معلمات PBF-LB
تركز التقنية غير المراقبة الجديدة التي طورها باحثو إمبا على معلمين رئيسيين: طاقة الليزر وسرعة المسح، واللذان تم تحديدهما كأكثر تأثيرًا على نظام الانصهار.
بينما كان تركيز الدراسة1 على هذين المعلمين، يمكن أيضًا استخدام التقنية لمعلمات عملية إضافية. في المستقبل، سيضمّن الباحثون معدل تدفق الغاز، وتباعد الخطوط، وسمك الطبقة في خوارزميتهم لتمكين استكشاف أكثر شمولًا لمساحة معلمات PBF-LB.
في الوقت الحالي، تُظهر الطريقة المقترحة بدقة الانتقال بين وضع التوصيل ووضع الفتحة المفتاحية.
توفر المقاربة غير المراقبة أيضًا أساسًا لاستخراج خرائط المعالجة دون الاعتماد على بيانات مُعلمة، مما يمنح ميزة كبيرة في PBF-LB، حيث إن الحصول على بيانات مُعلمة مكلف وصعب.
تستند الدراسة فعليًا إلى هذا الأساس وتقدم طريقة أصلية تجمع بين أجزاء من التعلم النشط (اختيار أكثر نقاط البيانات إفادة) والتحسين البايزي (استراتيجية أخذ عينات تكرارية تستخدم نموذجًا احتماليًا) لاشتقاق خرائط المعالجة بكفاءة.
ما يميز النهج هو أنه يبدأ بدون بيانات ثم يبني مجموعة البيانات تدريجيًا عن طريق تحديد أين يتم إجراء كل تجربة جديدة، مما يسمح لعملية التجربة أن تتحسن.
ومن الجدير بالذكر أنه على الرغم من استخدام نهج تكراري للتنقيح، يظل النموذج غير مراقب طوال العملية، حيث لا يتطلب بيانات مُعلمة. لتحديد أنظمة الانصهار، يعتمد الخوارزم على ميزات مستخرجة من البيانات البصرية، ثم تُستخدم النتائج لتدريب مصنف عملية غاوسية (GPC) لتوفير تقدير احتمالي للخريطة.
فيما يتعلق بالجانب التكراري، يختار الخوارزم إعدادات تجريبية جديدة بناءً على الحقول التي لديها عدم يقين عالٍ في التنبؤات، مما يحسن تقدير خريطة المعالجة.
بشكل أساسي، يُدرّس الخوارزم كيفية اكتشاف وضع اللحام الذي يكون فيه الليزر في أثناء اختبار، باستخدام بيانات من الحساسات البصرية المدمجة بالفعل في آلات الليزر. بناءً على ذلك، يحدد الخوارزم المعلمات للاختبار التالي.
“نأمل أن يتيح خوارزمنا للغير خبراء استخدام أجهزة PBF”، قال ماسينيللي. يحتاج فقط إلى دمجه في برنامج تشغيل آلات لحام الليزر من قبل الشركات المصنعة.
تقييم فعالية نموذج الذكاء الاصطناعي في تطبيقات PBF-LB
الخوارزم الجديد الذي قدمه الباحثون لإلغاء الحاجة إلى ضبط معلمات مكثف، والذي يحد من تبني PBF-LB على نطاق أوسع، يحدد بشكل مستقل أنظمة الانصهار باستخدام بيانات من الفوتوديودات.
وعند اختبارها في المختبر، وجد الفريق أن الطريقة دقيقة للغاية، حيث حققت درجة F1 بنسبة 89.2٪ عبر مادتين. لتقييم الأداء، طبع الباحثون عدة أجزاء في مادتين.
الأولى كانت Ti-6Al-4V، وهي واحدة من أكثر سبائك التيتانيوم (ألفا-بيتا) شيوعًا، تتميز بمقاومة ممتازة للتآكل وقوة نوعية عالية. والثانية كانت الفولاذ المقاوم للصدأ 316L، نسخة منخفضة الكربون من الفولاذ المقاوم للصدأ 316، تُستخدم عادةً في معالجة الأغذية، ومعدات الصيدلة، والأجهزة الطبية، والمجوهرات، والساعات الفاخرة، ومعالجة مياه الصرف، وفي الصناعة الكيميائية.
على وجه الخصوص، أجرى الفريق فحوصات لمسبح الصهر للتحقق من توقعات الخوارزم.
أظهر التقييم أن النهج قلل الحاجة إلى التجارب التجريبية بنسبة 67٪ في كلا المعدنين مع الحفاظ على أداء قوي. يمكن لهذا أن يقلل بشكل كبير من تكلفة استكشاف المعلمات. في الوقت نفسه، كان الانخفاض الأقصى في درجة F1 بنسبة 8.88٪ مقارنةً بتصميم تجربة كامل العامل.
The study stated:
“تُظهر هذه النتائج كفاءة طريقتنا في سياق استخراج خريطة معالجة مستقلة للعمليات التصنيعية المتقدمة.”
يعتقد الباحثون أن الطريقة المقدمة هنا يمكن أن “تحسن بشكل كبير” كلًا من كفاءة وموثوقية PBF-LB، مما قد يؤدي إلى تبني أوسع من خلال تعزيز فعاليتها العامة عبر مختلف القطاعات. وفقًا للدراسة:
“تُظهر نتائجنا إمكانات هذه الطريقة لتبسيط تحسين PBF-LB، مما يجعلها أكثر قابلية للتطبيق الصناعي ويفتح الطريق لتبني أوسع.”
تحسين عمليات لحام الليزر من خلال دمج الذكاء الاصطناعي وFPGA
بالإضافة إلى تحسين التجارب الأولية، حسّن الباحثون عملية اللحام في مشروع آخر.
عند الحديث عن لحام الليزر، حتى مع الإعدادات المثالية، قد ينتج عن العملية انحرافات غير متوقعة، وحتى الانحراف البسيط قد يؤدي إلى عيوب خطيرة في المنتج.
“حاليًا لا يمكن التأثير على عملية اللحام في الوقت الفعلي”، قال الباحث راجاني. “هذا يتجاوز قدرات الخبراء البشريين.”
– الباحث راجاني
في الواقع، حتى الحواسيب تكافح مع السرعة التي يجب فيها فحص البيانات واتخاذ القرارات. استخدم الباحثون شريحة حاسوب متخصصة هنا.
تُسمى هذه الشريحة بـ “المصفوفة القابلة للبرمجة ميدانياً” (FPGA)، والتي صُممت لأغراض الحوسبة عالية الأداء (HPC) والنمذجة الأولية. يمكن برمجة الشريحة بعد خروجها من الشركة المصنعة وتكييفها لحالات استخدام مختلفة دون الحاجة إلى تعديل مادي في العتاد. تجعلها مرونتها، إلى جانب الأداء العالي، ذات قيمة عالية في صناعات الطيران، والسيارات، والاتصالات.
Masinelli noted:
“مع الـ FPGA، نعرف بالضبط متى ستنفذ الأمر وكم ستستغرق مدة التنفيذ – وهو ما لا يحدث مع الحاسوب التقليدي.”
ربط الباحثون الـ FPGA بحاسوب شخصي ليعمل كـ “دماغ احتياطي”. بينما تراقب الشريحة وتتحكم في معلمات الليزر، تُستخدم هذه البيانات أيضًا من قبل الخوارزم على الحاسوب للتعلم.
“إذا كنا راضين عن أداء الخوارزم في البيئة الافتراضية على الحاسوب، يمكننا ‘نقله’ إلى الـ FPGA وجعل الشريحة أكثر ذكاءً دفعة واحدة.”
– ماسينيللي
يعتقد الباحثون أن التعلم الآلي والذكاء الاصطناعي يمتلكان القدرة على الإسهام بشكل كبير في معالجة المعادن بالليزر. وبالتالي، سيستمرون في تطوير خوارزمياتهم ونماذجهم، وتوسيع نطاق تطبيقها، بالتعاون مع مجموعات بحثية أخرى وشركاء صناعيين.
استكشاف فرص الاستثمار في تقنيات الطباعة ثلاثية الأبعاد
الآن، أحد اللاعبين الرئيسيين في تصميم وتصنيع المعادن الإضافية هو كوليبريوم أديتيف. وهو جزء من شركة جنرال إلكتريك (GE )، التي تعمل الآن تحت اسم GE Aerospace.
كان يُعرف سابقًا باسم GE Additive، وأُعيد إطلاقه كـ Colibrium Additive الصيف الماضي، وكجزء من إعادة العلامة التجارية، تم إيقاف Concept Laser وArcam EBM.
“بينما نغير اسمنا، نحافظ على تركيزنا الثابت على عملائنا، الجودة، والموثوقية. سنستمر في قيادة صناعة التصنيع الإضافي من المقدمة وإحداث تغيير إيجابي فيها.”
– الرئيس التنفيذي ألكسندر شميتز
جنرال إلكتريك (GE )
فيما يتعلق بطابعات 3D التي تقدمها كوليبريوم أديتيف، تشمل طابعات دمج مسحوق السرير بحزمة الإلكترون (EB-PBF)، وطابعات دمج مسحوق السرير بالليزر (L-PBF)، وطابعات رذاذ الرابطة.
فيما يتعلق بأداء الشركة في السوق، فقد ازدهرت حقًا خلال السنوات القليلة الماضية.
مع قيمة سوقية تتجاوز 260 مليار دولار، يتم تداول أسهم GE حاليًا بحوالي 244 دولارًا، بارتفاع كبير بنسبة 46٪ هذا العام. يقترب سهم الشركة بسرعة من ذروته عند حوالي 290 دولارًا، التي تم الوصول إليها في عام 2000. ربح السهم (TTM) هو 6.35، ومضاعف السعر إلى الأرباح (P/E) (TTM) هو 38.46، بينما عائد الأرباح المتاح للمساهمين هو 0.59٪.
(GE )
في الوقت نفسه، تُظهر البيانات المالية للشركة أداءً قويًا في الربع الأول من 2025 حيث سجلت GE إيرادات إجمالية قدرها 9.9 مليار دولار، بزيادة 11٪ بينما ارتفعت الطلبات الإجمالية بنسبة 12٪ إلى 12.3 مليار دولار.
قُدِّم هذا الانطلاقة القوية لعام 2025 من قبل الخدمات التجارية، وفقًا لما صرح به الرئيس التنفيذي ه. لورانس كولب الابن، مع الإشارة إلى الديناميات الاقتصادية الكلية التي تتطلب من الشركة اتخاذ إجراءات استراتيجية، مثل التحكم في التكاليف والاستفادة من برامج التجارة المتاحة.
قفز الربح التشغيلي بنسبة 38٪ في الربع الأول من 2025 إلى 2.1 مليار دولار بينما ارتفع ربح السهم المعدل بنسبة 60٪ إلى 1.49 دولار. خلال هذه الفترة، أبلغت GE أيضًا عن تدفق نقدي من الأنشطة التشغيلية بقيمة 1.5 مليار دولار (GAAP) بينما ارتفع التدفق النقدي الحر بنسبة 14٪ إلى 1.4 مليار دولار. كما أبلغت الشركة عن تراكم طلبات الخدمات التجارية يزيد عن 140 مليار دولار.أبلغت
في ظل كل ذلك، نمت تقنيتا الدفع والتصنيع الإضافي بنسبة 1٪ فقط، مع ملاحظة الشركة أن الأسعار والحجم عوضا انخفاض الشحنات نتيجة بدء مبيعات المعدات بشكل هادئ مخطط.
في تقريرها السنوي هذا العام، صرحت GE بأن “هناك تراجع في صناعة التصنيع الإضافي بسبب تبني التكنولوجيا الأبطأ”، لكنها في الوقت نفسه أشارت إلى أن كوليبريوم أديتيف تُعد “عملًا حيويًا للتكنولوجيا الحالية والمستقبلية في GE Aerospace بينما نستمر في التركيز على حيث يمكنها خلق أكبر قيمة.”
أحدث أخبار وتطورات سهم جنرال إلكتريك (GE)
الخلاصة
مع استمرار تقدم الذكاء الاصطناعي وتحوله للصناعات، يساعد أيضًا في إعادة تعريف ما هو ممكن في التصنيع الحديث من خلال تسريع تحسين العمليات وتمكين التكيف الفوري.
من خلال تقليل الوقت والتكلفة المرتبطين بضبط المعلمات واكتشاف العيوب في PBF وتحقيق التحكم الفوري في لحام الليزر، فإن التصنيع الإضافي القائم على الليزر مستعد لتبني أوسع، مما يمهد الطريق لعصر جديد من الإنتاج الفعال، المتاح، والمخصص.
انقر هنا للحصول على قائمة بأهم أسهم الطباعة ثلاثية الأبعاد.
الدراسات المشار إليها:
1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). الاستكشاف الذاتي لمساحة معلمات PBF-LB: خوارزمية مدفوعة بالعدم اليقين لإنشاء خرائط معالجة تلقائية. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677
