AI gør NASAs luftfartslegering lettere at 3D-printe

Metal‑3D‑print kan fremstille raketmotordele med indre kølekanaler og geometrier, som konventionel fremstilling har svært ved at producere. Men evnen til at tegne en avanceret komponent på en computer betyder ikke, at en producent ved, hvordan den skal printes med succes.

Alle kombinationer af laserkraft, scanninghastighed, pulverlevering, gasstrøm og laghøjde kan påvirke resultatet. En dårlig kombination kan skabe porer, revner eller svag binding. At finde de rette indstillinger kræver ofte måneder med omkostningsfuld prøve‑og‑fejl.

Forskere fra Washington State University og University of Minnesota har demonstreret¹, at kunstig intelligens kan gøre denne søgning væsentligt mere effektiv. Deres system identificerede flere måder at printe GRCop-42, en vanskelig NASA‑udviklet kobberlegering, ved brug af lavere effekt og mere udbredte metal‑3D‑printere.

Præstationen er vigtig ud over én legering. Den antyder, at AI kan hjælpe producenter med at bringe nye materialer hurtigere i produktion, sænke omkostningerne ved procesudvikling og udvide antallet af faciliteter, der kan fremstille specialiserede luftfartskomponenter.

Hvorfor GRCop-42 er værdifuld for luftfartsproduktion

GRCop-42 er en kobber‑, krom‑ og niobiumlegering, udviklet til miljøer, hvor komponenter skal modstå ekstrem varme. Den kombinerer høj termisk ledningsevne med styrke, oxidationsbestandighed, krybningsbestandighed og modstand mod termisk træthed.

Disse egenskaber gør den særligt nyttig i raketmotors forbrændingskamre, varmevekslere og andre systemer med høj varmestrøm. Kobber leder varme godt, men konventionelle kobberlegeringer kan miste styrke ved høje temperaturer. GRCop-42 er designet til at balancere begge krav.

De samme karakteristika, der gør legeringen værdifuld, gør den også svær at printe. Kobber reflekterer en stor del af den infrarøde energi, som almindelige fiberlasere producerer. Den transporterer også den absorberede varme væk fra smeltebadet meget hurtigt. Hvis printeren ikke kan skabe og opretholde et stabilt smeltebad, kan det deponerede materiale binde sig forkert.

Producenter kan kompensere ved at anvende kraftigere udstyr, men det øger indgangsomkostningerne. Forskerne spurgte derfor, om GRCop-42 kunne deponeres succesfuldt under 900 watt, med særlig interesse for intervallet 500 til 700 watt, som understøttes af mange flere maskiner.

Hvordan AI erstattede en dyr prøve‑og‑fejl‑proces

Teamet udviklede en ramme kaldet Bayesian Experimental Design for Additive Manufacturing, eller BEAM. Den betjener ikke printeren autonomt eller opfinder en del. I stedet beslutter den, hvilke printerkonfigurationer der er mest nyttige at teste næste gang.

BEAM starter med tidligere eksperimenter, herunder mislykkede prints. Den opbygger en probabilistisk model, der forbinder printerindstillinger med sandsynligheden for at producere en acceptabel struktur, og vælger derefter en ny lille batch til fysisk test. Resultaterne føres tilbage til modellen, og cyklussen gentages.

Dette er en praktisk anvendelse af AI, fordi den holder fysisk eksperimentering i kredsløbet. Andre forskere anvender på lignende måde AI til at forbedre præcisionen af laserbaseret metalbehandling. Modellen behøver ikke at simulere hver metallurgisk interaktion perfekt. Den behøver kun at gøre hvert dyrt eksperiment mere informativt end et stort set manuelt gæt.

Den økonomiske incitament er betydelig. Ifølge artiklen kan en enkelt directed energy deposition‑kørsel koste mellem $500 og $1.000. Efter‑print‑analyse kan kræve yderligere $500 pr. prøve og tage en til fire uger. Undersøgelse af en ny legerings procesvindue kan dermed overstige $100.000, selv før man medregner måneder med specialistarbejde.

Hvad forskerne testede

Forskerne brugte et femakslet directed energy deposition‑system udstyret med en 1.000‑watt infrarød fiberlaser. Directed energy deposition tilfører metalpulver til et laser‑genereret smeltebad og bygger gradvist materiale op på en overflade. I dette tilfælde deponerede systemet GRCop-42 på Inconel 718, en anden legering, der er bredt anvendt i højtemperatur‑applikationer.

De potentielle kombinationer af feed‑rate, gasstrøm, scanninghastighed, laghøjde og laserkraft skabte cirka én million mulige konfigurationer på hvert effekt‑niveau. I stedet for at udforske dette enorme rum manuelt, fik BEAM kun et budget på 10 eksperimenter for hver udvalgt laserkraft.

Inden for tre måneder fandt rammen mindst én gennemførlig konfiguration på hvert effekt‑niveau. De succesfulde prøver indeholdt solide indre med minimale fejl og en glat overgang mellem GRCop-42‑ og Inconel‑718‑materialerne. Teamet opdagede også, at usædvanligt høje scanninghastigheder og tyndere end normale lag var vigtige for at producere solide strukturer.

Printning med lavere effekt kan udvide adgangen til avancerede legeringer

Printning af GRCop-42 ved 500 watt reducerer ikke kun den elektricitet, som én laser forbruger. Det ændrer, hvilket udstyr der kan deltage. Artiklen anslår, at mere end 90 % af relevante printere opererer mellem 500 og 1.000 watt. At finde pålidelige indstillinger i dette interval kunne give universiteter, mindre producenter og specialiserede forskningsfaciliteter mulighed for at arbejde med en legering, der ellers ville kræve dyrere systemer.

Drift med lavere effekt kan også reducere forvrængning, forbedre overfladekvaliteten, begrænse slid på laseroptik og mindske kravene til efterbehandling. Disse fordele skal måles for en specifik produktionsproces, men de viser, hvorfor parameteropdagelse påvirker fremstillingsøkonomien lige så meget som den tekniske gennemførlighed.

Potentielle fordele omfatter:

• Færre mislykkede byggeprocesser under materialudvikling
• Lavere udstyrs- og efterbehandlingskrav
• Hurtigere kvalificering af nye materialer og komponenter
• Mere distribueret produktion af specialiserede metaldele

Dette sidste punkt er særligt relevant for luftfart og forsvar. Disse industrier har brug for lave volumener af specialiserede dele og står ofte over for forsyningskæder med få kvalificerede leverandører. En proces, der kan overføres til flere maskiner, kan gøre begrænsede produktionsløb mindre afhængige af en enkelt facilitet.

AI kan blive et værktøj til kommercialisering af materialer

Den større mulighed er ikke begrænset til GRCop-42. Metal‑additiv fremstilling understøtter mange potentielt værdifulde legeringer, men hver ny materiale‑ og maskinkombination kræver sit eget procesvindue. En indstilling, der fungerer på én printer, overføres måske ikke perfekt til en anden på grund af forskelle i lasere, pulver, atmosfære, geometri og termisk adfærd.

Dette skaber en skjult flaskehals. Materialevidenskabsfolk kan formulere en legering med imponerende egenskaber, mens producenter stadig kan mangle en overkommelig og gentagelig metode til at omdanne den til færdige komponenter. Lignende AI‑assisterede metoder bruges allerede til at udvikle stærkere og mere korrosionsbestandig 3D‑printbar stål. AI‑styret eksperimentelt design kan hjælpe med at bygge bro over den resterende produktionskløft ved at betragte mislykkede eksperimenter som nyttige data og dirigere ressourcer mod de dele af søgeområdet, der mest sandsynligt vil producere levedygtige resultater.

Efterhånden som virksomheder indsamler data på tværs af maskiner og materialer, kan modeller muligvis på sigt starte projekter med viden hentet fra lignende legeringer. Det ville gøre procesudviklingshistorik til en genanvendelig produktionsressource.

Denne undersøgelse bør dog ikke fortolkes som bevis på, at flyklare komponenter nu kan printes ved 500 watt. Forskerne producerede laboratorieprøver, ikke certificerede raketmotorer. Luftfartsadoption vil stadig kræve gentagelighedsstudier, mekanisk testning, komponent‑niveau validering og godkendelse under krævende kvalitetssystemer. BEAM fremskyndede opdagelsen af gennemførlige indstillinger, hvilket er et tidligt, men dyrt trin i en meget længere kommercialiseringsproces.

Investering i AI‑drevet metal‑additiv fremstilling

For investorer, der er interesseret i virksomheder, hvor luftfart, AI og additiv fremstilling mødes, Velo3D (VELO ) tilbyder et særligt relevant eksempel. Virksomheden udvikler Sapphire‑familien af metal‑additive fremstillingssystemer til missionskritiske luftfarts‑ og forsvarsapplikationer.

Velo3D har allerede kvalificeret GRCop-42 til sin platform. Dens teknologi bruger laser‑pulverbedsfusion i stedet for den directed energy deposition‑proces, der blev testet i artiklen, så BEAM’s konfigurationer kan ikke blot kopieres til en Sapphire‑printer. Det bredere princip er stadig relevant: AI‑styret opdagelse kan hjælpe printerproducenter med at kvalificere vanskelige materialer og reducere udviklingsomkostninger.

Det giver en naturlig investeringshypotese omkring ophobning af procesviden. Den langsigtede konkurrencefordel inden for metalprint kan muligvis ikke kun komme fra laserkraft eller byggevolumen. Den kan også afhænge af, hvilken virksomhed der pålideligt kan omdanne det bredeste udvalg af avancerede materialer til gentagelige, certificerbare dele.

Velo3D forbliver en spekulativ small‑cap‑virksomhed, der er udsat for udførelses‑, finansierings‑, konkurrence‑ og kundekoncentrationsrisici. Ikke desto mindre gør dens fokus på luftfart og eksisterende GRCop-42‑kapacitet den til en relevant børsnoteret virksomhed at holde øje med, efterhånden som AI bliver dybere integreret i industriel procesudvikling.

AI ændrer, hvordan fysiske teknologier udvikles

Den mest betydningsfulde egenskab ved BEAM er, at den anvender AI på en fysisk industriel begrænsning. Den genererer ikke et koncept, der stadig skal testes. Den vælger, hvilken virkelighedsnær test der skal udføres næste gang, lærer af resultatet og gør det efterfølgende eksperiment mere informeret.

Dette lukkede kredsløb kan blive et definerende mønster for AI i fremstillingen. Efterhånden som materialer og komponenter bliver mere specialiserede, bliver udtømmende eksperimentering for langsom og dyr. Systemer, der kombinerer maskinlæring med ekspertviden, kan indsnævre søgningen uden at fjerne videnskabsfolk eller ingeniører fra processen.

For luftfartsproducenter er det umiddelbare resultat en mere tilgængelig måde at printe en værdifuld NASA‑legering på. Den dybere implikation er, at AI kan forkorte vejen mellem opdagelsen af et avanceret materiale og produktionen af brugbare dele heraf. Det kan udvide additiv fremstilling ud over geometrisk frihed og gøre den til en hurtigere platform for kommercialisering af selve materialerne.

Referencer:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Opdagelse af gennemførlige 3D‑print‑konfigurationer for metallegeringer via AI‑drevet adaptivt eksperimentelt design. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}