KI erleichtert das 3D‑Drucken der NASA‑Luftfahrtlegierung

Das Metall‑3D‑Drucken kann Triebwerksteile mit internen Kühlkanälen und Geometrien herstellen, die die konventionelle Fertigung kaum realisieren kann. Dennoch bedeutet die Möglichkeit, ein fortschrittliches Bauteil am Computer zu entwerfen, nicht, dass ein Hersteller weiß, wie man es erfolgreich druckt.

Jede Kombination aus Laserleistung, Scangeschwindigkeit, Pulverzufuhr, Gasfluss und Schichthöhe kann das Ergebnis verändern. Eine ungünstige Kombination kann Poren, Risse oder schwache Bindungen erzeugen. Die richtigen Einstellungen zu finden, erfordert oft Monate kostspieliger Versuche und Fehlversuche.

Forscher der Washington State University und der University of Minnesota haben gezeigt¹, dass künstliche Intelligenz diese Suche erheblich effizienter machen kann. Ihr System identifizierte mehrere Möglichkeiten, GRCop-42, eine schwierige von der NASA entwickelte Kupferlegierung, mit weniger leistungsstarken und weiter verbreiteten Metall‑3D‑Druckern zu drucken.

Der Erfolg ist über diese eine Legierung hinaus bedeutsam. Er deutet darauf hin, dass KI Herstellern helfen könnte, neue Materialien schneller in die Produktion zu bringen, die Kosten der Prozessentwicklung zu senken und die Zahl der Einrichtungen zu erhöhen, die spezialisierte Luftfahrtkomponenten herstellen können.

Warum GRCop-42 für die Luftfahrtfertigung wertvoll ist

GRCop-42 ist eine Kupfer‑Chrom‑Niob‑Legierung, die für Umgebungen entwickelt wurde, in denen Bauteile extremen Temperaturen standhalten müssen. Sie vereint hohe Wärmeleitfähigkeit mit Festigkeit, Oxidationsbeständigkeit, Kriechbeständigkeit und Widerstand gegen thermische Ermüdung.

Diese Eigenschaften machen sie besonders nützlich in Brennkammern von Raketentriebwerken, Wärmetauschern und anderen Systemen mit hoher Wärmestromdichte. Kupfer leitet Wärme gut, doch herkömmliche Kupferlegierungen können bei hohen Temperaturen an Festigkeit verlieren. GRCop-42 wurde entwickelt, um beide Anforderungen zu balancieren.

Die gleichen Eigenschaften, die die Legierung wertvoll machen, erschweren zugleich das Drucken. Kupfer reflektiert einen Großteil der Infrarotenergie, die von üblichen Faserlasern erzeugt wird. Zudem leitet es die aufgenommene Wärme sehr schnell vom Schmelzbad weg. Kann der Drucker kein stabiles Schmelzbad erzeugen und halten, kann das aufgebrachte Material nicht richtig binden.

Hersteller können dies durch leistungsstärkere Geräte ausgleichen, was jedoch die Einstiegskosten erhöht. Die Forscher fragten daher, ob GRCop-42 erfolgreich unter 900 W abgeschieden werden kann, wobei besonderes Interesse dem Bereich von 500 bis 700 W gilt, der von vielen weiteren Maschinen unterstützt wird.

Wie KI einen teuren Trial‑and‑Error‑Prozess ersetzte

Das Team entwickelte ein Rahmenwerk namens Bayesian Experimental Design for Additive Manufacturing, kurz BEAM. Es steuert den Drucker nicht autonom und erfindet kein Bauteil. Stattdessen entscheidet es, welche Druckkonfigurationen als nächstes am sinnvollsten zu testen sind.

BEAM startet mit früheren Experimenten, einschließlich fehlgeschlagener Drucke. Es erstellt ein probabilistisches Modell, das die Druckereinstellungen mit der Wahrscheinlichkeit einer akzeptablen Struktur verknüpft, und wählt anschließend eine weitere kleine Stichprobe für physikalische Tests aus. Diese Ergebnisse fließen zurück ins Modell und der Zyklus wiederholt sich.

Dies ist ein praktischer Einsatz von KI, weil physikalische Experimente im Prozess bleiben. Andere Forscher nutzen ebenfalls KI, um die Präzision der laserbasierten Metallbearbeitung zu verbessern. Das Modell muss nicht jede metallurgische Wechselwirkung perfekt simulieren. Es muss lediglich jedes teure Experiment informativer machen als eine weitgehend manuelle Schätzung.

Der wirtschaftliche Anreiz ist erheblich. Laut der Arbeit kann ein einzelner Directed‑Energy‑Deposition‑Durchlauf zwischen 500 $ und 1.000 $ kosten. Die Nach‑Druck‑Analyse kann weitere 500 $ pro Probe erfordern und ein bis vier Wochen dauern. Die Erkundung des Prozessfensters einer neuen Legierung kann folglich über 100.000 $ hinausgehen, noch bevor Monate spezialisierten Personals berücksichtigt werden.

Was die Forscher testeten

Die Forscher nutzten ein fünf‑achsiges Directed‑Energy‑Deposition‑System, das mit einem 1.000‑W‑Infrarot‑Faserlaser ausgestattet war. Beim Directed Energy Deposition wird Metallpulver in ein vom Laser erzeugtes Schmelzbad eingespritzt und schichtweise Material auf einer Oberfläche aufgebaut. In diesem Fall depositierte das System GRCop-42 auf Inconel 718, einer weiteren Legierung, die häufig in Hochtemperaturanwendungen verwendet wird.

Die möglichen Kombinationen aus Vorschubrate, Gasfluss, Scangeschwindigkeit, Schichthöhe und Laserleistung erzeugten bei jeder Leistungsstufe etwa eine Million Kandidatenkonfigurationen. Anstatt diesen riesigen Raum manuell zu erkunden, erhielt BEAM ein Budget von nur 10 Experimenten für jede ausgewählte Laserleistung.

Innerhalb von drei Monaten fand das Rahmenwerk mindestens eine machbare Konfiguration auf jeder Leistungsstufe. Die erfolgreichen Proben wiesen massive Innenräume mit minimalen Defekten und einen glatten Übergang zwischen den Materialien GRCop‑42 und Inconel 718 auf. Das Team stellte außerdem fest, dass ungewöhnlich hohe Scangeschwindigkeiten und dünnere als übliche Schichten entscheidend für die Herstellung massiver Strukturen waren.

Druck mit geringerer Leistung könnte den Zugang zu fortschrittlichen Legierungen erweitern

Der Druck von GRCop‑42 bei 500 W reduziert nicht nur den Stromverbrauch eines Lasers. Er ändert, welche Geräte mitwirken können. Die Arbeit schätzt, dass über 90 % der relevanten Drucker zwischen 500 und 1.000 W arbeiten. Zuverlässige Einstellungen in diesem Bereich zu finden, könnte Universitäten, kleineren Herstellern und spezialisierten Forschungseinrichtungen ermöglichen, mit einer Legierung zu arbeiten, die sonst teurere Systeme erfordern würde.

Der Betrieb mit geringerer Leistung kann zudem Verzerrungen reduzieren, die Oberflächenqualität verbessern, den Verschleiß an Laseroptiken begrenzen und den Nachbearbeitungsaufwand verringern. Diese Vorteile müssten für einen konkreten Produktionsprozess gemessen werden, zeigen aber, warum die Entdeckung von Parametern die Wirtschaftlichkeit der Fertigung ebenso stark beeinflusst wie die technische Machbarkeit.

Mögliche Vorteile umfassen:

• Weniger fehlgeschlagene Aufbauten während der Materialentwicklung
• Geringere Anforderungen an Geräte und Nachbearbeitung
• Schnellere Qualifizierung neuer Materialien und Bauteile
• Dezentralere Produktion spezialisierter Metallteile

Dieser letzte Punkt ist besonders für Luft- und Raumfahrt sowie Verteidigung relevant. Diese Branchen benötigen geringe Stückzahlen spezialisierter Teile und sehen sich häufig mit Lieferketten konfrontiert, die nur wenige qualifizierte Lieferanten haben. Ein auf mehr Maschinen übertragbarer Prozess könnte begrenzte Produktionsläufe weniger von einer einzelnen Anlage abhängig machen.

KI könnte zu einem Werkzeug für die Kommerzialisierung von Materialien werden

Die größere Chance beschränkt sich nicht auf GRCop‑42. Die Metall‑Additive‑Manufacturing unterstützt viele potenziell wertvolle Legierungen, doch jede neue Material‑ und Maschinenkombination erfordert ihr eigenes Prozessfenster. Eine Einstellung, die bei einem Drucker funktioniert, lässt sich möglicherweise nicht perfekt auf einen anderen übertragen, weil sich Laser, Pulver, Atmosphäre, Geometrie und thermisches Verhalten unterscheiden.

Dadurch entsteht ein versteckter Engpass. Materialwissenschaftler können eine Legierung mit beeindruckenden Eigenschaften formulieren, während Herstellern möglicherweise noch eine erschwingliche und wiederholbare Methode fehlt, sie in fertige Bauteile zu überführen. Ähnliche KI‑unterstützte Verfahren werden bereits eingesetzt, um stärkeren und korrosionsbeständigeren 3D‑druckbaren Stahl zu entwickeln. KI‑gesteuertes experimentelles Design kann die verbleibende Fertigungslücke schließen, indem fehlgeschlagene Experimente als nützliche Daten behandelt und Ressourcen auf die Teile des Suchraums gelenkt werden, die am wahrscheinlichsten brauchbare Ergebnisse liefern.

Wenn Unternehmen Daten über Maschinen und Materialien hinweg sammeln, könnten Modelle künftig Projekte mit Wissen aus ähnlichen Legierungen starten. Das würde die Geschichte der Prozessentwicklung in ein wiederverwendbares Fertigungsvermögen verwandeln.

Allerdings sollte die vorliegende Studie nicht als Beweis dafür verstanden werden, dass flugbereite Bauteile jetzt bei 500 W gedruckt werden können. Die Forscher stellten Laborproben her, keine zertifizierten Raketentriebwerke. Die Einführung in die Luftfahrt würde weiterhin Wiederholbarkeitsstudien, mechanische Tests, Validierung auf Komponentenebene und Genehmigungen nach anspruchsvollen Qualitätssystemen erfordern. BEAM beschleunigte die Entdeckung machbarer Einstellungen, was ein früher, aber kostenintensiver Schritt eines wesentlich längeren Kommerzialisierungsprozesses ist.

Investitionen in KI‑gestützte Metall‑Additive‑Manufacturing

Für Investoren, die an Unternehmen interessiert sind, die an der Schnittstelle von Luftfahrt, KI und Additive Manufacturing tätig sind, bietet Velo3D (VELO ) ein besonders relevantes Beispiel. Das Unternehmen entwickelt die Sapphire‑Familie von Metall‑Additive‑Manufacturing‑Systemen für missionskritische Luftfahrt‑ und Verteidigungsanwendungen.

Velo3D hat GRCop‑42 bereits für seine Plattform qualifiziert. Seine Technologie verwendet Laser‑Pulverbett‑Fusion anstelle des im Papier getesteten Directed‑Energy‑Deposition‑Verfahrens, sodass die BEAM‑Konfigurationen nicht einfach auf einen Sapphire‑Drucker übertragen werden können. Das übergeordnete Prinzip bleibt jedoch relevant: KI‑gesteuerte Entdeckungen könnten Druckerherstellern helfen, schwierige Materialien zu qualifizieren und Entwicklungskosten zu senken.

Damit ergibt sich ein natürlicher Investment‑Thesis rund um die Anhäufung von Prozesswissen. Der langfristige Wettbewerbsvorteil im Metall‑Druck könnte nicht allein aus Laserleistung oder Bauvolumen resultieren. Er könnte auch davon abhängen, welches Unternehmen zuverlässig das breiteste Spektrum fortschrittlicher Materialien in wiederholbare, zertifizierbare Bauteile umwandeln kann.

Velo3D bleibt ein spekulatives Small‑Cap‑Unternehmen, das Risiken hinsichtlich Umsetzung, Finanzierung, Wettbewerb und Kundenkonzentration ausgesetzt ist. Dennoch machen sein Fokus auf die Luftfahrt und die bestehende GRCop‑42‑Fähigkeit es zu einem relevanten börsennotierten Unternehmen, das man beobachten sollte, während KI tiefer in die industrielle Prozessentwicklung integriert wird.

KI verändert die Entwicklung physischer Technologien

Das bedeutendste Merkmal von BEAM ist, dass es KI auf eine physische industrielle Einschränkung anwendet. Es erzeugt kein Konzept, das noch getestet werden muss. Es wählt aus, welcher reale Test als nächstes durchgeführt werden soll, lernt aus dem Ergebnis und macht das folgende Experiment besser informiert.

Dieser geschlossene Kreislauf könnte zu einem prägenden Muster für KI in der Fertigung werden. Da Materialien und Bauteile immer spezialisierter werden, wird umfassende Experimentation zu langsam und zu teuer. Systeme, die maschinelles Lernen mit Expertenwissen kombinieren, können die Suche eingrenzen, ohne Wissenschaftler oder Ingenieure aus dem Prozess zu entfernen.

Für Luftfahrt­hersteller ist das unmittelbare Ergebnis ein leichter zugänglicher Weg, eine wertvolle NASA‑Legierung zu drucken. Die tiefere Implikation ist, dass KI den Weg von der Entdeckung eines fortschrittlichen Materials bis zur Herstellung nützlicher Teile daraus verkürzen könnte. Das könnte die additive Fertigung über die geometrische Freiheit hinaus erweitern und sie zu einer schnelleren Plattform für die Kommerzialisierung der Materialien selbst machen.

Referenzen:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Entdeckung machbarer 3D‑Druckkonfigurationen für Metalllegierungen mittels KI‑gesteuertem adaptivem experimentellem Design. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}