Tekoäly helpottaa NASA:n avaruusalloyn 3D‑tulostusta

Metallinen 3D‑tulostus voi luoda rakettimoottorin osia, joissa on sisäisiä jäähdytyskanavia ja geometrioita, joita perinteinen valmistus ei pysty tuottamaan. Kuitenkin kyky piirtää edistynyt komponentti tietokoneella ei tarkoita, että valmistaja tietäisi, miten se tulostetaan onnistuneesti.

Jokainen laseritehon, skannausnopeuden, jauheensyötön, kaasun virtauksen ja kerrospaksuuden yhdistelmä voi muuttaa lopputulosta. Huono yhdistelmä voi aiheuttaa huokosia, halkeilua tai heikkoa sidosta. Oikeiden asetusten löytäminen vaatii usein kuukausia kalliita kokeiluja ja erehdyksiä.

Tutkijat Washington State Universitystä ja Minnesotan yliopistosta ovat osoittaneet¹, että tekoäly voi tehdä tästä hausta merkittävästi tehokkaamman. Heidän järjestelmänsä tunnisti useita tapoja tulostaa GRCop-42, vaikea NASA:n kehittämä kupariseos, käyttäen vähemmän tehoa ja laajemmin saatavilla olevia metallisia 3D‑tulostimia.

Saavutus on tärkeä yhden seoksen lisäksi. Se viittaa siihen, että tekoäly voisi auttaa valmistajia saattamaan uudet materiaalit tuotantoon nopeammin, alentamaan prosessikehityksen kustannuksia ja laajentamaan niiden laitosten määrää, jotka pystyvät tuottamaan erikoistuneita avaruusteollisuuden komponentteja.

Miksi GRCop-42 on arvokas avaruusteollisuuden valmistuksessa

GRCop-42 on kuparin, kromin ja niobiumin seos, joka on kehitetty ympäristöihin, joissa komponenttien on kestettävä äärimmäistä lämpöä. Se yhdistää korkean lämmönjohtavuuden vahvuuteen, hapettumiskestävyyteen, ryppyynkestävyyteen ja lämpöväsymiskestävyyteen.

Nämä ominaisuudet tekevät siitä erityisen hyödyllisen rakettimoottorin palotiloissa, lämmönvaihtimissa ja muissa suurta lämmönvirtausta vaativissa järjestelmissä. Kupari johtaa lämpöä hyvin, mutta perinteiset kupariseokset voivat menettää vahvuutta kohonneissa lämpötiloissa. GRCop-42 on suunniteltu tasapainottamaan molemmat vaatimukset.

Samet ominaisuudet, jotka tekevät seoksesta arvokkaan, tekevät myös sen tulostamisesta vaikeaa. Kupari heijastaa suuren osan tavallisten kuitulaserien tuottamasta infrapunasäteilystä. Se myös siirtää absorboitua lämpöä sulatusaltaasta erittäin nopeasti. Jos tulostin ei pysty luomaan ja ylläpitämään vakaata sulatusallasta, kerätty materiaali ei välttämättä sidoudu kunnolla.

Valmistajat voivat kompensoida käyttämällä tehokkaampaa laitteistoa, mutta se nostaa sisäänpääsymaksua. Tutkijat kysyivät siksi, voidaanko GRCop-42 kerrostaa onnistuneesti alle 900 watin teholla, erityisesti 500–700 watin alueella, jota tukevat monet muut koneet.

Kuinka tekoäly korvasi kalliin kokeilu‑ja‑virheprosessi

Tiimi kehitti kehyksen, jota kutsutaan Bayesilaiseksi kokeelliseksi suunnitteluksi lisävalmistuksessa (Bayesian Experimental Design for Additive Manufacturing), tai BEAMiksi. Se ei ohjaa tulostinta itsenäisesti eikä keksi osaa. Sen sijaan se päättää, mitkä tulostusasetukset ovat seuraavaksi hyödyllisimmät testattavaksi.

BEAM aloittaa aikaisemmista kokeista, mukaan lukien epäonnistuneet tulostukset. Se rakentaa todennäköisyysmallin, joka yhdistää tulostimen asetukset hyväksyttävän rakenteen tuottamisen todennäköisyyteen, ja valitsee sitten toisen pienen erän fyysistä testausta varten. Nämä tulokset palautuvat malliin ja sykli toistuu.

Tämä on käytännön esimerkki tekoälyn käytöstä, koska se pitää fyysisen kokeilun mukana. Muut tutkijat soveltavat samankaltaisesti tekoälyä laserpohjaisen metalliprosessoinnin tarkkuuden parantamiseen. Mallin ei tarvitse simuloida jokaista metallurgista vuorovaikutusta täydellisesti. Sen tarvitsee vain tehdä jokaisesta kalliista kokeesta informatiivisempi kuin pitkälti manuaalinen arvailu.

Taloudellinen kannustin on merkittävä. Julkaisun mukaan yhden suunnatun energian talletuksen suoritus voi maksaa 500–1 000 dollaria. Tulostuksen jälkeinen analyysi voi vaatia lisä 500 dollaria per näyte ja kestää yhden–neljän viikon. Uuden seoksen prosessialueen tutkiminen voi siten ylittää 100 000 dollaria, jopa ennen kuin otetaan huomioon kuukausien erikoisosaajien työ.

Mitä tutkijat testasivat

Tutkijat käyttivät viisiakselista suunnatun energian talletusjärjestelmää, jossa oli 1 000 watin infrapuna‑kuitulaser. Suunnattu energian talletus syöttää metallijauhetta laserin luomaan sulatusaltaaseen, rakentaen materiaalia vähitellen pinnalle. Tässä tapauksessa järjestelmä keräsi GRCop-42:a Inconel 718:een, toiseen laajasti korkeissa lämpötiloissa käytettyyn seokseen.

Tutkijat käyttivät viisiakselista suunnatun energian talletusjärjestelmää, jossa oli 1 000 watin infrapuna‑kuitulaser. Suunnattu energian talletus syöttää metallijauhetta laserin luomaan sulatusaltaaseen, rakentaen materiaalia vähitellen pinnalle. Tässä tapauksessa järjestelmä keräsi GRCop-42:a Inconel 718:een, toiseen laajasti korkeissa lämpötiloissa käytettyyn seokseen.

Syöttönopeuden, kaasun virtauksen, skannausnopeuden, kerrospaksuuden ja laseritehon mahdolliset yhdistelmät loivat noin miljoona ehdokaskonfiguraatiota jokaiselle tehotasolle. Sen sijaan, että tätä valtavaa tilaa tutkittaisiin manuaalisesti, BEAM sai budjetin vain 10 kokeeseen kullekin valitulle laseriteholle.

Kolmen kuukauden aikana kehys löysi vähintään yhden toteutuvan konfiguraation jokaisella tehotasolla. Onnistuneet näytteet sisälsivät kiinteitä sisäosia, joissa oli minimaaliset viat, ja tasaisen siirtymän GRCop-42:n ja Inconel 718:n materiaalien välillä. Tiimi havaitsi myös, että poikkeuksellisen korkeat skannausnopeudet ja ohuemmat kuin tavalliset kerrokset olivat tärkeitä kiinteiden rakenteiden tuottamisessa.

Alhaisemman tehon tulostus voi laajentaa pääsyä kehittyneisiin seoksiin

GRCop-42:n tulostaminen 500 watissa ei pelkästään vähennä yhden laserin kuluttamaa sähköä. Se muuttaa, millä laitteistolla on mahdollisuus osallistua. Julkaisu arvioi, että yli 90 prosenttia relevantista tulostimista toimii 500–1 000 watin välillä. Luotettavien asetusten löytäminen tässä alueessa voisi mahdollistaa yliopistoille, pienemmille valmistajille ja erikoistuneille tutkimuslaitoksille työskentelyn seoksen kanssa, joka muuten saattaisi vaatia kalliimpia järjestelmiä.

Alhaisempi teho saattaa myös vähentää vääristymiä, parantaa pinnan laatua, rajoittaa laser‑optiikan kulumista ja vähentää jälkikäsittelyvaatimuksia. Näiden etujen mittaaminen vaatii tietyn tuotantoprosessin tarkastelua, mutta ne osoittavat, miksi parametrien löytäminen vaikuttaa valmistuksen talouteen yhtä paljon kuin tekninen toteutettavuus.

Mahdollisia etuja ovat:

• Vähemmän epäonnistuneita rakennuksia materiaalikehityksen aikana
• Alhaisemmat laite- ja jälkikäsittelyvaatimukset
• Uusien materiaalien ja komponenttien nopeampi kelpoisuus
• Laajemmin hajautettu erikoistuneiden metalliosien tuotanto

Tämä viimeinen seikka on erityisen merkityksellinen avaruus- ja puolustusteollisuudelle. Nämä alat tarvitsevat pieniä määriä erikoistuneita osia ja kohtaavat usein toimitusketjuja, joissa on vain vähän päteviä toimittajia. Prosessi, joka on siirrettävissä useampiin koneisiin, voisi tehdä rajoitetuista tuotantoeristä vähemmän riippuvaisia yhdestä laitoksesta.

Tekoäly voisi tulla materiaalien kaupallistamistyökaluksi

Suurempi mahdollisuus ei rajoitu GRCop-42:een. Metallinen lisävalmistus tukee monia potentiaalisesti arvokkaita seoksia, mutta jokainen uusi materiaali- ja konemerkkiyhdistelmä vaatii oman prosessi‑ikkunansa. Asetus, joka toimii yhdessä tulostimessa, ei välttämättä siirry täydellisesti toiseen johtuen laserien, jauheiden, ympäristön, geometrioiden ja lämpökäyttäytymisen eroista.

Tämä luo piilotetun pullonkaulan. Materiaalitieteilijät voivat koostaa seoksen vaikuttavilla ominaisuuksilla, mutta valmistajilla saattaa edelleen olla puutteita edullisessa ja toistettavassa menetelmässä muuntaa se valmiiksi komponenteiksi. Samankaltaisia tekoälyavusteisia menetelmiä käytetään jo vahvemman ja korroosionkestävämmän 3D‑tulostettavan teräksen kehittämiseen. Tekoälyohjattu kokeellinen suunnittelu voi auttaa kaventamaan jäljelle jäänyttä valmistusaukkoa käsittelemällä epäonnistuneita kokeita hyödyllisinä tietoina ja suuntaamalla resursseja hakutilan niihin osiin, jotka todennäköisesti tuottavat käyttökelpoisia tuloksia.

Kun yritykset keräävät dataa eri koneista ja materiaaleista, mallit voivat lopulta aloittaa projekteja tiedolla, joka on opittu samanlaisista seoksista. Tämä muuttaisi prosessikehityshistorian uudelleenkäytettäväksi valmistusvarallisuudeksi.

Kuitenkin tätä tutkimusta ei tule tulkita todisteeksi siitä, että lentokelpoisia komponentteja voitaisiin nyt tulostaa 500 watilla. Tutkijat valmistivat laboratoriomalleja, eivät sertifioituja rakettimoottoreita. Avaruusteollisuuden omaksuminen edellyttäisi edelleen toistettavuustutkimuksia, mekaanista testausta, komponenttitasoista validointia ja hyväksyntää vaativissa laatujärjestelmissä. BEAM nopeutti toteutuvien asetusten löytämistä, mikä on varhainen mutta kallis vaihe paljon pidemmässä kaupallistamisprosessissa.

Sijoittaminen tekoälypohjaiseen metalliseen lisävalmistukseen

Sijoittajille, jotka ovat kiinnostuneita yrityksistä, joissa avaruusteollisuus, tekoäly ja lisävalmistus kohtaavat, Velo3D (VELO ) tarjoaa erityisen relevantin esimerkin. Yritys kehittää Sapphire‑perhettä metallisia lisävalmistusjärjestelmiä kriittisiin avaruus- ja puolustussovelluksiin.

Velo3D on jo kelpuuttanut GRCop-42:n alustalleen. Sen teknologia käyttää laseripölyvuoropullausta sen sijaan, että se käyttäisi paperissa testattua suunnatun energian talletusprosessia, joten BEAM:n konfiguraatioita ei voida yksinkertaisesti kopioida Sapphire‑tulostimeen. Laajempi periaate on edelleen relevantti: tekoälyohjattu löytäminen voi auttaa tulostinvalmistajia kelpuuttamaan vaikeita materiaaleja ja vähentämään kehityskustannuksia.

Tämä tarjoaa luonnollisen sijoitusväitteen prosessitiedon kertymän ympärille. Metallitulostuksen pitkän aikavälin kilpailuetu ei välttämättä perustu pelkästään laseritehoon tai rakennusvolyymiin. Se voi myös riippua siitä, mikä yritys pystyy luotettavasti muuntamaan laajimman valikoiman kehittyneitä materiaaleja toistettaviksi, sertifioitaviksi osiksi.

Velo3D on edelleen spekulatiivinen pienikokoinen yhtiö, joka on altis toteutuksen, rahoituksen, kilpailun ja asiakaskeskittymisen riskeille. Siitä huolimatta sen avaruusteollisuuden fokus ja olemassa oleva GRCop-42‑kyky tekevät siitä relevantin pörssiyhtiön, jota kannattaa seurata, kun tekoäly integroidaan yhä syvemmin teolliseen prosessikehitykseen.

Tekoäly muuttaa, miten fyysisiä teknologioita kehitetään

BEAM:n merkittävin ominaisuus on, että se soveltaa tekoälyä fyysiseen teolliseen rajoitteeseen. Se ei luo konseptia, joka vielä täytyy testata. Se valitsee, mikä todellinen testi tulisi tehdä seuraavaksi, oppii tuloksesta ja tekee seuraavasta kokeesta paremmin informoidun.

Tämä suljettu silmukka voisi muodostua määritteleväksi malliksi tekoälyn roolissa valmistuksessa. Kun materiaalit ja komponentit muuttuvat yhä erikoistuneemmiksi, kattava kokeilu on liian hidasta ja kallista. Järjestelmät, jotka yhdistävät koneoppimisen asiantuntijatiedon kanssa, voivat kaventaa hakua poistamatta tutkijoita tai insinöörejä prosessista.

Avaruusteollisuuden valmistajille välitön tulos on helpompi tapa tulostaa arvokas NASA:n seos. Syvempi merkitys on, että tekoäly voi lyhentää polkua kehittyneen materiaalin löytämisen ja siitä hyödyllisten osien valmistamisen välillä. Tämä voisi laajentaa lisävalmistusta geometrisen vapauden ulkopuolelle ja tehdä siitä nopeamman alustan materiaalien itsensä kaupallistamiselle.

Viitteet:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Mahdollisten 3D‑tulostuskonfiguraatioiden löytäminen metalliseoksille tekoälyohjatun adaptiivisen kokeellisen suunnittelun avulla. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}