एआई-संचालित सटीकता से लेज़र-आधारित 3D धातु प्रिंटिंग में क्रांति

3D प्रिंटिंग या एडिटिव मैन्युफैक्चरिंग की दुनिया में, लेज़र-आधारित धातु प्रसंस्करण एक लोकप्रिय तकनीक है जो जटिल घटकों का स्वचालित, सटीक और तेज़ उत्पादन संभव बनाती है।

धातुओं की लेज़र-आधारित प्रसंस्करण में लेज़र को ऊर्जा स्रोत के रूप में उपयोग करके धातु को नियंत्रित किया जाता है। लेज़र प्रकाश या विद्युतचुंबकीय विकिरण की एक प्रवर्धित किरण है जो कम विचलन के साथ सीधी रेखा में प्रसारित हो सकती है। 

यह लेज़रों को सामग्री प्रसंस्करण में अत्यधिक उपयोगी बनाता है, जहाँ इन्हें मशीनिंग, जोड़ने और सतह इंजीनियरिंग के लिए उपयोग किया जाता है। एडिटिव मैन्युफैक्चरिंग में, लेज़र का उपयोग सामग्री को पिघलाने और परत-दर-परत घटकों का निर्माण करने के लिए किया जाता है।

एडिटिव मैन्युफैक्चरिंग मूलतः उत्पाद को परत-दर-परत बनाना है। यह प्रक्रिया प्लास्टिक का उपयोग करके शुरू हुई, क्योंकि उसकी प्रक्रिया आसान थी। लेकिन अब यह सभी प्रकार की सामग्रियों, जिसमें धातु सामग्री भी शामिल है, को सम्मिलित करती है।

धातु सामग्री अपनी आकर्षक गुणों के लिए जानी जाती हैं, जैसे उत्कृष्ट विद्युत चालकता, उच्च शक्ति, लचीलेपन और उच्च पिघलने बिंदु, जिससे वे बायोमेडिकल, ऊर्जा, वास्तुकला और सैन्य अनुप्रयोगों में अत्यधिक उपयोगी बनती हैं। 

धातुओं की लेज़र प्रसंस्करण उच्च ऊर्जा घनत्व, संकीर्ण हीट‑एफ़ेक्टेड ज़ोन और न्यूनतम संदूषण जैसी विशिष्ट लाभ प्रदान करती है। इसलिए लेज़र प्रक्रियाओं का उपयोग कई क्षेत्रों में किया जाता है, विशेषकर जहाँ अधिकतम सटीकता और उच्च अनुकूलन की आवश्यकता होती है। लेकिन इसमें अपनी जटिलताएँ और तकनीकी चुनौतियाँ भी हैं।

“लेज़र-आधारित प्रक्रियाओं को लचीले ढंग से उपयोग करने और निरंतर परिणाम प्राप्त करने के लिए, हम इन प्रक्रियाओं की बेहतर समझ, निगरानी और नियंत्रण पर काम कर रहे हैं।”

– एलीया इसेली, Empa के एडवांस्ड मैटेरियल्स प्रोसेसिंग लैबोरेटरी के रिसर्च ग्रुप लीडर

इस लक्ष्य के साथ, Empa, थुन के शोधकर्ता जूलियो मसिनेली और चांग राजानी मशीन लर्निंग का उपयोग करके लेज़र-आधारित निर्माण तकनीकों को अधिक सुलभ, किफायती और कुशल बना रहे हैं।

लेज़र पाउडर बेड फ्यूजन (PBF-LB) के लाभ और चुनौतियों को समझना

लेज़र-आधारित धातु प्रसंस्करण के व्यापक क्षेत्र में, पाउडर बेड फ्यूजन एक लोकप्रिय विधि है, जिसमें लेज़र का उपयोग करके धातु पाउडर की पतली परतों को पिघलाया जाता है और उन्हें एक साथ वेल्ड करके अंतिम घटक बनाया जाता है।

लेज़र बीम के साथ पाउडर बेड फ्यूजन (PBF-LB) एक विशिष्ट तकनीक है जो हाल के वर्षों में बहुत ध्यान आकर्षित कर रही है। इस प्रमुख एडिटिव मैन्युफैक्चरिंग तकनीक में, बहुत उच्च शक्ति वाले लेज़र का उपयोग करके धातु पाउडर को परत‑दर‑परत पिघलाया जाता है और फिर उन्हें कस्टमाइज़्ड और अत्यधिक सटीक घटकों में बदला जाता है। 

यह तकनीक जटिल ज्यामितियों के उत्पादन को संभव बनाती है, साथ ही अनुकूलन क्षमताएँ प्रदान करती है और सामग्री की दक्षता सुनिश्चित करती है।

इन विशेषताओं के कारण PBF-LB ऑटोमोटिव, मेडिकल, एयरोस्पेस और उपभोक्ता उत्पादों जैसे उद्योगों के लिए विशेष रूप से लाभदायक है, जहाँ हल्के और जटिल भाग, व्यक्तिगत डिज़ाइन, सटीकता, वजन में कमी और तेज़ प्रोटोटाइपिंग की आवश्यकता होती है। 

बहुमुखी और कुशल होने के बावजूद, यह तकनीक व्यापक अपनाने और अनुकूलन प्राप्त करने में कई बाधाओं का सामना करती है।

इसमें उपयोग किए जा रहे धातु पाउडर के लिए आदर्श प्रसंस्करण ढाँचा पहचानने में कठिनाई शामिल है।

“एक ही प्रारंभिक पाउडर की नई बैच को भी पूरी तरह अलग सेटिंग्स की आवश्यकता हो सकती है।”

– मसिनेली

धातु पिघलाने के लिए आवश्यक उच्च ऊर्जा इनपुट वास्तव में जटिल भौतिक तंत्र बनाता है जो भागों की गुणवत्ता को नकारात्मक रूप से प्रभावित करता है। इन तंत्रों में सामग्री गुणों में असंगतियाँ, वायुमंडलीय गैसों का प्रभाव, और लेज़र का वाष्प प्लूम के साथ अंतःक्रिया शामिल हैं। ये सभी घटनाएँ पैरामीटर पहचान में समस्याएँ उत्पन्न करती हैं।

यह मुख्यतः दो मोड्स के कारण है। एक कंडक्शन मोड है जिसमें धातु केवल पिघलती है, और यह पतले और सटीक घटकों के लिए आदर्श है। दूसरा विकल्प कीहोल मोड है, जिसमें कुछ मामलों में धातु वाष्पित हो सकती है। यह तेज़ है लेकिन कम सटीक, इसलिए मोटी घटकों के लिए उपयुक्त है।

इन मोड्स के बीच की सीमा विभिन्न पैरामीटरों पर निर्भर करती है, और अंतिम उत्पादों में सर्वोत्तम गुणवत्ता प्राप्त करने के लिए सही सेटिंग्स की आवश्यकता होती है, जो प्रसंस्कृत सामग्री पर निर्भर करती हैं।

सामग्री और लेज़र के बीच जटिल अंतःक्रिया प्रक्रिया को बहुत छोटे परिवर्तन के प्रति संवेदनशील बनाती है, जिससे उत्पादन में समस्याएँ उत्पन्न हो सकती हैं, और यह तकनीक समय और संसाधन‑गहन बनाती है। परिणामस्वरूप, PBF‑LB को निरंतर परिणाम प्राप्त करने के लिए पैरामीटरों की श्रमसाध्य फाइन‑ट्यूनिंग की आवश्यकता होती है।

यहाँ तक ही नहीं रुकता। इस चरण में निर्मित नमूनों का विश्लेषण विभिन्न तकनीकों जैसे माइक्रोस्ट्रक्चरल विश्लेषण, घनत्व मापन, और एक्स‑रे कंप्यूटेड टोमोग्राफी (CT) द्वारा किया जाता है।

इन विधियों से आंतरिक संरचनाओं की विस्तृत जानकारी मिलती है और दोषों की पहचान होती है, जो PBF‑LB भागों की गुणवत्ता और प्रदर्शन का मूल्यांकन करने के लिए महत्वपूर्ण है, लेकिन फिर भी इन्हें विशेष उपकरण, विशेषज्ञ ज्ञान, उच्च लागत और समय‑साध्य होना पड़ता है।

“इसी कारण कई कंपनियों के पास प्रारम्भ में ही PBF का खर्च उठाने की क्षमता नहीं होती।”

– मसिनेली

इन सभी समस्याओं को हल करने के लिए, Empa के शोधकर्ताओं ने मशीन लर्निंग का उपयोग करके लेज़र प्रक्रियाओं को अधिक कुशल, किफायती और सटीक बनाया।
उद्योगों को पुनः आकार देने में एडिटिव मैन्युफैक्चरिंग कैसे भूमिका निभा रही है, जानने के लिए यहाँ क्लिक करें।

धातु 3D प्रिंटिंग में वास्तविक‑समय नियंत्रण के लिए AI का उपयोग

नमूना विश्लेषण के लिए, शोधकर्ताओं ने ध्वनिक उत्सर्जन (AE), हाई‑स्पीड थर्मल इमेजिंग और ऑप्टिकल सेंसर जैसी वास्तविक‑समय निगरानी विधियों का उपयोग किया है।

वास्तविक‑समय निगरानी को इसलिए चुना गया क्योंकि यह निर्माण प्रक्रिया के दौरान अनचाहे घटनाओं का पता लगा सकती है। इससे तुरंत समायोजन संभव होते हैं, जिससे दोषों को हटाकर पुनः‑पिघलाने से संसाधनों की बचत होती है।

ये वास्तविक‑समय निगरानी तकनीकें आमतौर पर मशीन लर्निंग (ML) एल्गोरिदम पर आधारित होती हैं।

कृत्रिम बुद्धिमत्ता के अध्ययन के एक क्षेत्र के रूप में, ML डेटा से सीखने वाले सांख्यिकीय एल्गोरिदम के विकास से संबंधित है। ये एल्गोरिदम उच्च‑आयामी डेटा से सार्थक पैटर्न निकालते हैं और फिर भविष्यवाणी करते हैं, धातु प्रसंस्करण के मामले में, भाग की गुणवत्ता पर, बिना जटिल भौतिक मॉडलों को स्पष्ट रूप से प्रोग्राम किए।

इन AI दृष्टिकोणों में भी सीमाएँ हैं। चुनौतियों में मॉडल का प्रक्रिया पैरामीटर में बदलाव का पता लगाना बनाम प्रक्रिया मोड और दोष निर्माण का पता लगाना शामिल है।

समय के साथ मशीन पैरामीटर में प्राकृतिक ड्रिफ्ट भी इन मॉडलों की सामान्यीकरण क्षमता में बाधा बनता है, जिससे वास्तविक‑विश्व निर्माण वातावरण में AI मॉडलों की व्यावहारिक उपयोगिता सीमित हो जाती है। फिर स्वचालन से जुड़ी समस्याएँ आती हैं, जिनके लिए विशेष उपकरणों की आवश्यकता होती है और कई पैरामीटरों की जटिलता के कारण यह प्रक्रिया चुनौतीपूर्ण और संसाधन‑गहन बनती है।

PBF पैरामीटर स्पेस को स्वायत्त रूप से नेविगेट करने वाले एल्गोरिदम की स्पष्ट आवश्यकता है, जो कई प्रक्रिया चर को ध्यान में रखते हुए इष्टतम स्थितियों की पहचान कर सके और अंतर्निहित पिघलने वाले मोड को समझ सके।

यह आवश्यकता अब Empa के शोधकर्ताओं द्वारा संबोधित की जा रही है, जिन्होंने एक नई विधि प्रस्तावित की है जो लेबल्ड डेटा या विस्तृत पोस्ट‑प्रोसेसिंग विश्लेषण की आवश्यकता के बिना पिघलने वाले मोड की पहचान के लिए ऑप्टिकल डेटा के अनसुपरवाइज़्ड संग्रह पर केंद्रित है।

PBF‑LB पैरामीटरों को अनुकूलित करने के लिए अनसुपरवाइज़्ड लर्निंग का कार्यान्वयन

Empa के शोधकर्ताओं द्वारा विकसित नई अनसुपरवाइज़्ड तकनीक दो मुख्य पैरामीटरों पर केंद्रित है: लेज़र पावर और स्कैनिंग स्पीड, जिन्हें पिघलने वाले मोड पर सबसे अधिक प्रभाव डालने वाला माना गया है।

जबकि इस अध्ययन¹ का फोकस इन दो पैरामीटरों पर था, यह तकनीक अतिरिक्त प्रक्रिया पैरामीटरों के लिए भी उपयोग की जा सकती है। भविष्य में, शोधकर्ता गैस प्रवाह दर, हैच स्पेसिंग और परत मोटाई को अपने एल्गोरिदम में शामिल करेंगे ताकि PBF‑LB पैरामीटर स्पेस की अधिक व्यापक खोज संभव हो सके।

वर्तमान में, प्रस्तावित विधि कंडक्शन मोड और कीहोल मोड के बीच संक्रमण को सटीक रूप से दर्शाती है।

अनसुपरवाइज़्ड दृष्टिकोण लेबल्ड डेटा पर निर्भर किए बिना प्रोसेसिंग मैप निकालने का आधार भी प्रदान करता है, जो PBF‑LB में एक महत्वपूर्ण लाभ है, जहाँ लेबल्ड डेटा प्राप्त करना महंगा और चुनौतीपूर्ण होता है।

यह अध्ययन वास्तव में इस आधार पर निर्मित है और एक मूल विधि प्रस्तुत करता है जो सक्रिय लर्निंग (सबसे सूचनात्मक डेटा पॉइंट चुनना) और बायेजियन ऑप्टिमाइज़ेशन (प्रायिक मॉडल का उपयोग करके पुनरावृत्त सैंपलिंग रणनीति) के हिस्सों को मिलाता है ताकि प्रोसेसिंग मैप को प्रभावी रूप से निकाला जा सके।

इस दृष्टिकोण को अलग बनाता है कि यह बिना किसी डेटा के शुरू होता है और प्रत्येक नए प्रयोग को करने के स्थान का निर्णय लेकर क्रमिक रूप से डेटासेट बनाता है, जिससे प्रयोगात्मक प्रक्रिया को अनुकूलित किया जा सके।

ध्यान देने योग्य बात यह है कि परिष्करण के लिए पुनरावृत्तीय दृष्टिकोण अपनाने के बावजूद, मॉडल प्रक्रिया के दौरान अनसुपरवाइज़्ड रहता है, क्योंकि इसे लेबल्ड डेटा की आवश्यकता नहीं होती। पिघलने वाले मोड की पहचान करने के लिए, एल्गोरिदम ऑप्टिकल डेटा से निकाले गए फीचर्स पर निर्भर करता है, और परिणामों का उपयोग करके एक गॉसियन प्रोसेस क्लासिफायर (GPC) को प्रशिक्षित किया जाता है, जो मैप का प्रायिकात्मक अनुमान प्रदान करता है।

पुनरावृत्तीय पहलू के रूप में, एल्गोरिदम उन क्षेत्रों के आधार पर नई परीक्षण सेटिंग्स चुनता है जहाँ भविष्यवाणियों में उच्च अनिश्चितता होती है, जिससे प्रोसेसिंग मैप के अनुमान में सुधार होता है।

मूलतः, एल्गोरिदम को यह सिखाया जाता है कि परीक्षण रन के दौरान लेज़र किस वेल्डिंग मोड में है, यह पहचान सके, लेज़र मशीनों में पहले से स्थापित ऑप्टिकल सेंसरों के डेटा का उपयोग करके। इसके आधार पर, एल्गोरिदम अगली परीक्षण के लिए पैरामीटर सेट करता है।

“हम आशा करते हैं कि हमारा एल्गोरिदम गैर‑विशेषज्ञों को PBF उपकरणों का उपयोग करने में सक्षम करेगा,” मसिनेली ने कहा। इसे निर्माताओं द्वारा लेज़र वेल्डिंग मशीनों के फर्मवेयर में एकीकृत करने की आवश्यकता है।

PBF‑LB अनुप्रयोगों में AI मॉडल की प्रभावशीलता का मूल्यांकन

शोधकर्ताओं द्वारा प्रस्तुत नया एल्गोरिदम, जो व्यापक पैरामीटर ट्यूनिंग की आवश्यकता को समाप्त करता है, जो PBF‑LB के व्यापक अपनाने को सीमित करता है, फोटोडायोड्स के डेटा का उपयोग करके पिघलने वाले मोड की स्वतंत्र पहचान करता है।

और प्रयोगशाला में परीक्षण करने पर, टीम ने पाया कि यह विधि अत्यधिक सटीक है, दो सामग्रियों में 89.2% का F1‑स्कोर प्राप्त किया। प्रदर्शन का मूल्यांकन करने के लिए, शोधकर्ताओं ने दो सामग्रियों में कई भाग प्रिंट किए। परीक्षण का मूल्यांकन करने के लिए, शोधकर्ताओं ने दो सामग्रियों में कई भाग प्रिंट किए। 

पहला Ti-6Al-4V था, जो सबसे अधिक उपयोग किए जाने वाले (अल्फा‑बीटा) टाइटेनियम मिश्रधातुओं में से एक है, जिसमें उत्कृष्ट जंग प्रतिरोध और उच्च विशिष्ट शक्ति होती है। दूसरा 316L स्टेनलेस स्टील था, जो 316 स्टेनलेस स्टील का कम‑कार्बन संस्करण है, जो खाद्य प्रसंस्करण, फार्मास्यूटिकल उपकरण, मेडिकल डिवाइस, आभूषण, लक्ज़री घड़ियों, अपशिष्ट जल उपचार, और रासायनिक उद्योग में आमतौर पर उपयोग होता है।

विशेष रूप से, टीम ने एल्गोरिदम की भविष्यवाणियों को सत्यापित करने के लिए पिघलन पूल निरीक्षण किए। 

मूल्यांकन से पता चला कि यह दृष्टिकोण दोनों धातुओं में प्रयोगात्मक परीक्षणों की आवश्यकता को 67% तक कम करता है, जबकि मजबूत प्रदर्शन बनाए रखता है। यह पैरामीटर अन्वेषण की लागत को काफी घटा सकता है। इसी बीच, पारंपरिक पूर्ण फैक्टोरियल प्रयोग डिज़ाइन की तुलना में F1‑स्कोर में अधिकतम 8.88% की कमी देखी गई।

The study stated:

“ये परिणाम हमारे विधि की दक्षता को उन्नत निर्माण प्रक्रियाओं के स्वायत्त प्रोसेसिंग मैप निर्माण के संदर्भ में रेखांकित करते हैं।” 

शोधकर्ता मानते हैं कि यहाँ प्रस्तुत विधि PBF‑LB की दक्षता और विश्वसनीयता दोनों को “बहुत सुधार” सकती है, जिससे विभिन्न क्षेत्रों में इसकी व्यापक अपनाने को बढ़ावा मिल सकता है। अध्ययन के अनुसार:

“हमारे परिणाम इस विधि की संभावनाओं को दर्शाते हैं कि यह PBF‑LB अनुकूलन को सरल बना सकता है, जिससे औद्योगिक अनुप्रयोगों के लिए यह अधिक व्यावहारिक हो जाता है और इसकी व्यापक अपनाने की राह प्रशस्त होती है।” 

AI और FPGA एकीकरण के माध्यम से लेज़र वेल्डिंग प्रक्रियाओं को उन्नत बनाना

प्रारंभिक प्रयोगों को अनुकूलित करने के अलावा, शोधकर्ताओं ने एक अन्य परियोजना में वेल्डिंग प्रक्रिया को भी सुधारा। 

लेज़र वेल्डिंग की बात करें तो, आदर्श सेटिंग्स के साथ भी प्रक्रिया अप्रत्याशित विचलन उत्पन्न कर सकती है, और एक छोटा सा विचलन भी उत्पाद में गंभीर दोषों का कारण बन सकता है।

“वर्तमान में वास्तविक‑समय में वेल्डिंग प्रक्रिया को प्रभावित करना संभव नहीं है,” शोधकर्ता राजानी ने कहा। “यह मानव विशेषज्ञों की क्षमताओं से परे है।”

– शोधकर्ता राजानी

वास्तव में, कंप्यूटर भी डेटा की जांच करने और निर्णय लेने की गति से जूझते हैं। शोधकर्ताओं ने यहाँ एक विशेष प्रकार के कंप्यूटर चिप का उपयोग किया।

इस चिप को फील्ड‑प्रोग्रामेबल गेट एरे (FPGA) कहा जाता है, जो हाई‑परफ़ॉर्मेंस कंप्यूटिंग (HPC) और प्रोटोटाइपिंग के उद्देश्य से डिज़ाइन की गई है। चिप को निर्माता से रिलीज़ होने के बाद प्रोग्राम किया जा सकता है और विभिन्न उपयोग मामलों के लिए हार्डवेयर को शारीरिक रूप से बदले बिना अनुकूलित किया जा सकता है। इसकी बहुमुखी प्रतिभा, उच्च प्रदर्शन के साथ मिलकर, इसे एयरोस्पेस, ऑटोमोटिव और टेलीकॉम उद्योगों में अत्यधिक मूल्यवान बनाती है।

Masinelli noted:

“FPGA के साथ, हम ठीक जानते हैं कि वे कमांड कब निष्पादित करेंगे और निष्पादन में कितना समय लगेगा – जो एक पारंपरिक पीसी के साथ नहीं होता।” 

शोधकर्ताओं ने FPGA को पीसी से जोड़ा ताकि इसे “बैकअप ब्रेन” के रूप में उपयोग किया जा सके। जैसे ही चिप लेज़र पैरामीटरों को देखती और नियंत्रित करती है, यह डेटा पीसी पर एल्गोरिदम द्वारा सीखने के लिए भी उपयोग किया जाता है।

“यदि हम पीसी पर वर्चुअल वातावरण में एल्गोरिदम के प्रदर्शन से संतुष्ट हैं, तो हम इसे FPGA में ‘ट्रांसफ़र’ कर सकते हैं और चिप को एक साथ अधिक बुद्धिमान बना सकते हैं।”

– मसिनेली

शोधकर्ता मानते हैं कि ML और AI लेज़र-आधारित धातु प्रसंस्करण में महत्वपूर्ण योगदान दे सकते हैं। इसलिए, वे अपने एल्गोरिदम और मॉडलों को विकसित करना जारी रखेंगे, साथ ही अन्य शोध समूहों और उद्योग साझेदारों के सहयोग से उनके अनुप्रयोग क्षेत्र को विस्तारित करेंगे।

3D प्रिंटिंग तकनीकों में निवेश के अवसरों की खोज

अब, धातु एडिटिव डिज़ाइन और निर्माण में एक प्रमुख खिलाड़ी कोलिब्रियम एडिटिव है। यह General Electric Company (GE.TO ) (GE ) का हिस्सा है, जो अब GE Aerospace के रूप में व्यापार कर रहा है। 

पहले इसे GE Additive के नाम से जाना जाता था, जिसे पिछले गर्मियों में कोलिब्रियम एडिटिव के रूप में पुनः लॉन्च किया गया, और इस रीब्रांडिंग के हिस्से के रूप में Concept Laser और Arcam EBM को बंद कर दिया गया।

“जबकि हम अपना नाम बदल रहे हैं, हम अपने ग्राहकों, गुणवत्ता और विश्वसनीयता पर अडिग ध्यान बनाए रखते हैं। हम एडिटिव मैन्युफैक्चरिंग उद्योग में अग्रणी बने रहेंगे और इसे सकारात्मक रूप से बदलते रहेंगे।”

– CEO एलेक्ज़ेंडर श्मिट्ज़

General Electric (GE )

कोलिब्रियम एडिटिव द्वारा पेश किए गए 3D प्रिंटरों में इलेक्ट्रॉन बीम पाउडर बेड फ्यूजन (EB-PBF) प्रिंटर, लेज़र पाउडर बेड फ्यूजन (L-PBF) प्रिंटर, और बाइंडर जेट शामिल हैं। 

कंपनी के बाजार प्रदर्शन के संबंध में, यह पिछले कुछ वर्षों में वास्तव में फल-फूल रहा है। 

260 बिलियन डॉलर से अधिक के बाजार पूंजीकरण के साथ, GE के शेयर वर्तमान में लगभग $244 पर ट्रेड हो रहे हैं, इस वर्ष में 46% की उल्लेखनीय वृद्धि के साथ। कंपनी का स्टॉक लगभग $290 के शिखर के करीब है, जो 2000 में पहुँचा था। इसका EPS (TTM) 6.35 है, और P/E (TTM) 38.46 है, जबकि शेयरधारकों के लिए उपलब्ध डिविडेंड यील्ड 0.59% है।

इसी बीच, कंपनी के वित्तीय आंकड़े एक मजबूत Q1 2025 दर्शाते हैं, जिसमें GE ने कुल राजस्व $9.9 बिलियन दर्ज किया, जो 11% की वृद्धि है, जबकि कुल ऑर्डर $12.3 बिलियन तक 12% बढ़े।

2025 की इस मजबूत शुरुआत को वाणिज्यिक सेवाओं ने प्रेरित किया, जैसा कि CEO H. Lawrence Culp, Jr. ने कहा, साथ ही उन्होंने मैक्रोइकोनॉमिक गतिशीलताओं को नोट किया, जिसके कारण कंपनी को लागत नियंत्रण और उपलब्ध व्यापार कार्यक्रमों का लाभ उठाने जैसी रणनीतिक कार्रवाइयों की आवश्यकता है।

ऑपरेटिंग प्रॉफिट 1Q25 में 38% बढ़कर $2.1 बिलियन हो गया, जबकि समायोजित EPS में 60% की वृद्धि होकर $1.49 हुआ। इस अवधि में, GE ने reported $1.5 बिलियन नकदी ऑपरेटिंग गतिविधियों (GAAP) से, जबकि फ्री कैश फ्लो 14% बढ़कर $1.4 बिलियन हुआ। कंपनी ने 140 बिलियन डॉलर से अधिक का वाणिज्यिक सेवाओं बैकलॉग भी रिपोर्ट किया।

इन सबके बीच, प्रोपल्शन एवं एडिटिव टेक्नोलॉजीज केवल 1% बढ़ी, कंपनी ने कहा कि कीमतों और मात्रा ने उपकरण बिक्री में नियोजित सॉफ्ट स्टार्ट के कारण कम शिपमेंट को संतुलित किया।

इस वर्ष की अपनी वार्षिक रिपोर्ट में, GE ने कहा “एडिटिव मैन्युफैक्चरिंग उद्योग में गिरावट तकनीकी अपनाने की धीमी गति के कारण है,” लेकिन साथ ही उन्होंने कोलिब्रियम एडिटिव को “GE Aerospace में वर्तमान और भविष्य की तकनीकों के लिए एक महत्वपूर्ण व्यवसाय” कहा, क्योंकि वे जहाँ सबसे अधिक मूल्य बना सकते हैं, उस पर ध्यान केंद्रित कर रहे हैं।

नवीनतम General Electric (GE) स्टॉक समाचार और विकास

निष्कर्ष

जैसे ही AI आगे बढ़ता और उद्योगों को परिवर्तित करता है, यह आधुनिक निर्माण में संभावनाओं को पुनः परिभाषित करने में मदद कर रहा है, प्रक्रिया अनुकूलन को तेज़ करके और वास्तविक‑समय अनुकूलन को सक्षम करके। 

PBF में पैरामीटर ट्यूनिंग और दोष पहचान के समय और लागत को काफी घटाकर, और लेज़र वेल्डिंग में वास्तविक‑समय नियंत्रण प्राप्त करके, लेज़र-आधारित एडिटिव मैन्युफैक्चरिंग व्यापक अपनाने के लिए तैयार है, जिससे कुशल, सुलभ और कस्टमाइज़्ड उत्पादन का नया युग स्थापित होगा।

शीर्ष 3D प्रिंटिंग स्टॉक्स की सूची के लिए यहाँ क्लिक करें।

संदर्भित अध्ययन:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). PBF‑LB पैरामीटर स्पेस की स्वायत्त खोज: स्वचालित प्रोसेसिंग मैप जेनरेशन के लिए अनिश्चितता‑आधारित एल्गोरिदम. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}