AI maakt NASA’s ruimtevaartlegering gemakkelijker te 3D-printen

Metaal-3D-printen kan raketmotoronderdelen maken met interne koelkanalen en geometrieën die conventionele productie moeilijk kan realiseren. Echter betekent het vermogen om een geavanceerd onderdeel op een computer te ontwerpen niet dat een fabrikant weet hoe het succesvol te printen.

Elke combinatie van laservermogen, scansnelheid, poederlevering, gasstroom en laaghoogte kan het resultaat veranderen. Een ongunstige combinatie kan poriën, scheuren of zwakke binding veroorzaken. Het ontdekken van de juiste instellingen vereist vaak maanden van kostbare trial‑and‑error.

Onderzoekers van Washington State University en de University of Minnesota hebben aangetoond¹ dat kunstmatige intelligentie deze zoektocht aanzienlijk efficiënter kan maken. Hun systeem identificeerde meerdere manieren om GRCop-42, een moeilijke door NASA ontwikkelde koperlegering, te printen met lager vermogen en meer algemeen beschikbare metaal‑3D‑printers.

De prestatie is belangrijk buiten één legering. Het suggereert dat AI fabrikanten kan helpen nieuwe materialen sneller in productie te brengen, de kosten van procesontwikkeling te verlagen en het aantal faciliteiten dat gespecialiseerde ruimtevaartonderdelen kan produceren uit te breiden.

Waarom GRCop-42 waardevol is voor de ruimtevaartproductie

GRCop-42 is een koper‑, chroom‑ en niobiumlegering die is ontwikkeld voor omgevingen waarin componenten extreme hitte moeten weerstaan. Het combineert hoge thermische geleidbaarheid met sterkte, oxidatieweerstand, kruipweerstand en weerstand tegen thermische vermoeidheid.

Deze eigenschappen maken het bijzonder nuttig in verbrandingskamers van raketmotoren, warmtewisselaars en andere systemen met hoge warmteflux. Koper geleidt warmte goed, maar conventionele koperlegeringen kunnen bij hoge temperaturen sterkte verliezen. GRCop-42 is zo ontworpen dat het beide eisen in balans brengt.

Dezelfde kenmerken die de legering waardevol maken, maken het ook moeilijk om te printen. Koper weerkaatst een groot deel van de infrarode energie die door gangbare vezellassen wordt geproduceerd. Het voert bovendien geabsorbeerde warmte zeer snel weg uit de smeltpoel. Als de printer geen stabiele smeltpoel kan creëren en behouden, kan het neergelegde materiaal niet goed binden.

Fabrikanten kunnen dit compenseren door krachtigere apparatuur te gebruiken, maar dat verhoogt de toetredingskosten. De onderzoekers vroegen zich daarom af of GRCop-42 succesvol kon worden neergelegd onder 900 W, met bijzondere interesse in het bereik van 500 tot 700 W dat door veel meer machines wordt ondersteund.

Hoe AI een dure trial‑and‑error‑procedure verving

Het team ontwikkelde een raamwerk genaamd Bayesian Experimental Design for Additive Manufacturing, of BEAM. Het bedient de printer niet autonoom en ontwerpt ook geen onderdeel. In plaats daarvan bepaalt het welke printconfiguraties het meest zinvol zijn om vervolgens te testen.

BEAM begint met eerdere experimenten, inclusief mislukte prints. Het bouwt een probabilistisch model dat printerinstellingen koppelt aan de kans op een aanvaardbare structuur, selecteert vervolgens een kleine batch voor fysieke tests. Die resultaten keren terug naar het model en de cyclus herhaalt zich.

Dit is een praktische toepassing van AI omdat het fysieke experimenten in de lus houdt. Andere onderzoekers passen AI om de precisie van lasergebaseerde metaalbewerking te verbeteren op vergelijkbare wijze toe. Het model hoeft niet elke metallurgische interactie perfect te simuleren. Het hoeft alleen elke dure proef meer informatief te maken dan een grotendeels handmatige gok.

De economische prikkel is aanzienlijk. Volgens het artikel kan een enkele directed energy deposition‑run tussen de $500 en $1.000 kosten. Post‑printanalyse kan nog eens $500 per monster vereisen en één tot vier weken duren. Het verkennen van het procesvenster van een nieuwe legering kan daardoor $100.000 overschrijden, zelfs vóór de maanden specialistisch werk.

Wat de onderzoekers hebben getest

De onderzoekers gebruikten een vijf‑as directed energy deposition‑systeem uitgerust met een 1.000‑W infrarode vezellaser. Directed energy deposition voert metaalpoeder in een door de laser gegenereerde smeltpoel, waardoor geleidelijk materiaal op een oppervlak wordt opgebouwd. In dit geval deponeerde het systeem GRCop-42 op Inconel 718, een andere legering die veel wordt gebruikt in toepassingen met hoge temperaturen.

De potentiële combinaties van toevoersnelheid, gasstroom, scansnelheid, laaghoogte en laservermogen leverden ongeveer één miljoen kandidaatconfiguraties per vermogensniveau op. In plaats van deze enorme ruimte handmatig te verkennen, kreeg BEAM een budget van slechts 10 experimenten voor elk geselecteerd laservermogen.

Binnen drie maanden vond het raamwerk minstens één haalbare configuratie op elk vermogensniveau. De succesvolle monsters hadden een massieve binnenkant met minimale defecten en een soepele overgang tussen de GRCop-42‑ en Inconel 718‑materialen. Het team ontdekte bovendien dat uitzonderlijk hoge scansnelheden en dunnere lagen dan normaal belangrijk waren voor het produceren van massieve structuren.

Printen met lagere vermogens kan de toegang tot geavanceerde legeringen uitbreiden

GRCop-42 printen op 500 W vermindert niet alleen het elektriciteitsverbruik van één laser. Het verandert welke apparatuur kan deelnemen. Het artikel schat dat meer dan 90 % van de relevante printers tussen 500 en 1.000 W werkt. Betrouwbare instellingen in dat bereik zouden universiteiten, kleinere fabrikanten en gespecialiseerde onderzoeksfaciliteiten in staat kunnen stellen met een legering te werken die anders duurdere systemen zou vereisen.

Printen met lager vermogen kan ook vervorming verminderen, de oppervlaktekwaliteit verbeteren, slijtage aan laseroptiek beperken en de nabewerkingseisen verlagen. Deze voordelen moeten voor een specifiek productieproces worden gemeten, maar ze laten zien waarom parameterontdekking de economie van productie evenveel beïnvloedt als de technische haalbaarheid.

Potentiële voordelen omvatten:

• Minder mislukte builds tijdens materiaaldevelopment
• Lagere apparatuur‑ en nabewerkingsvereisten
• Snellere kwalificatie van nieuwe materialen en componenten
• Meer gedistribueerde productie van gespecialiseerde metalen onderdelen

Dit laatste punt is bijzonder relevant voor de ruimtevaart en defensie. Deze sectoren hebben lage volumes van gespecialiseerde onderdelen nodig en worden vaak geconfronteerd met toeleveringsketens met weinig gekwalificeerde leveranciers. Een proces dat naar meer machines kan worden overgebracht, zou beperkte productie‑runs minder afhankelijk maken van één enkele faciliteit.

AI zou een hulpmiddel voor commercialisatie van materialen kunnen worden

De grotere kans is niet beperkt tot GRCop-42. Metaal‑additieve productie ondersteunt veel potentieel waardevolle legeringen, maar elke nieuwe materiaal‑ en machinecombinatie vereist een eigen procesvenster. Een instelling die op de ene printer werkt, kan niet perfect overgaan naar een andere vanwege verschillen in lasers, poeder, atmosfeer, geometrie en thermisch gedrag.

Dit creëert een verborgen knelpunt. Materiaalkundigen kunnen een legering formuleren met indrukwekkende eigenschappen, terwijl fabrikanten nog steeds geen betaalbare en herhaalbare methode hebben om deze om te zetten in afgewerkte componenten. Vergelijkbare AI‑ondersteunde methoden worden al gebruikt om sterker en beter corrosiebestendig 3D‑printbaar staal te ontwikkelen. AI‑gestuurde experimentele ontwerpen kunnen de resterende productiekloof overbruggen door mislukte experimenten als nuttige data te beschouwen en middelen te richten op de delen van de zoekruimte die het meest waarschijnlijk levensvatbare resultaten opleveren.

Naarmate bedrijven data over machines en materialen verzamelen, kunnen modellen uiteindelijk projecten starten met kennis die is opgedaan bij soortgelijke legeringen. Dat zou de geschiedenis van procesontwikkeling omzetten in een herbruikbaar productie‑asset.

De huidige studie moet echter niet worden geïnterpreteerd als bewijs dat vluchtklare componenten nu op 500 W kunnen worden geprint. De onderzoekers produceerden laboratoriummonsters, geen gecertificeerde raketmotoren. Adoptie in de ruimtevaart zou nog steeds herhaalbaarheidsstudies, mechanische tests, validatie op componentniveau en goedkeuring onder veeleisende kwaliteitssystemen vereisen. BEAM versnelde de ontdekking van haalbare instellingen, wat een vroeg maar kostbaar stadium is van een veel langer commercialisatieproces.

Investeren in AI‑ondersteunde metaal‑additieve productie

Voor investeerders die geïnteresseerd zijn in bedrijven waar ruimtevaart, AI en additieve productie samenkomen, biedt Velo3D (VELO ) een bijzonder relevant voorbeeld. Het bedrijf ontwikkelt de Sapphire‑familie van metaal‑additieve productiesystemen voor missie‑kritische ruimtevaart‑ en defensietoepassingen.

Velo3D heeft GRCop-42 al gekwalificeerd voor zijn platform. Zijn technologie maakt gebruik van laser‑powder‑bed‑fusion in plaats van het in het artikel geteste directed energy deposition‑proces, dus de BEAM‑configuraties kunnen niet simpelweg worden gekopieerd naar een Sapphire‑printer. Het bredere principe blijft relevant: AI‑gestuurde ontdekking zou printerfabrikanten kunnen helpen moeilijke materialen te kwalificeren en ontwikkelingskosten te verlagen.

Dat biedt een natuurlijke investeringshypothese rond de accumulatie van proceskennis. Het langetermijnconcurrentievoordeel in metaalprinten komt mogelijk niet alleen voort uit laservermogen of bouwvolume, maar ook uit welk bedrijf betrouwbaar het breedste scala aan geavanceerde materialen kan omzetten in herhaalbare, certificeerbare onderdelen.

Velo3D blijft een speculatief small‑cap‑bedrijf dat blootstaat aan uitvoerings‑, financierings‑, concurrentie‑ en klant‑concentratierisico’s. Desondanks maken zijn focus op de ruimtevaart en de bestaande GRCop-42‑capaciteit het een relevante beursgenoteerde onderneming om in de gaten te houden nu AI dieper wordt geïntegreerd in industriële procesontwikkeling.

AI verandert de manier waarop fysieke technologieën worden ontwikkeld

Het meest ingrijpende kenmerk van BEAM is dat het AI toepast op een fysieke industriële beperking. Het genereert geen concept dat nog getest moet worden. Het kiest welke reële test als volgende moet gebeuren, leert van de uitkomst en maakt het volgende experiment beter geïnformeerd.

Die gesloten lus zou een bepalend patroon kunnen worden voor AI in de productie. Naarmate materialen en componenten meer gespecialiseerd worden, wordt uitputtende experimentatie te traag en te duur. Systemen die machine learning combineren met deskundige kennis kunnen de zoektocht vernauwen zonder wetenschappers of ingenieurs uit het proces te verwijderen.

Voor ruimtevaartfabrikanten is het directe resultaat een toegankelijkere manier om een waardevolle NASA‑legering te printen. De diepere implicatie is dat AI de weg tussen het ontdekken van een geavanceerd materiaal en het produceren van bruikbare onderdelen ervan kan verkorten. Dat zou additieve productie kunnen uitbreiden voorbij geometrische vrijheid en het een sneller platform maken voor de commercialisatie van de materialen zelf.

Referenties:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Ontdekking van haalbare 3D-printconfiguraties voor metaallegeringen via AI-gedreven adaptief experimenteel ontwerp. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}