AI-aangedreven Precisie om Lasergebaseerde 3D Metaalprinten te Transformeren

In de wereld van 3D-printen of additive fabricage is lasergebaseerde metaalbewerking een populaire techniek die geautomatiseerde, precieze en snelle productie van ingewikkelde componenten mogelijk maakt.

Lasergebaseerde verwerking van metalen omvat het gebruik van een laser als energiebron om het metaal te manipuleren. Een laser is een versterkte lichtstraal of elektromagnetische straling die in een rechte lijn met weinig divergentie kan voortbewegen. 

Dit maakt lasers zeer nuttig in materiaalbewerking, waar ze worden gebruikt voor bewerken, verbinden en oppervlakte‑engineering. In additive fabricage worden lasers gebruikt om materialen te smelten en componenten laag voor laag te vervaardigen.

Additive fabricage is simpelweg het creëren van een product laag voor laag. Het begon met het gebruik van kunststoffen als materiaal, dankzij de eenvoudige verwerkbaarheid. Maar het is inmiddels uitgegroeid tot het omvatten van alle soorten materialen, inclusief metalen materialen.

Metalen materialen staan bekend om hun aantrekkelijke eigenschappen, zoals uitstekende elektrische geleidbaarheid en hoge sterkte, ductiliteit en smeltpunt, waardoor ze zeer nuttig zijn in biomedische, energie-, architectuur- en militaire toepassingen. 

Laserbewerking van metalen biedt ondertussen unieke voordelen zoals een hoge energiedichtheid, een smalle warmte‑affected zone en weinig contaminatie. Daarom worden laserprocessen in tal van sectoren gebruikt, vooral waar maximale precisie en hoge maatwerk vereist zijn. Maar het heeft ook zijn eigen complicaties en technische uitdagingen. 

“Om ervoor te zorgen dat lasergebaseerde processen flexibel kunnen worden gebruikt en consistente resultaten opleveren, werken we aan een beter begrip, monitoring en controle van deze processen.”

– Elia Iseli, onderzoeksgroepleider in het Advanced Materials Processing laboratorium van Empa

Met dit doel maken onderzoekers Giulio Masinelli en Chang Rajani van Empa in Thun lasergebaseerde productietechnieken toegankelijker, betaalbaarder en efficiënter, met behulp van machine learning.

Begrijpen van de Voordelen en Uitdagingen van Laserpoederbedfusie (PBF-LB)

In het bredere veld van lasergebaseerde metaalbewerking is poederbedfusie een populaire methode, waarbij een laser wordt gebruikt om dunne lagen metaalpoeder op exacte plekken te smelten en ze vervolgens samen te lassen tot het uiteindelijke onderdeel.

Poederbedfusie met Laserstraal (PBF‑LB) is ondertussen een gespecialiseerde techniek die de afgelopen jaren veel aandacht heeft gekregen. In deze prominente additive‑fabricagetechnologie worden lasers met zeer hoge vermogens gebruikt om metaalpoeders laag voor laag te smelten voordat ze worden samengevoegd tot op maat gemaakte en zeer precieze componenten. 

Deze techniek maakt de productie van complexe geometrieën mogelijk, terwijl ze maatwerkcapaciteiten biedt en materiaal efficiëntie waarborgt. 

Deze kenmerken maken PBF‑LB specifiek voordelig voor sectoren zoals de auto‑industrie, medische technologie, lucht‑ en ruimtevaart en consumentengoederen, waar we respectievelijk lichtgewicht en complexe onderdelen, gepersonaliseerde ontwerpen, precisie, gewichtsreductie en snelle prototyping nodig hebben. 

Hoewel veelzijdig en efficiënt, ondervindt de techniek verschillende obstakels bij het bereiken van bredere adoptie en optimalisatie.

Dit omvat moeilijkheden bij het identificeren van het ideale verwerkingsraamwerk voor het gebruikte metaalpoeder.

“Zelfs een nieuwe batch van hetzelfde startpoeder kan volledig andere instellingen vereisen.”

– Masinelli

De hoge‑energie‑invoer die nodig is voor het smelten van metaal in deze techniek creëert eigenlijk complexe fysische mechanismen die de kwaliteit van onderdelen negatief beïnvloeden. Deze mechanismen omvatten inconsistenties in materiaaleigenschappen, de invloed van atmosferische gassen en de interactie van de laser met de damppluim. Al deze fenomenen veroorzaken problemen bij het identificeren van parameters.

Dit komt voornamelijk door de twee modi. De ene is de conductiemodus waarin het metaal slechts wordt gesmolten, en die is ideaal voor dunne en precieze componenten. De andere optie is de sleutelgatmodus, waarbij het metaal in sommige gevallen kan verdampen. Deze is sneller maar ook minder precies, waardoor ze geschikt is voor dikkere componenten.

De grens tussen deze modi hangt echter af van verschillende parameters, en het bereiken van de beste kwaliteit in de eindproducten vereist de juiste instellingen, die variëren afhankelijk van het te verwerken materiaal. 

De complexe interacties tussen het materiaal en de laser maken het proces bovendien gevoelig voor zeer kleine variaties, die vervolgens kunnen leiden tot productieproblemen, waardoor de techniek tijd‑ en resource‑intensief is. Als gevolg daarvan vereist PBF‑LB een arbeidsintensieve fijnregeling van parameters om consistente resultaten te behalen.

Het eindigt hier ook niet. De monsters die in deze fase worden geproduceerd, worden vervolgens geanalyseerd met verschillende technieken zoals microstructurele analyse, dichtheidsmetingen en röntgen‑computed tomography (CT). 

Deze methoden leveren gedetailleerde informatie over interne structuren en vinden defecten, wat cruciaal is voor het evalueren van de kwaliteit en prestaties van PBF‑LB‑onderdelen, maar opnieuw vereisen ze gespecialiseerde apparatuur en deskundige kennis, naast dat ze duur en tijdrovend zijn.

“Daarom kunnen veel bedrijven PBF in eerste instantie niet veroorloven.”

– Masinelli

Om al deze problemen aan te pakken, hebben onderzoekers van Empa machine learning ingezet om laserprocessen efficiënter, kosteneffectiever en preciezer te maken.

Klik hier om te leren hoe additive fabricage industrieën hervormt.

AI inzetten voor Real‑Time Controle in Metal 3D‑Printing

Voor monsteranalyse hebben onderzoekers zich gewend tot real‑time monitoringmethoden met sensoren zoals akoestische emissie (AE), hogesnelheids‑thermische beeldvorming en optische sensoren.

Real‑time monitoring is gekozen vanwege het vermogen om ongewenste gebeurtenissen tijdens het productieproces te detecteren. Dit maakt onmiddellijke aanpassingen mogelijk, waardoor resources worden bespaard door defecten te verwijderen en opnieuw te smelten. 

Deze real‑time monitoringtechnieken zijn meestal gebaseerd op machine‑learning (ML) algoritmen.

Een studierichting binnen kunstmatige intelligentie, ML richt zich op de ontwikkeling van statistische algoritmen die leren van data. Deze algoritmen extraheren betekenisvolle patronen uit hoogdimensionale data en doen vervolgens voorspellingen, in het geval van metaalbewerking over de kwaliteit van onderdelen, zonder dat complexe fysieke modellen expliciet geprogrammeerd hoeven te worden.

Deze AI‑benaderingen zijn echter niet zonder beperkingen. De uitdagingen omvatten dat het model leert veranderingen in procesparameters te detecteren in plaats van het procesregime en defectvorming.

De natuurlijke drift in machine‑parameters in de loop van de tijd vormt ook een barrière voor de generalisatie van deze modellen, waardoor de praktische toepasbaarheid van AI‑modellen in real‑world productieomgevingen wordt beperkt. Daarnaast zijn er automatiseringsproblemen, die gespecialiseerde apparatuur vereisen en gecompliceerd worden door meerdere parameters, waarvan de verkenning ook uitdagend en resource‑intensief is.

Er is een duidelijke behoefte aan algoritmen die autonoom door de PBF‑parameter ruimte kunnen navigeren, rekening houdend met meerdere procesvariabelen, om optimale omstandigheden te identificeren en de onderliggende smeltregimes te begrijpen.

Deze behoefte wordt nu aangepakt door onderzoekers van Empa, die een nieuwe methode hebben voorgesteld die ongesuperviseerde verzameling van optische data gebruikt met focus op identificatie van smeltregimes zonder gelabelde data of uitgebreide post‑processing analyse.

Ongecontroleerd Leren Implementeren om PBF‑LB‑Parameters te Optimaliseren

De nieuwe ongesuperviseerde techniek ontwikkeld door Empa‑onderzoekers richt zich op twee hoofdparameters: laservermogen en scansnelheid, die als de meest invloedrijke op het smeltregime worden geïdentificeerd.

Hoewel de focus van de studie¹ lag op deze twee parameters, kan de techniek ook worden gebruikt voor extra procesparameters. In de toekomst zullen de onderzoekers de gasstroomsnelheid, hatchafstand en laagdikte in hun algoritme opnemen om een meer uitgebreide verkenning van de PBF‑LB‑parameter ruimte mogelijk te maken.

Voorlopig wijst de voorgestelde methode nauwkeurig op de overgang tussen conductiemodus en sleutelgatmodus.

De ongesuperviseerde aanpak biedt bovendien een basis voor het extraheren van verwerkingskaarten zonder afhankelijk te zijn van gelabelde data, wat een aanzienlijk voordeel biedt in PBF‑LB, waar het verkrijgen van gelabelde data zowel kostbaar als uitdagend is.

De studie bouwt feitelijk voort op deze basis en introduceert een originele methode die delen van active learning (selecteren van de meest informatieve datapunten) combineert met Bayesiaanse optimalisatie (iteratieve bemonsteringsstrategie gebruikmakend van een probabilistisch model) om verwerkingskaarten efficiënt af te leiden.

Wat de aanpak anders maakt, is dat hij start zonder data en vervolgens geleidelijk de dataset opbouwt door te beslissen waar elk nieuw experiment moet worden uitgevoerd, waardoor het experimentele proces kan optimaliseren.

Opmerkelijk is dat, ondanks het gebruik van een iteratieve benadering voor verfijning, het model gedurende het hele proces ongesuperviseerd blijft, omdat het geen gelabelde data vereist. Om de smeltregimes te identificeren, vertrouwt het algoritme op kenmerken die uit de optische data worden geëxtraheerd, en de resultaten worden vervolgens gebruikt om een Gaussian Process Classifier (GPC) te trainen die een probabilistische schatting van de kaart levert. 

Wat betreft het iteratieve aspect selecteert het algoritme nieuwe proefinstellingen op basis van die velden die een hoge onzekerheid in de voorspellingen vertonen, wat de schatting van de verwerkingskaart verbetert.

In principe wordt het algoritme getraind om te detecteren in welke lasmodus de laser zich bevindt tijdens een testrun, met behulp van data van optische sensoren die al in de lasermachines zijn geïntegreerd. Op basis hiervan stelt het algoritme de parameters voor de volgende test in.

“We hopen dat ons algoritme niet‑experts in staat stelt PBF‑apparaten te gebruiken,” zei Masinelli. Het hoeft alleen maar te worden geïntegreerd in de firmware van de laserlasmachines door fabrikanten.

De Effectiviteit van het AI‑Model Evalueren in PBF‑LB‑Toepassingen

Het nieuwe algoritme dat door onderzoekers is geïntroduceerd om de noodzaak van uitgebreide parameterafstemming te elimineren, waardoor de bredere adoptie van PBF‑LB wordt beperkt, identificeert zelfstandig de smeltregimes met behulp van data van fotodiodes.

En wanneer getest in het laboratorium, vond het team de methode zeer nauwkeurig, met een F1‑score van 89,2 % over twee materialen. Om de prestaties te evalueren, hebben onderzoekers meerdere onderdelen in twee materialen geprint. De eerste was Ti‑6Al‑4V, een van de meest gebruikte (alfa‑beta) titaniumlegeringen, met uitstekende corrosiebestendigheid en een hoge specifieke sterkte. De andere was 316L roestvrij staal, een koolstofarme versie van 316 roestvrij staal, die vaak wordt gebruikt in voedselverwerking, farmaceutische apparatuur, medische apparaten, sieraden, luxe horloges, afvalwaterzuivering en de chemische industrie.

In het bijzonder voerde het team inspecties van het smeltbad uit om de voorspellingen van het algoritme te verifiëren. 

De evaluatie toonde aan dat de aanpak de noodzaak voor experimentele proeven met 67 % verminderde in beide metalen, terwijl de robuuste prestaties behouden bleven. Dit kan de kosten van parameterverkenning aanzienlijk verlagen. Tegelijkertijd was er slechts een maximale daling van 8,88 % in de F1‑score vergeleken met een traditioneel volledig factoriaal experimenteel ontwerp.

“Deze resultaten onderstrepen de efficiëntie van onze methode in de context van autonome generatie van verwerkingskaarten voor geavanceerde fabricageprocessen.” 

De hier geïntroduceerde methode, zo geloven de onderzoekers, kan “de efficiëntie en betrouwbaarheid van PBF‑LB aanzienlijk verbeteren”, wat kan leiden tot bredere adoptie door de algehele effectiviteit in verschillende sectoren te verhogen. Volgens de studie:

“Onze resultaten demonstreren het potentieel van deze methode om PBF‑LB‑optimalisatie te stroomlijnen, waardoor het haalbaarder wordt voor industriële toepassingen en de weg wordt vrijgemaakt voor bredere adoptie.” 

Laserlasprocessen Verbeteren met AI en FPGA‑Integratie

Naast het optimaliseren van voorlopige experimenten, hebben de onderzoekers ook het lasproces in een ander project verbeterd. 

Bij laserlassen kan zelfs met ideale instellingen het proces onvoorspelbare afwijkingen opleveren, en een kleine afwijking kan ernstige defecten in het product veroorzaken.

“Het is momenteel niet mogelijk om het lasproces in real‑time te beïnvloeden,” zei onderzoeker Rajani. “Dit gaat de mogelijkheden van menselijke experts te boven.”

– Onderzoeker Rajani

In feite worstelen zelfs computers met de snelheid waarmee data moet worden geanalyseerd en beslissingen moeten worden genomen. De onderzoekers gebruikten hier een gespecialiseerd type computerchip.

Deze chip wordt een field‑programmable gate array (FPGA) genoemd, die is ontworpen voor high‑performance computing (HPC) en prototyping. De chip kan na productie geprogrammeerd worden en aangepast voor verschillende gebruikssituaties zonder de hardware fysiek te wijzigen. Hun veelzijdigheid, gecombineerd met hoge prestaties, maakt ze zeer waardevol in de lucht‑ en ruimtevaart, automotive en telecommunicatie‑industrieën.

Masinelli merkte op:

“Met FPGAs weten we precies wanneer ze een commando uitvoeren en hoe lang de uitvoering duurt – wat niet het geval is bij een conventionele PC.” 

De onderzoekers koppelden de FPGA aan een PC om te dienen als een “backup brain”. Terwijl de chip de laserparameters observeert en regelt, worden deze data ook door het algoritme op de PC gebruikt voor leren.

“Als we tevreden zijn met de prestaties van het algoritme in de virtuele omgeving op de PC, kunnen we het ‘overzetten’ naar de FPGA en de chip in één keer intelligenter maken.”

– Masinelli

De onderzoekers geloven dat ML en AI een significante bijdrage kunnen leveren aan lasergebaseerde metaalbewerking. Daarom zullen ze hun algoritmen en modellen blijven ontwikkelen, evenals hun toepassingsgebied uitbreiden, in samenwerking met andere onderzoeksgroepen en industriële partners.

Investeringkansen Verkennen in 3D‑Printtechnologieën

Nu is een belangrijke speler in metaal‑additief ontwerp en productie Colibrium Additive. Het maakt deel uit van General Electric Company (GE.TO ) (GE ), dat nu opereert onder de naam GE Aerospace. 

Voorheen bekend als GE Additive, werd het afgelopen zomer gelanceerd als Colibrium Additive, en als onderdeel van de rebranding werden Concept Laser en Arcam EBM uitgefaseerd.

“Hoewel we onze naam veranderen, behouden we onze onwrikbare focus op onze klanten, kwaliteit en betrouwbaarheid. We blijven de Additive Manufacturing‑industrie voorop leiden en positief verstoren.”

– CEO Alexander Schmitz

General Electric (GE )

Wat betreft de 3D‑printers die door Colibrium Additive worden aangeboden, omvatten deze Electron Beam Powder Bed Fusion (EB‑PBF) printers, Laser Powder Bed Fusion (L‑PBF) printers en Binder Jet. 

Wat betreft de marktprestaties van het bedrijf, heeft het de afgelopen jaren echt een sterke groei doorgemaakt. 

Met een marktkapitalisatie van meer dan $260 miljard worden GE‑aandelen momenteel verhandeld rond $244, een stijging van 46 % dit jaar. De aandelenkoers nadert snel een piek van ongeveer $290, die werd bereikt in 2000. De EPS (TTM) is 6,35, en de P/E (TTM) is 38,46, terwijl het dividendrendement voor aandeelhouders 0,59 % bedraagt.

Intussen tonen de bedrijfsfinanciën een sterk Q1 2025 waarin GE een totale omzet van $9,9 miljard registreerde, een stijging van 11 % terwijl de totale orders met 12 % stegen tot $12,3 miljard.

Deze sterke start van 2025 werd gedreven door commerciële diensten, aldus CEO H. Lawrence Culp, Jr., terwijl hij de macro‑economische dynamiek benadrukte die het bedrijf dwingt strategische acties te ondernemen, zoals kostenbeheersing en het benutten van beschikbare handelsprogramma’s.

De operationele winst steeg met 38 % in 1Q25 tot $2,1 miljard terwijl de aangepaste EPS met 60 % toenam tot $1,49. In dezelfde periode rapporteerde $1,5 miljard aan cash uit operationele activiteiten (GAAP) terwijl de vrije cashflow met 14 % steeg tot $1,4 miljard. Het bedrijf meldde ook een commerciële diensten‑backlog van meer dan $140 miljard.

Te midden hiervan groeiden Propulsion & Additive Technologies slechts 1 %, waarbij het bedrijf opmerkte dat prijzen en volume lagere zendingen compenseerden als gevolg van een geplande zachte start in de verkoop van apparatuur.

In het jaarverslag stelde GE “afnames in de Additive Manufacturing‑industrie vanwege langzamere adoptie van technologie” vast, maar tegelijkertijd noteerde het Colibrium Additive als “een kritische business voor huidige en toekomstige technologie bij GE Aerospace terwijl we blijven focussen op waar het de meeste waarde kan creëren.”

Laatste General Electric (GE) Aandelen Nieuws en Ontwikkelingen

Conclusie

Naarmate AI blijft evolueren en industrieën transformeert, helpt het ook om opnieuw te definiëren wat mogelijk is in moderne productie door procesoptimalisatie te versnellen en real‑time aanpasbaarheid mogelijk te maken. 

Door de tijd en kosten die gepaard gaan met parameterafstemming en defectdetectie in PBF aanzienlijk te verminderen en real‑time controle in laserlassen te bereiken, staat lasergebaseerde additive manufacturing klaar voor bredere adoptie, waardoor een nieuw tijdperk van efficiënte, toegankelijke en op maat gemaakte productie wordt ingeluid.

Klik hier voor een lijst van de top 3D‑printaandelen.

Gerefereerde Studies:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonome verkenning van de PBF‑LB‑parameter ruimte: Een op onzekerheid gebaseerde algoritme voor geautomatiseerde generatie van verwerkingskaarten. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}