AI gjør NASAs romfartslegering enklere å 3D‑printe

Metall‑3D‑utskrift kan lage rakettmotor‑deler med interne kjølekarr og geometrier som tradisjonell produksjon har vanskelig for å fremstille. Men det å kunne tegne en avansert komponent på en datamaskin betyr ikke at en produsent vet hvordan den skal skrives ut på en vellykket måte.

Hver kombinasjon av laserkraft, skanningshastighet, pulverlevering, gassstrøm og laghøyde kan endre resultatet. En dårlig kombinasjon kan gi porer, sprekker eller svak binding. Å finne de rette innstillingene krever ofte måneder med kostbar prøving og feiling.

Forskere fra Washington State University og University of Minnesota har demonstrert¹ at kunstig intelligens kan gjøre dette søket betydelig mer effektivt. Systemet deres identifiserte flere måter å skrive ut GRCop-42, en vanskelig NASA‑utviklet kobberlegering, ved bruk av lavere kraft og mer tilgjengelige metall‑3D‑skrivere.

Prestasjonen er viktig utover én legering. Den antyder at AI kan hjelpe produsenter med å bringe nye materialer raskere inn i produksjon, senke kostnadene ved prosessutvikling og øke antallet anlegg som kan produsere spesialiserte romfartskomponenter.

Hvorfor GRCop-42 er verdifull for romfartsproduksjon

GRCop-42 er en legering av kobber, krom og niob som er utviklet for miljøer der komponenter må tåle ekstrem varme. Den kombinerer høy termisk ledningsevne med styrke, oksidasjonsmotstand, kryp‑motstand og motstand mot termisk tretthet.

Disse egenskapene gjør den spesielt nyttig i rakettmotor‑forbrenningskamre, varmevekslere og andre systemer med høy varmestrøm. Kobber leder varme godt, men konvensjonelle kobberlegeringer kan miste styrke ved høye temperaturer. GRCop-42 er konstruert for å balansere begge kravene.

De samme egenskapene som gjør legeringen verdifull gjør den også vanskelig å skrive ut. Kobber reflekterer mye av den infrarøde energien som produseres av vanlige fiberlasere. Den transporterer også absorbert varme bort fra smeltebassenget svært raskt. Hvis skriveren ikke kan opprette og opprettholde et stabilt smeltebasseng, kan det deponerte materialet binde seg feil.

Produsenter kan kompensere ved å bruke kraftigere utstyr, men det øker inngangskostnaden. Forskerne spurte derfor om GRCop-42 kunne deponeres vellykket under 900 watt, med særlig interesse for området 500 til 700 watt som støttes av mange flere maskiner.

Hvordan AI erstattet en kostbar prøving‑og‑feiling‑prosess

Teamet utviklet et rammeverk kalt Bayesian Experimental Design for Additive Manufacturing, eller BEAM. Det styrer ikke skriveren autonomt eller lager en del. I stedet bestemmer det hvilke utskriftskonfigurasjoner som er mest nyttige å teste neste gang.

BEAM starter med tidligere eksperimenter, inkludert mislykkede utskrifter. Det bygger en probabilistisk modell som knytter skriverinnstillinger til sannsynligheten for å produsere en akseptabel struktur, og velger deretter en ny liten batch for fysisk testing. Resultatene returneres til modellen, og syklusen gjentas.

Dette er en praktisk bruk av AI fordi den holder fysisk eksperimentering i sløyfen. Andre forskere anvender på lignende måte AI for å forbedre presisjonen i laserbasert metallbearbeiding. Modellen trenger ikke å simulere hver metallurgisk interaksjon perfekt. Den trenger bare å gjøre hvert kostbare eksperiment mer informativt enn et stort sett manuelt gjetning.

Det økonomiske insentivet er betydelig. Ifølge artikkelen kan en enkelt directed energy deposition‑kjøring koste mellom $500 og $1 000. Etter‑utskriftsanalyse kan kreve ytterligere $500 per prøve og ta én til fire uker. Å utforske et nytt legerings prosessvindu kan dermed overstige $100 000, selv før man tar med måneder med spesialistarbeid.

Hva forskerne testet

Forskerne brukte et femakset directed energy deposition‑system utstyrt med en 1 000‑watt infrarød fiberlaser. Directed energy deposition tilfører metallpulver til et laser‑generert smeltebasseng, og bygger gradvis materiale på en overflate. I dette tilfellet deponerte systemet GRCop-42 på Inconel 718, en annen legering som er mye brukt i høytemperatur‑applikasjoner.

De potensielle kombinasjonene av tilførselsrate, gassstrøm, skanningshastighet, laghøyde og laserkraft skapte omtrent én million kandidatkonfigurasjoner på hvert kraftnivå. I stedet for å utforske dette enorme rommet manuelt, fikk BEAM kun et budsjett på 10 eksperimenter for hver valgt laserkraft.

Innen tre måneder fant rammeverket minst én gjennomførbar konfigurasjon på hvert kraftnivå. De vellykkede prøvene hadde solide indre med minimale defekter og en jevn overgang mellom GRCop-42 og Inconel 718‑materialene. Teamet oppdaget også at uvanlig høye skanningshastigheter og tynnere enn normale lag var viktige for å produsere solide strukturer.

Utskrift med lavere kraft kan utvide tilgangen til avanserte legeringer

Utskrift av GRCop-42 ved 500 watt reduserer ikke bare strømforbruket til én laser. Det endrer hvilket utstyr som kan delta. Artikkelen anslår at mer enn 90 prosent av relevante skrivere opererer mellom 500 og 1 000 watt. Å finne pålitelige innstillinger i dette området kan gjøre det mulig for universiteter, mindre produsenter og spesialiserte forskningsinstitusjoner å arbeide med en legering som ellers ville kreve dyrere systemer.

Utskrift med lavere kraft kan også redusere forvrengning, forbedre overflatekvaliteten, begrense slitasje på laseroptikk og redusere etterbehandlingskrav. Disse fordelene må måles for en spesifikk produksjonsprosess, men de viser hvorfor parameteroppdagelse påvirker økonomien i produksjon like mye som den tekniske gjennomførbarheten.

Potensielle fordeler inkluderer:

• Færre mislykkede bygg under materialutvikling
• Lavere utstyr- og etterbehandlingskrav
• Raskere kvalifisering av nye materialer og komponenter
• Mer distribuert produksjon av spesialiserte metalldeler

Dette siste punktet er spesielt relevant for romfart og forsvar. Disse bransjene trenger små volumer av spesialiserte deler og møter ofte forsyningskjeder med få kvalifiserte leverandører. En prosess som kan overføres til flere maskiner kan gjøre begrensede produksjonsløp mindre avhengige av ett enkelt anlegg.

AI kan bli et verktøy for kommersialisering av materialer

Den større muligheten er ikke begrenset til GRCop-42. Metall‑additiv produksjon støtter mange potensielt verdifulle legeringer, men hver ny material‑ og maskinkombinasjon krever sitt eget prosessvindu. En innstilling som fungerer på én skriver, overføres kanskje ikke perfekt til en annen på grunn av forskjeller i lasere, pulver, atmosfære, geometri og termisk oppførsel.

Dette skaper en skjult flaskehals. Materialvitenskapsfolk kan formulere en legering med imponerende egenskaper, mens produsenter fortsatt kan mangle en rimelig og repeterbar metode for å omdanne den til ferdige komponenter. Lignende AI‑assisterte metoder brukes allerede til å utvikle sterkere og mer korrosjonsbestandig 3D‑printbart stål. AI‑styrt eksperimentell design kan bidra til å bygge bro over den gjenværende produksjonskløften ved å behandle mislykkede eksperimenter som nyttige data og rette ressurser mot de delene av søkeområdet som mest sannsynlig vil gi levedyktige resultater.

Etter hvert som selskaper samler data på tvers av maskiner og materialer, kan modeller etter hvert starte prosjekter med kunnskap hentet fra lignende legeringer. Det vil gjøre prosessutviklingshistorikk til en gjenbrukbar produksjonsressurs.

Imidlertid bør ikke den nåværende studien tolkes som bevis på at flyklare komponenter nå kan skrives ut ved 500 watt. Forskerne produserte laboratorieprøver, ikke sertifiserte rakettmotorer. Romfartsadopsjon vil fortsatt kreve repeterbarhetsstudier, mekanisk testing, komponentnivåvalidering og godkjenning under krevende kvalitetssystemer. BEAM akselererte oppdagelsen av gjennomførbare innstillinger, noe som er et tidlig, men kostbart stadium i en mye lengre kommersialiseringsprosess.

Investere i AI‑drevet metall‑additiv produksjon

For investorer som er interessert i selskaper som opererer i skjæringspunktet mellom romfart, AI og additiv produksjon, Velo3D (VELO )gir et spesielt relevant eksempel. Selskapet utvikler Sapphire‑familien av metall‑additiv produksjonssystemer for oppdragskritiske romfarts- og forsvarsapplikasjoner.

Velo3D har allerede kvalifisert GRCop-42 for sin plattform. Teknologien deres bruker laser‑pulverbedsfusjon i stedet for den directed energy deposition‑prosessen som ble testet i artikkelen, så BEAM‑konfigurasjonene kan ikke bare kopieres til en Sapphire‑skriver. Det bredere prinsippet er fortsatt relevant: AI‑styrt oppdagelse kan hjelpe skriverprodusenter med å kvalifisere vanskelige materialer og redusere utviklingskostnadene.

Dette gir en naturlig investeringshypotese rundt oppsamlingen av prosesskunnskap. Den langsiktige konkurransefordelen i metall‑utskrift kan komme fra mer enn bare laserkraft eller byggevolum. Den kan også avhenge av hvilket selskap som pålitelig kan konvertere det bredeste spekteret av avanserte materialer til repeterbare, sertifiserbare deler.

Velo3D forblir et spekulativt småkapitalselskap utsatt for risiko knyttet til gjennomføring, finansiering, konkurranse og kundekonsentrasjon. Likevel gjør deres fokus på romfart og eksisterende GRCop-42‑kapasitet dem til et relevant børsnotert selskap å følge med på etter hvert som AI blir dypere integrert i industriell prosessutvikling.

AI endrer hvordan fysiske teknologier utvikles

Den mest betydningsfulle egenskapen ved BEAM er at den anvender AI på en fysisk industriell begrensning. Den genererer ikke et konsept som fortsatt må testes. Den velger hvilken virkelighetstest som skal gjennomføres neste, lærer av resultatet, og gjør det påfølgende eksperimentet mer informert.

Den lukkede sløyfen kan bli et definerende mønster for AI i produksjon. Etter hvert som materialer og komponenter blir mer spesialiserte, blir omfattende eksperimentering for treg og kostbar. Systemer som kombinerer maskinlæring med ekspertkunnskap kan begrense søket uten å fjerne forskere eller ingeniører fra prosessen.

For romfartsprodusenter er det umiddelbare resultatet en mer tilgjengelig måte å skrive ut en verdifull NASA‑legering på. Den dypere implikasjonen er at AI kan forkorte veien mellom oppdagelse av et avansert materiale og produksjon av nyttige deler fra det. Det kan utvide additiv produksjon utover geometrisk frihet og gjøre den til en raskere plattform for kommersialisering av selve materialene.

Referanser:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Oppdagelse av gjennomførbare 3D‑utskriftskonfigurasjoner for metalllegeringer via AI‑drevet adaptiv eksperimentell design. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}