Precisão Potencializada por IA para Transformar a Impressão 3D de Metal Baseada em Laser

No mundo da impressão 3D ou manufatura aditiva, o processamento de metal baseado em laser é uma técnica popular que permite a produção automatizada, precisa e rápida de componentes intrincados.

O processamento de metais baseado em laser envolve o uso de um laser como fonte de energia para manipular o metal. Um laser é um feixe amplificado de luz ou radiação eletromagnética que pode se propagar em linha reta com pouca divergência.

Isso torna os lasers altamente úteis no processamento de materiais, onde são usados para usinagem, união e engenharia de superfícies. Na manufatura aditiva, os lasers são usados para fundir materiais e fabricar componentes camada por camada.

A manufatura aditiva consiste simplesmente em criar um produto camada por camada. Começou com o uso de plásticos como material, graças à facilidade de processabilidade. Mas agora se expandiu para incluir todos os tipos de materiais, incluindo materiais metálicos.

Os materiais metálicos são conhecidos por suas propriedades atrativas, como excelente condutividade elétrica e alta resistência, ductilidade e ponto de fusão, tornando‑os muito úteis em aplicações biomédicas, de energia, arquitetura e militares.

O processamento a laser de metais, por sua vez, oferece benefícios únicos de alta densidade de energia, zona de calor afetada estreita e pouca contaminação. Por isso, os processos a laser são usados em inúmeros setores, especialmente onde são exigidas máxima precisão e alta personalização. Mas ele tem suas próprias complicações e desafios técnicos.

“Para garantir que os processos baseados em laser possam ser usados de forma flexível e alcançar resultados consistentes, estamos trabalhando em uma melhor compreensão, monitoramento e controle desses processos.”

– Elia Iseli, líder do grupo de pesquisa no laboratório de Processamento Avançado de Materiais da Empa

Com esse objetivo, os pesquisadores Giulio Masinelli e Chang Rajani da Empa em Thun estão tornando as técnicas de fabricação baseadas em laser mais acessíveis, econômicas e eficientes, usando aprendizado de máquina.

Compreendendo as Vantagens e Desafios da Fusão a Leito de Pó a Laser (PBF-LB)

No campo mais amplo do processamento de metal baseado em laser, a Fusão a Leito de Pó é uma das mais populares, envolvendo o uso de um laser para fundir finas camadas de pó metálico nos pontos exatos e soldá‑las todas juntas para produzir o componente final.

A Fusão a Leito de Pó com Feixe Laser (PBF-LB), por sua vez, é uma técnica especializada que tem ganhado muita atenção nos últimos anos. Nesta tecnologia proeminente de manufatura aditiva, lasers que emitem potências muito altas são usados para fundir especificamente pós metálicos camada por camada antes de combiná‑los em componentes personalizados e altamente precisos.

Esta técnica permite a produção de geometrias complexas ao mesmo tempo em que oferece capacidades de personalização e garante eficiência material.

Essas características tornam o PBF-LB particularmente benéfico para indústrias como automotiva, médica, aeroespacial e de produtos de consumo, onde são necessárias peças leves e complexas, designs personalizados, precisão, redução de peso e prototipagem rápida, respectivamente.

Embora versátil e eficiente, a técnica enfrenta vários obstáculos para alcançar uma adoção mais ampla e alcançar otimização.

Isso inclui a dificuldade em identificar a estrutura de processamento ideal para o pó metálico utilizado.

“Mesmo um novo lote do mesmo pó inicial pode exigir configurações completamente diferentes.”

– Masinelli

A alta energia necessária para a fusão do metal nesta técnica realmente cria mecanismos físicos complexos que afetam negativamente a qualidade das peças. Esses mecanismos incluem inconsistências nas propriedades do material, a influência de gases atmosféricos e a interação do laser com a pluma de vapor. Todos esses fenômenos trazem problemas na identificação de parâmetros.

Isso se deve principalmente aos dois modos. Um é o modo de condução, no qual o metal é apenas fundido, sendo ideal para componentes finos e precisos. A outra opção é o modo de furo, no qual o metal pode ser vaporizado em alguns casos. É mais rápido, mas também menos preciso, tornando‑o adequado para componentes mais espessos.

A fronteira entre esses modos, porém, depende de diferentes parâmetros, e alcançar a melhor qualidade nos produtos finais requer as configurações corretas, que variam conforme o material processado.

As interações complexas entre o material e o laser também tornam o processo sensível a variações muito pequenas, o que pode levar a problemas na produção, tornando a técnica intensiva em tempo e recursos. Como resultado, o PBF-LB necessita de um ajuste minucioso e trabalhoso dos parâmetros para alcançar resultados consistentes.

Não termina aqui também. As amostras produzidas nesta fase são então analisadas usando diferentes técnicas, como análise microestrutural, medições de densidade e tomografia computadorizada (TC) de raios‑X.

Esses métodos fornecem informações detalhadas sobre estruturas internas e detectam defeitos, o que é crítico para avaliar a qualidade e o desempenho das peças PBF-LB, mas novamente, exigem equipamentos especializados e conhecimento especializado, além de serem caros e demorados.

“É por isso que muitas empresas não podem arcar com o PBF inicialmente.”

– Masinelli

Para abordar todos esses problemas, pesquisadores da Empa utilizaram aprendizado de máquina para tornar os processos a laser mais eficientes, econômicos e precisos.

Clique aqui para aprender como a manufatura aditiva está remodelando indústrias.

Aproveitando IA para Controle em Tempo Real na Impressão 3D de Metal

Para análise de amostras, os pesquisadores recorreram a métodos de monitoramento em tempo real usando sensores como emissão acústica (AE), imagens térmicas de alta velocidade e sensores ópticos.

O monitoramento em tempo real foi escolhido devido à sua capacidade de detectar eventos indesejáveis durante o processo de fabricação. Isso permite ajustes imediatos, economizando recursos ao remover e refundir defeitos.

Essas técnicas de monitoramento em tempo real geralmente são baseadas em algoritmos de aprendizado de máquina (ML).

Um campo de estudo em inteligência artificial, o ML se preocupa com o desenvolvimento de algoritmos estatísticos que aprendem a partir de dados. Esses algoritmos extraem padrões significativos de dados de alta dimensão e então fazem previsões, no caso do processamento de metal, sobre a qualidade das peças, sem a necessidade de programar explicitamente modelos físicos complexos.

Essas abordagens de IA não estão isentas de limitações, porém. Os desafios incluem o modelo aprender a detectar mudanças nos parâmetros do processo em vez do regime do processo e da formação de defeitos.

O desvio natural nos parâmetros das máquinas ao longo do tempo também apresenta uma barreira à generalização desses modelos, limitando a aplicabilidade prática de modelos de IA em ambientes de manufatura reais. Além disso, há questões com automação, que requerem equipamentos especializados e se complicam com múltiplos parâmetros, cuja exploração também é desafiadora e intensiva em recursos.

Existe uma necessidade clara de algoritmos que possam navegar autonomamente no espaço de parâmetros do PBF, considerando múltiplas variáveis de processo, para identificar condições ótimas e compreender os regimes de fusão subjacentes.

Essa necessidade está sendo atendida agora por pesquisadores da Empa, que propuseram um novo método que emprega coleta não supervisionada de dados ópticos com foco na identificação do regime de fusão sem exigir dados rotulados ou análise extensiva de pós‑processamento.

Implementando Aprendizado Não Supervisionado para Otimizar os Parâmetros do PBF-LB

A nova técnica não supervisionada desenvolvida pelos pesquisadores da Empa foca em dois parâmetros principais: potência do laser e velocidade de varredura, identificados como tendo o impacto mais significativo no regime de fusão.

Enquanto o foco do estudo¹ foi focado nesses dois parâmetros, a técnica também pode ser usada para parâmetros de processo adicionais. No futuro, os pesquisadores incorporarão taxa de fluxo de gás, espaçamento de hatch e espessura de camada em seu algoritmo para permitir uma exploração mais abrangente do espaço de parâmetros do PBF-LB.

Por enquanto, o método proposto aponta com precisão a transição entre o modo de condução e o modo de furo.

A abordagem não supervisionada também fornece uma base para extrair mapas de processamento sem depender de dados rotulados, o que oferece uma vantagem considerável no PBF-LB, onde obter dados rotulados é caro e desafiador.

O estudo realmente se baseia nessa fundação e introduz um método original que combina partes de aprendizado ativo (selecionando os pontos de dados mais informativos) e otimização Bayesiana (estratégia de amostragem iterativa utilizando um modelo probabilístico) para derivar mapas de processamento de forma eficiente.

O que torna a abordagem diferente é que ela começa sem dados e então constrói progressivamente o conjunto de dados decidindo onde realizar cada novo experimento, permitindo assim que o processo experimental se otimize.

Notavelmente, apesar de empregar uma abordagem iterativa para refinamento, o modelo permanece não supervisionado ao longo de todo o processo, pois não requer dados rotulados. Para identificar os regimes de fusão, o algoritmo baseia‑se em recursos extraídos dos dados ópticos, e os resultados são então usados para treinar um Classificador de Processo Gaussiano (GPC) para fornecer uma estimativa probabilística do mapa.

Quanto ao aspecto iterativo, o algoritmo seleciona novas configurações de teste com base nos campos que apresentam alta incerteza nas previsões, o que melhora a estimativa do mapa de processamento.

Basicamente, o algoritmo é treinado para detectar em qual modo de soldagem o laser está durante uma execução de teste, usando dados de sensores ópticos já incorporados nas máquinas de laser. Com base nisso, o algoritmo define os parâmetros para o próximo teste.

“Esperamos que nosso algoritmo permita que não‑especialistas usem dispositivos PBF,” disse Masinelli. Ele só precisa ser integrado ao firmware das máquinas de solda a laser pelos fabricantes.

Avaliando a Eficácia do Modelo de IA em Aplicações PBF-LB

O novo algoritmo introduzido pelos pesquisadores para eliminar a necessidade de ajuste extensivo de parâmetros, que limita a adoção mais ampla do PBF-LB, identifica de forma independente os regimes de fusão usando dados de fotodiodos.

E quando testado no laboratório, a equipe constatou que o método era altamente preciso, alcançando um F1‑score de 89,2% em dois materiais. Para avaliar o desempenho, os pesquisadores imprimiram várias peças em dois materiais.

O primeiro foi Ti-6Al-4V, uma das ligas de titânio (alfa‑beta) mais usadas, com excelente resistência à corrosão e alta resistência específica. O outro foi aço inoxidável 316L, uma versão de baixo carbono do aço inox 316, comumente usado em processamento de alimentos, equipamentos farmacêuticos, dispositivos médicos, joias, relógios de luxo, tratamento de águas residuais e na indústria química.

Em particular, a equipe realizou inspeções da poça de fusão para verificar as previsões do algoritmo.

A avaliação mostrou que a abordagem reduziu a necessidade de ensaios experimentais em 67% em ambos os metais, mantendo um desempenho robusto. Isso pode reduzir significativamente o custo da exploração de parâmetros. Enquanto isso, houve apenas uma diminuição máxima de 8,88% no F1‑score em comparação com um desenho experimental fatorial completo tradicional.

“Esses resultados ressaltam a eficiência do nosso método no contexto da derivação autônoma de mapas de processamento para processos avançados de manufatura.”

O método introduzido aqui, acreditam os pesquisadores, pode “melhorar significativamente” tanto a eficiência quanto a confiabilidade do PBF-LB, o que poderia levar a uma adoção mais ampla ao aprimorar sua eficácia geral em vários setores. De acordo com o estudo:

“Nossos resultados demonstram o potencial deste método para simplificar a otimização do PBF-LB, tornando‑o mais viável para aplicações industriais e abrindo caminho para sua adoção mais ampla.”

Aprimorando Processos de Soldagem a Laser através da Integração de IA e FPGA

Além de otimizar experimentos preliminares, os pesquisadores também aprimoraram o processo de soldagem em outro projeto.

Quando se trata de soldagem a laser, mesmo com configurações ideais, o processo ainda pode gerar desvios imprevisíveis, e até mesmo um pequeno pode levar a defeitos graves no produto.

“Atualmente não é possível influenciar o processo de soldagem em tempo real,” disse a pesquisadora Rajani. “Isso está além das capacidades de especialistas humanos.”

– Pesquisadora Rajani

De fato, até os computadores têm dificuldade com a velocidade em que os dados precisam ser examinados e as decisões tomadas. Os pesquisadores usaram aqui um tipo especializado de chip de computador.

Esse chip é chamado de field‑programmable gate array (FPGA), projetado para computação de alto desempenho (HPC) e prototipagem. O chip pode ser programado após ser liberado pelo fabricante e adaptado para diferentes casos de uso sem necessidade de alterar fisicamente o hardware. Sua versatilidade, combinada com alto desempenho, torna‑o altamente valioso nas indústrias aeroespacial, automotiva e de telecomunicações.

“Com FPGAs, sabemos exatamente quando eles executarão um comando e quanto tempo a execução levará – o que não acontece com um PC convencional.”

Os pesquisadores conectaram o FPGA a um PC para servir como um “cérebro de backup”. À medida que o chip observa e controla os parâmetros do laser, esses dados também são utilizados pelo algoritmo no PC para aprendizado.

“Se estivermos satisfeitos com o desempenho do algoritmo no ambiente virtual no PC, podemos ‘transferi‑lo’ para o FPGA e tornar o chip mais inteligente de uma só vez.”

– Masinelli

Os pesquisadores acreditam que ML e IA têm o potencial de contribuir significativamente para o processamento de metal baseado em laser. Como tal, continuarão a desenvolver seus algoritmos e modelos, bem como expandir sua área de aplicação, em colaboração com outros grupos de pesquisa e parceiros da indústria.

Explorando Oportunidades de Investimento em Tecnologias de Impressão 3D

Agora, um player chave em design e manufatura aditiva de metal é a Colibrium Additive. Ela faz parte General Electric Company (GE.TO ) (GE ), que agora opera como GE Aerospace.

Anteriormente conhecida como GE Additive, foi relançada como Colibrium Additive no verão passado, e como parte da reformulação da marca, Concept Laser e Arcam EBM foram descontinuadas.

“Embora estejamos mudando nosso nome, mantemos nosso foco inabalável em nossos clientes, qualidade e confiabilidade. Continuaremos a liderar a indústria de Manufatura Aditiva à frente e a disruptá‑la positivamente.”

– CEO Alexander Schmitz

General Electric (GE )

Quando se trata das impressoras 3D oferecidas pela Colibrium Additive, elas incluem impressoras de Fusão a Leito de Pó por Feixe de Elétrons (EB-PBF), impressoras de Fusão a Leito de Pó a Laser (L-PBF) e Binder Jet.

Quanto ao desempenho de mercado da empresa, tem prosperado bastante nos últimos anos.

Com uma capitalização de mercado superior a US$ 260 bilhões, as ações da GE estão atualmente negociando em torno de US$ 244, um aumento substancial de 46% neste ano. O estoque da empresa está se aproximando rapidamente de seu pico em torno de US$ 290, atingido em 2000. Seu EPS (TTM) é 6,35, e o P/E (TTM) é 38,46, enquanto o rendimento de dividendos disponível aos acionistas é 0,59%.

Enquanto isso, as finanças da empresa mostram um forte 1T 2025, no qual a GE registrou uma receita total de US$ 9,9 bilhões, um aumento de 11%, enquanto os pedidos totais aumentaram 12% para US$ 12,3 bilhões.

O forte início de 2025 foi impulsionado pelos serviços comerciais, afirmou o CEO H. Lawrence Culp, Jr., ao observar as dinâmicas macroeconômicas que exigem que a empresa tome ações estratégicas, como controlar custos e aproveitar programas comerciais disponíveis.

O lucro operacional disparou 38% no 1T25 para US$ 2,1 bilhões, enquanto o EPS ajustado teve um aumento de 60% para US$ 1,49. Durante esse período, a GE também relatou US$ 1,5 bilhão em caixa proveniente de atividades operacionais (GAAP) enquanto o fluxo de caixa livre aumentou 14% para US$ 1,4 bilhão. A empresa também relatou um backlog de serviços comerciais de mais de US$ 140 bilhões.

Em meio a tudo isso, Propulsion & Additive Technologies cresceu apenas 1%, com a empresa observando que preços e volume compensaram as menores remessas resultantes de um início suave planejado nas vendas de equipamentos.

Em seu relatório anual deste ano, a GE afirmou “declínios na indústria de Manufatura Aditiva devido à adoção mais lenta da tecnologia”, mas ao mesmo tempo, destacou a Colibrium Additive como “um negócio crítico para a tecnologia atual e futura na GE Aerospace, enquanto continuamos a focar onde ela pode criar mais valor.”

Últimas Notícias e Desenvolvimentos das Ações da General Electric (GE)

Conclusão

À medida que a IA continua avançando e transformando indústrias, ela também ajuda a redefinir o que é possível na manufatura moderna ao acelerar a otimização de processos e permitir adaptabilidade em tempo real.

Ao reduzir significativamente o tempo e o custo associados ao ajuste de parâmetros e à detecção de defeitos no PBF e ao alcançar controle em tempo real na soldagem a laser, a manufatura aditiva baseada em laser está pronta para uma adoção mais ampla, abrindo caminho para uma nova era de produção eficiente, acessível e personalizada.

Clique aqui para uma lista das principais ações de impressão 3D.

Estudos Referenciados:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Exploração autônoma do espaço de parâmetros do PBF-LB: Um algoritmo orientado por incerteza para geração automatizada de mapas de processamento. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}