Inteligência Artificial Impulsiona Precisão para Transformar a Impressão 3D de Metais com Laser

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

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

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

A manufatura aditiva é simplesmente a criação de um produto camada por camada. Ela começou com o uso de plásticos como material, graças à facilidade de processamento. Mas agora cresceu para incluir todos os tipos de materiais, incluindo materiais metálicos.

Materiais metálicos são conhecidos por suas propriedades atraentes, como excelente condutividade elétrica e alta resistência, ductilidade e ponto de fusão, tornando-os altamente úteis em aplicações biomédicas, energéticas, arquitetônicas e militares.

O processamento de metais com base em laser, por sua vez, oferece benefícios únicos de alta densidade de energia, uma zona de aquecimento afetada estreita e pouca contaminação. É por isso que os processos de laser são usados em vários setores, especialmente onde se requer precisão máxima 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 para melhor entender, monitorar e controlar esses processos.”

– Elia Iseli, Líder do grupo de pesquisa no laboratório de Processamento de Materiais Avançados da Empa

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

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

No campo mais amplo do processamento de metais com base em laser, a Fusão de Pó de Leito é uma técnica popular, que envolve o uso de um laser para derreter camadas finas de pó de metal nos pontos exatos e soldá-los todos juntos para produzir o componente final.

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

Essa técnica permite a produção de geometrias complexas enquanto oferece capacidades de personalização e garantindo eficiência de material.

Essas características tornam a PBF-LB especialmente benéfica para indústrias como automotiva, médica, aeroespacial e de produtos de consumo, onde precisamos de 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 a otimização.

Isso inclui ter dificuldade em identificar o quadro de processamento ideal para o pó metálico sendo usado.

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

– Masinelli

A entrada de alta energia necessária para a fusão de metais nessa técnica 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 ocorre principalmente devido aos dois modos. Um é o modo de condução, no qual o metal é apenas derretido, e é ideal para componentes finos e precisos. A outra opção é o modo de furo de chave, no qual o metal pode ser vaporizado em alguns casos. É mais rápido, mas também menos preciso, tornando-o adequado para componentes mais grossos.

A fronteira entre esses modos, no entanto, depende de diferentes parâmetros, e alcançar a melhor qualidade nos produtos finais requer as configurações certas, que variam dependendo do material sendo 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, e isso torna a técnica demorada e intensiva em recursos. Como resultado, a PBF-LB precisa do ajuste laborioso de parâmetros para alcançar resultados consistentes.

Isso não termina aqui. As amostras produzidas nessa etapa são então analisadas usando diferentes técnicas, como análise microestrutural, medições de densidade e tomografia computadorizada de raios X (TC).

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

“É por isso que muitas empresas não podem se dar ao luxo de ter PBF.”

– Masinelli

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

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

Aproveitando a Inteligência Artificial para Controle em Tempo Real na Impressão 3D de Metais

Para a análise de amostras, os pesquisadores se voltaram para métodos de monitoramento em tempo real usando sensores, como emissão acústica (AE), imagem térmica de alta velocidade e sensores ópticos.

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

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

Um campo de estudo na inteligência artificial, o ML está preocupado com o desenvolvimento de algoritmos estatísticos que aprendem com os dados. Esses algoritmos extraem padrões significativos de dados de alta dimensionalidade e, em seguida, fazem previsões, no caso do processamento de metais, sobre a qualidade da peça, sem precisar programar explicitamente modelos físicos complexos.

Essas abordagens de IA não estão sem limitações, no entanto. Os desafios incluem o modelo aprendendo a detectar mudanças nos parâmetros do processo em vez do regime do processo e formação de defeitos.

O drift natural dos parâmetros da máquina ao longo do tempo também apresenta uma barreira para a generalização desses modelos, limitando a aplicabilidade prática dos modelos de IA em ambientes de manufatura do mundo real. Em seguida, há questões com a automação, que exigem equipamentos especializados e se complicam com vários parâmetros, explorar os quais também é desafiador e intensivo em recursos.

Há uma necessidade clara de algoritmos que possam navegar autonomamente pelo espaço de parâmetros da PBF, considerando várias variáveis do processo, para identificar condições ótimas e entender os regimes de fusão subjacentes.

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

Implementando Aprendizado Não Supervisionado para Otimizar Parâmetros da PBF-LB

A técnica inovadora desenvolvida por pesquisadores da Empa se concentra 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 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 da PBF-LB.

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

A abordagem não supervisionada também fornece uma base para extrair mapas de processamento sem depender de dados rotulados, o que oferece uma vantagem considerável na 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 do 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, em seguida, progressivamente constrói o conjunto de dados decidindo onde realizar cada novo experimento, permitindo que o processo experimental otimize.

Notavelmente, apesar de empregar uma abordagem iterativa para refinar, o modelo permanece não supervisionado durante o processo, pois não requer dados rotulados. Para identificar os regimes de fusão, o algoritmo confia em recursos extraídos dos dados ópticos, e os resultados são 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 naqueles campos que têm alta incerteza nas previsões, o que melhora a estimativa do mapa de processamento.

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

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

Avaliando a Efetividade 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 da PBF-LB, identifica independentemente os regimes de fusão usando dados de fotodiodos.

E quando testado no laboratório, a equipe encontrou o método ser altamente preciso, alcançando um escore F1 de 89,2% em dois materiais.

Para avaliar o desempenho, os pesquisadores imprimiram várias peças em dois materiais.

O primeiro foi Ti-6Al-4V, que é uma das ligas de titânio (alfa-beta) mais comumente usadas, tendo excelente resistência à corrosão e alta resistência específica. O outro foi aço inoxidável 316L, uma versão de baixo carbono do aço inoxidável 316, que é comumente usado no 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 do banho 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, enquanto mantinha um desempenho robusto. Isso pode reduzir significativamente o custo da exploração de parâmetros. Enquanto isso, houve apenas uma diminuição máxima de 8,88% no escore F1 em comparação com um design de experimento factorial completo tradicional.

O estudo afirmou:

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

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

“Nossos resultados demonstram o potencial desse método para otimizar a PBF-LB, tornando-a mais viável para aplicações industriais e abrindo caminho para sua adoção mais ampla.”

Melhorando os Processos de Soldagem a Laser por meio da Integração de IA e FPGA

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

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

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

– Pesquisador Rajani

Na verdade, até os computadores lutam com a velocidade com que os dados precisam ser examinados e as decisões devem ser tomadas. Os pesquisadores usaram um tipo especial de chip de computador aqui.

Esse chip é chamado de matriz de portas programáveis em campo (FPGA), que é projetado para o propósito de 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 precisar alterar fisicamente o hardware. Sua versatilidade, combinada com alto desempenho, os torna altamente valiosos em indústrias aeroespaciais, automotivas e de telecomunicações.

Masinelli observou:

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

Os pesquisadores ligaram 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 aprender.

“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 vez.”

– Masinelli

Os pesquisadores acreditam que o aprendizado de máquina e a IA têm o potencial de contribuir significativamente para o processamento de metais com base em laser. Como tal, eles 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 jogador importante no design e manufatura aditiva de metais é a Colibrium Additive. Ela faz parte da General Electric Company (GE ), que agora está fazendo negócios como GE Aerospace.

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

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

– CEO Alexander Schmitz

General Electric (GE )

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

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

Com uma capitalização de mercado de mais de 260 bilhões de dólares, as ações da GE estão sendo negociadas em torno de 244 dólares, subindo substancialmente 46% este ano. A ação da empresa está se aproximando rapidamente de seu pico, em torno de 290 dólares, que foi atingido em 2000. Seu EPS (TTM) é 6,35, e o P/E (TTM) é 38,46, enquanto o rendimento de dividendos disponível para acionistas é 0,59%.

Enquanto isso, os números financeiros da empresa mostram um forte primeiro trimestre de 2025, no qual a GE registrou uma receita total de 9,9 bilhões de dólares, um aumento de 11%, enquanto os pedidos totais saltaram 12% para 12,3 bilhões de dólares.

Esse forte início em 2025 foi impulsionado por serviços comerciais, afirmou o CEO H. Lawrence Culp, Jr., enquanto observava as dinâmicas macroeconômicas que exigem que a empresa tome ações estratégicas, como controlar custos e aproveitar programas de comércio disponíveis.

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

Nesse meio tempo, as Tecnologias de Propulsão e Aditivas cresceram apenas 1%, com a empresa observando que os preços e o volume compensaram as remessas mais baixas 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, observou que a Colibrium Additive é “um negócio crítico para a tecnologia atual e futura da GE Aerospace, pois continuamos a nos concentrar em onde ela pode criar o mais valor”.

Últimas Notícias e Desenvolvimentos sobre a Ação da General Electric (GE)

Conclusão

À medida que a IA continua a avançar e transformar as indústrias, também está ajudando a redefinir o que é possível na manufatura moderna, acelerando a otimização do processo e permitindo a adaptabilidade em tempo real.

Ao reduzir significativamente o tempo e o custo associados ao ajuste de parâmetros e detecção de defeitos na PBF e alcançar o 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 da PBF-LB: Um algoritmo impulsionado por incerteza para geração automática de mapas de processamento. Manufatura Aditiva, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}