Precisão alimentada por IA para transformar a impressão 3D de metal baseada em laser

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

O processamento de metais a 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 em camadas.

A manufatura aditiva consiste simplesmente na criação de um produto camada por camada. Começou com o uso de plásticos como material, graças à facilidade de processamento. Mas agora expandiu 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 a laser de metais, por sua vez, oferece benefícios exclusivos de alta densidade de energia, estreita zona afetada pelo calor e baixa contaminação. É por isso que os processos a laser são utilizados em diversos setores, especialmente onde se exige máxima precisão e alta personalização. Mas isso 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 melhorar a compreensão, o monitoramento e o 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 os desafios da fusão de leito de pó a laser (PBF-LB)

No campo mais amplo do processamento de metais a laser, a fusão em leito de pó é uma técnica popular, que envolve o uso de um laser para derreter camadas finas de pó metálico nos pontos exatos e soldá-las para produzir o componente final.

A Fusão em Leito de Pó com Feixe de Laser (PBF-LB), por sua vez, é uma técnica especializada que vem ganhando bastante atenção nos últimos anos. Nessa proeminente tecnologia de manufatura aditiva, lasers que emitem potências altíssimas são usados ​​para fundir pós metálicos em camadas específicas antes de misturá-los em componentes personalizados e altamente precisos. 

Essa técnica permite a produção de geometrias complexas, ao mesmo tempo em que oferece recursos de personalização e garante a eficiência do material. 

Essas características tornam o PBF-LB especialmente benéfico para setores como automotivo, médico, 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 otimização.

Isso inclui ter dificuldade em identificar a estrutura de processamento ideal para o pó metálico que está sendo usado.

“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 cria mecanismos físicos complexos que afetam negativamente a qualidade das peças. Esses mecanismos incluem inconsistências nas propriedades do material, a influência dos 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 simplesmente fundido, sendo ideal para componentes finos e precisos. A outra opção é o modo buraco de fechadura, no qual o metal pode ser vaporizado em alguns casos. É mais rápido, mas também menos preciso, tornando-o adequado para componentes mais espessos.

O limite entre esses modos, no entanto, depende de parâmetros diferentes, e alcançar a melhor qualidade nos produtos finais requer configurações corretas, que variam dependendo do material que está 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, o que torna a técnica intensiva em tempo e recursos. Como resultado, o PBF-LB precisa do laborioso ajuste fino dos parâmetros para obter resultados consistentes.

E não para por aí. As amostras produzidas nesta 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 encontram defeitos, o que é essencial para avaliar a qualidade e o desempenho das peças PBF-LB, mas, novamente, eles exigem equipamento especializado e conhecimento especializado, além de serem caros e demorados.

“É por isso que muitas empresas não conseguem arcar com o PBF em primeiro lugar.”

– Masinelli

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

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

Aproveitando a 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 (EA), imagens térmicas 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 fabricação. Isso permite ajustes imediatos, economizando recursos ao remover e refazer 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 dedica ao desenvolvimento de algoritmos estatísticos que aprendem com dados. Esses algoritmos extraem padrões significativos de dados de alta dimensão e, em seguida, fazem previsões, no caso do processamento de metais, sobre a qualidade das peças, sem a necessidade de programar explicitamente modelos físicos complexos.

No entanto, essas abordagens de IA não são isentas de limitações. Os desafios incluem o aprendizado do modelo para detectar mudanças nos parâmetros do processo em vez do regime do processo e a formação de defeitos.

A variação natural dos parâmetros da máquina ao longo do tempo também representa uma barreira à generalização desses modelos, limitando a aplicabilidade prática dos modelos de IA em ambientes de manufatura do mundo real. Além disso, há problemas com a automação, que exige equipamentos especializados e se complica devido à multiplicidade de parâmetros, cuja exploração também é desafiadora e consome muitos recursos.

Há uma necessidade clara de algoritmos que possam navegar autonomamente pelo espaço de parâmetros do PBF, considerando múltiplas variáveis ​​de 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 coleta não supervisionada de dados ópticos com foco na identificação do regime de fusão, sem exigir dados rotulados ou extensa análise de pós-processamento.

Implementando Aprendizado Não Supervisionado para Otimizar Parâmetros PBF-LB

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

Embora o foco do estudo¹ Considerando esses dois parâmetros, a técnica também pode ser usada para parâmetros de processo adicionais. No futuro, os pesquisadores incorporarão vazão de gás, espaçamento de hachura e espessura de camada em seu algoritmo para permitir uma exploração mais abrangente do espaço de parâmetros PBF-LB.

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

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, na verdade, se baseia nessa base e apresenta um método original que combina partes de aprendizado ativo (seleção dos 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 seja otimizado.

Notavelmente, apesar de empregar uma abordagem iterativa para refinamento, o modelo permanece sem supervisão durante todo o processo, pois não requer dados rotulados. Para identificar os regimes de fusão, o algoritmo se baseia em características extraídas 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 à faceta iterativa, 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 ensinado a detectar em qual modo de soldagem o laser está durante um teste, utilizando dados de sensores ópticos já incorporados nas máquinas a laser. Com base nisso, o algoritmo define os parâmetros para o próximo teste.

“Esperamos que nosso algoritmo permita que leigos utilizem 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, o que limita a adoção mais ampla do PBF-LB, identifica independentemente os regimes de fusão usando dados de fotodiodos.

E quando testado em laboratório, a equipe descobriu que o método era altamente preciso, alcançando uma pontuação F1 de 89.2% em dois materiais. Para avaliar o desempenho, os pesquisadores imprimiram várias peças em dois materiais. 

O primeiro foi o Ti-6Al-4V, uma das ligas de titânio (alfa-beta) mais utilizadas, com excelente resistência à corrosão e alta resistência específica. O outro foi o aço inoxidável 316L, uma versão de baixo carbono do aço inoxidável 316, comumente utilizado no processamento de alimentos, equipamentos farmacêuticos, dispositivos médicos, joias, relógios de luxo, tratamento de águas residuais e na indústria química.

Em particular, a equipe conduziu inspeções de poças 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. No entanto, houve uma redução máxima de apenas 8.88% na pontuação F1 em comparação com um delineamento experimental fatorial completo tradicional.

O estudo afirmou:

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

Os pesquisadores acreditam que o método apresentado aqui pode "melhorar significativamente" tanto a eficiência quanto a confiabilidade do PBF-LB, o que pode levar à sua adoção mais ampla, aumentando sua eficácia geral em diversos setores. De acordo com o estudo:

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

Aprimorando os processos de soldagem a laser por meio 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 desvio pode levar a defeitos sérios no produto.

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

– Pesquisador Rajani

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

Este 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 a necessidade de alterações físicas no hardware. Sua versatilidade, aliada ao alto desempenho, os torna altamente valiosos nos setores aeroespacial, automotivo e de telecomunicações.

Masinelli observou:

“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 reserva". 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 do PC, podemos 'transferi-lo' para o FPGA e tornar o chip mais inteligente de uma só vez.”

– Masinelli

Os pesquisadores acreditam que o aprendizado de máquina e a IA têm o potencial de contribuir significativamente para o processamento de metais a laser. Por isso, continuarão a desenvolver seus algoritmos e modelos, bem como a 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

Atualmente, um ator-chave no projeto e fabricação de aditivos metálicos é o Colibrium Additive. Ele faz parte General Electric Company (GE ), que agora opera como GE Aerospace. 

Anteriormente conhecido como GE Additive, foi relançado como Colibrium Additive no verão passado e, como parte da reformulação da marca, o Concept Laser e o Arcam EBM foram aposentados.

"Ao mudarmos nosso nome, mantemos nosso foco inabalável em nossos clientes, qualidade e confiabilidade. Continuaremos a liderar o setor de Manufatura Aditiva e a inovar positivamente."

– CEO Alexander Schmitz

General Electric (GE )

Quando se trata das impressoras 3D oferecidas pela Colibrium Additive, elas incluem impressoras de fusão de leito de pó por feixe de elétrons (EB-PBF), impressoras de fusão de leito de pó 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 US$ 260 bilhões, as ações da GE estão sendo negociadas atualmente em torno de US$ 244, uma alta substancial de 46% este ano. As ações da empresa estão se aproximando rapidamente do pico de cerca de US$ 290, atingido em 2000. Seu lucro por ação (LPA) (TTM) é de 6.35 e o P/L (TTM) é de 38.46, enquanto o rendimento de dividendos disponível para os acionistas é de 0.59%.

Enquanto isso, as finanças da empresa mostram um forte primeiro trimestre de 1, no qual a GE registrou uma receita total de US$ 2025 bilhões, um aumento de 9.9%, enquanto o total de pedidos aumentou 11%, para US$ 12 bilhões.

Esse forte início em 2025 foi impulsionado pelos serviços comerciais, afirmou o CEO H. Lawrence Culp Jr., ao destacar a dinâmica macroeconômica que exige que a empresa tome ações estratégicas, como controlar custos e alavancar programas comerciais disponíveis.

O lucro operacional cresceu 38% no 1T25, para US$ 2.1 bilhões, enquanto o lucro por ação ajustado teve um aumento de 60%, para US$ 1.49. Durante esse período, a GE também relatado 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 reportou uma carteira de serviços comerciais de mais de US$ 140 bilhões.

Em meio a tudo isso, a Propulsion & Additive Technologies cresceu 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 declarou “declínios na indústria de manufatura aditiva devido à adoção mais lenta de tecnologia”, mas, ao mesmo tempo, observou que o Colibrium Additive é “um negócio crítico para a tecnologia atual e futura na GE Aerospace, à medida que continuamos a nos concentrar em onde ela pode criar mais valor”.

Últimas notícias e desenvolvimentos sobre ações da General Electric (GE)

Conclusão

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

Ao reduzir significativamente o tempo e o custo associados ao ajuste de parâmetros e detecção de defeitos em PBF e 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 ver uma lista dos 3 principais estoques de impressão XNUMXD.

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 PBF-LB: Um algoritmo baseado em incertezas para geração automatizada de mapas de processamento. Manufatura Aditiva, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}