AI gör NASAs flygindustriella legering enklare att 3D‑skriva

Metall‑3D‑utskrift kan skapa raketmotordelar med interna kylkanaler och geometrier som konventionell tillverkning har svårt att producera. Men förmågan att rita en avancerad komponent på en dator betyder inte att en tillverkare vet hur man skriver ut den framgångsrikt.

Varje kombination av laserkraft, skanningshastighet, pulverleverans, gasflöde och lagertjocklek kan förändra resultatet. En dålig kombination kan skapa porer, sprickor eller svag bindning. Att upptäcka rätt inställningar kräver ofta månader av kostsam provning och fel.

Forskare från Washington State University och University of Minnesota har demonstrerat¹ att artificiell intelligens kan göra denna sökning avsevärt mer effektiv. Deras system identifierade flera sätt att skriva ut GRCop-42, en svår NASA‑utvecklad kopparlegering, med lägre effekt och mer allmänt tillgängliga metall‑3D‑skrivare.

Prestationen är viktig bortom en enda legering. Den antyder att AI kan hjälpa tillverkare att snabbare föra in nya material i produktion, sänka kostnaden för processutveckling och öka antalet anläggningar som kan producera specialiserade flygindustriella komponenter.

Varför GRCop-42 är värdefull för flygindustriell tillverkning

GRCop-42 är en koppar-, krom- och niobiumlegering som utvecklats för miljöer där komponenter måste klara extrem värme. Den kombinerar hög värmeledningsförmåga med styrka, oxidationsbeständighet, krypbeständighet och motstånd mot termisk trötthet.

Dessa egenskaper gör den särskilt användbar i raketmotors förbränningskammare, värmeväxlare och andra system med hög värmeflöde. Koppar leder värme väl, men konventionella kopparlegeringar kan förlora styrka vid höga temperaturer. GRCop-42 konstruerades för att balansera båda kraven.

Samma egenskaper som gör legeringen värdefull gör den också svår att skriva ut. Koppar reflekterar en stor del av den infraröda energi som vanliga fiberlasrar producerar. Den transporterar också absorberad värme bort från smältpoolen mycket snabbt. Om skrivaren inte kan skapa och upprätthålla en stabil smältpool kan det deponerade materialet binda sig felaktigt.

Tillverkare kan kompensera genom att använda kraftfullare utrustning, men det höjer inträdeskostnaden. Forskarnas frågeställning var därför om GRCop-42 kunde deponeras framgångsrikt under 900 watt, med särskilt intresse för intervallet 500 till 700 watt som stöds av många fler maskiner.

Hur AI ersatte en dyr prov‑och‑fel‑process

Teamet utvecklade ett ramverk kallat Bayesian Experimental Design for Additive Manufacturing, eller BEAM. Det styr inte skrivaren autonomt eller konstruerar en del. Istället beslutar det vilka utskriftskonfigurationer som är mest användbara att testa härnäst.

BEAM börjar med tidigare experiment, inklusive misslyckade utskrifter. Det bygger en sannolikhetsmodell som kopplar skrivarnas inställningar till sannolikheten för att producera en acceptabel struktur, och väljer sedan en ny liten batch för fysisk testning. Dessa resultat återförs till modellen och cykeln upprepas.

Detta är ett praktiskt användningsområde för AI eftersom det behåller fysisk experimentering i slingan. Andra forskare tillämpar på liknande sätt AI för att förbättra precisionen i laserbaserad metallbearbetning. Modellen behöver inte simulera varje metallurgisk interaktion perfekt. Den behöver bara göra varje dyrt experiment mer informativt än en huvudsakligen manuell gissning.

Det ekonomiska incitamentet är betydande. Enligt artikeln kan en enskild directed energy deposition‑körning kosta mellan $500 och $1 000. Efterutskriftsanalys kan kräva ytterligare $500 per prov och ta en till fyra veckor. Att utforska ett nytt legerings processfönster kan därmed överstiga $100 000, även innan man räknar med månader av specialistarbete.

Vad forskarna testade

Forskarna använde ett femaxligt directed energy deposition‑system utrustat med en 1 000‑watt infraröd fiberlaser. Directed energy deposition matar metallpulver i en lasergenererad smältpool och bygger gradvis material på en yta. I detta fall deponerade systemet GRCop-42 på Inconel 718, en annan legering som är allmänt använd i högtemperaturapplikationer.

De potentiella kombinationerna av matningshastighet, gasflöde, skanningshastighet, lagertjocklek och laserkraft skapade ungefär en miljon kandidatkonfigurationer på varje effektnivå. Istället för att utforska detta enorma utrymme manuellt fick BEAM en budget på endast 10 experiment för varje vald laserkraft.

Inom tre månader fann ramverket minst en genomförbar konfiguration på varje effektnivå. De lyckade exemplaren hade solida inre strukturer med minimala defekter och en mjuk övergång mellan GRCop-42 och Inconel 718‑materialen. Teamet upptäckte också att ovanligt höga skanningshastigheter och tunnare lager än normalt var viktiga för att producera solida strukturer.

Utskrift med lägre effekt kan öka tillgängligheten till avancerade legeringar

Att skriva ut GRCop-42 med 500 watt minskar inte bara den elektricitet som en laser förbrukar. Det förändrar vilken utrustning som kan delta. Artikeln uppskattar att mer än 90 procent av relevanta skrivare arbetar mellan 500 och 1 000 watt. Att hitta pålitliga inställningar i det intervallet kan göra det möjligt för universitet, mindre tillverkare och specialiserade forskningsanläggningar att arbeta med en legering som annars skulle kräva dyrare system.

Utskrift med lägre effekt kan också minska distortion, förbättra ytfinish, begränsa slitage på laseroptik och minska efterbearbetningskraven. Dessa fördelar måste mätas för en specifik produktionsprocess, men de visar varför parameterupptäckt påverkar tillverkningsökonomin lika mycket som den tekniska genomförbarheten.

Potentiella fördelar inkluderar:

• Färre misslyckade byggprocesser under materialutveckling
• Lägre utrustnings- och efterbearbetningskrav
• Snabbare kvalificering av nya material och komponenter
• Mer distribuerad produktion av specialiserade metallkomponenter

Den sista punkten är särskilt relevant för flyg- och försvarsindustrin. Dessa branscher behöver låga volymer av specialiserade delar och möter ofta leveranskedjor med få kvalificerade leverantörer. En process som kan överföras till fler maskiner kan göra begränsade produktionsserier mindre beroende av en enskild anläggning.

AI kan bli ett verktyg för materialkommersialisering

Den större möjligheten är inte begränsad till GRCop-42. Metalladditiv tillverkning stöder många potentiellt värdefulla legeringar, men varje ny material‑ och maskinkombination kräver sitt eget processfönster. En inställning som fungerar på en skrivare kanske inte överförs perfekt till en annan på grund av skillnader i lasrar, pulver, atmosfär, geometri och termiskt beteende.

Detta skapar en dold flaskhals. Materialforskare kan formulera en legering med imponerande egenskaper, medan tillverkare fortfarande kan sakna en prisvärd och repeterbar metod för att omvandla den till färdiga komponenter. Liknande AI‑assisterade metoder används redan för att utveckla starkare och mer korrosionsbeständig 3D‑skrivbar stål. AI‑styrd experimentdesign kan hjälpa till att överbrygga det återstående tillverkningsgapet genom att behandla misslyckade experiment som användbara data och rikta resurser mot de delar av sökutrymmet som mest sannolikt ger livskraftiga resultat.

När företag samlar in data över maskiner och material kan modeller så småningom påbörja projekt med kunskap inhämtad från liknande legeringar. Det skulle omvandla processutvecklingshistorik till en återanvändbar tillverkningsresurs.

Dock bör den aktuella studien inte tolkas som ett bevis på att flygklara komponenter nu kan skrivas ut med 500 watt. Forskarna producerade laboratorieprover, inte certifierade raketmotorer. Flygindustrins antagande skulle fortfarande kräva repeterbarhetsstudier, mekanisk testning, komponentnivåvalidering och godkännande enligt krävande kvalitetssystem. BEAM påskyndade upptäckten av genomförbara inställningar, vilket är ett tidigt men dyrt steg i en mycket längre kommersialiseringsprocess.

Investera i AI‑driven metall‑additiv tillverkning

För investerare som är intresserade av företag där flygindustri, AI och additiv tillverkning möts, Velo3D (VELO ) erbjuder ett särskilt relevant exempel. Företaget utvecklar Sapphire‑familjen av metall‑additivtillverkningssystem för uppdragskritiska flyg‑ och försvarsapplikationer.

Velo3D har redan kvalificerat GRCop-42 för sin plattform. Dess teknik använder laserpulverbäddsfusion snarare än den directed energy deposition‑process som testades i artikeln, så BEAM:s konfigurationer kan inte helt enkelt kopieras till en Sapphire‑skrivare. Det bredare principen är fortfarande relevant: AI‑styrd upptäckt kan hjälpa skrivartillverkare att kvalificera svåra material och minska utvecklingskostnader.

Det ger en naturlig investeringshypotes kring ackumuleringen av processkunskap. Det långsiktiga konkurrensfördelen inom metallutskrift kan komma från mer än bara laserkraft eller byggvolym. Det kan också bero på vilket företag som på ett tillförlitligt sätt kan omvandla det bredaste spektrumet av avancerade material till repeterbara, certifierbara delar.

Velo3D förblir ett spekulativt small‑cap‑företag som är utsatt för risker kring genomförande, finansiering, konkurrens och kundkoncentrationsrisker. Trots detta gör dess fokus på flygindustrin och befintliga GRCop-42‑kapacitet det till ett relevant börsnoterat företag att följa när AI blir mer integrerat i industriell processutveckling.

AI förändrar hur fysiska teknologier utvecklas

Den mest betydelsefulla funktionen i BEAM är att den tillämpar AI på en fysisk industriell begränsning. Den genererar inte ett koncept som fortfarande måste testas. Den väljer vilket verkligt test som ska genomföras härnäst, lär sig av resultatet och gör nästa experiment mer informerat.

Denna slutna slinga kan bli ett definierande mönster för AI inom tillverkning. När material och komponenter blir mer specialiserade blir uttömmande experimentering för långsam och dyr. System som kombinerar maskininlärning med expertkunskap kan begränsa sökandet utan att ta bort forskare eller ingenjörer från processen.

För flygindustriella tillverkare är det omedelbara resultatet ett mer tillgängligt sätt att skriva ut en värdefull NASA‑legering. Den djupare implikationen är att AI kan förkorta vägen mellan att upptäcka ett avancerat material och producera användbara delar av det. Det kan expandera additiv tillverkning bortom geometrisk frihet och göra det till en snabbare plattform för att kommersialisera materialen själva.

Referenser:

^{1. Fadhel, A., Zuckschwerdt, N. W., Deshwal, A., Bose, S., Bandyopadhyay, A., & Doppa, J. (2026). Discovery of feasible 3D printing configurations for metal alloys via AI-driven adaptive experimental design. Proceedings of the AAAI Conference on Artificial Intelligence, 40(47), 39939-39948. https://doi.org/10.1609/aaai.v40i47.41428}