Katumpakan na Pinapagana ng AI upang Baguhin ang Laser-Based na 3D Metal Printing

Sa mundo ng 3D printing o additive manufacturing, ang laser-based na pagproseso ng metal ay isang popular na teknik na nagbibigay-daan sa awtomatiko, tumpak, at mabilis na paggawa ng masalimuot na mga bahagi.

Ang laser-based na pagproseso ng mga metal ay kinabibilangan ng paggamit ng laser bilang pinagmumulan ng enerhiya upang manipulahin ang metal. Ang laser ay isang pinalakas na sinag ng liwanag o electromagnetic radiation na maaaring magpatuloy sa isang tuwid na linya na may kaunting paglihis.

Ginagawa nitong napaka-kapaki-pakinabang ang mga laser sa pagproseso ng materyales, kung saan ito ay ginagamit para sa machining, pagsasama, at surface engineering. Sa additive manufacturing, ginagamit ang mga laser upang tunawin ang mga materyales at gumawa ng mga bahagi nang patong-patong.

Ang additive manufacturing ay simpleng paglikha ng produkto patong-patong. Nagsimula ito sa paggamit ng plastik bilang materyal, dahil sa kadalian ng pagproseso. Ngunit ngayon ay lumawak na ito upang isama ang lahat ng uri ng materyales, kabilang ang mga metal.

Ang mga metal ay kilala sa kanilang kaakit-akit na katangian, tulad ng mahusay na electrical conductivity at mataas na lakas, ductility, at melting point, na ginagawa silang napaka-kapaki-pakinabang sa biomedical, enerhiya, arkitektura, at militar na mga aplikasyon.

Ang laser processing ng mga metal naman ay nag-aalok ng natatanging benepisyo ng mataas na energy density, makitid na heat-affected zone, at kaunting kontaminasyon. Kaya’t ginagamit ang mga laser process sa maraming sektor, lalo na kung saan kinakailangan ang pinakamataas na katumpakan at mataas na customization. Ngunit may sarili rin itong mga komplikasyon at teknikal na hamon.

“Upang matiyak na ang mga laser-based na proseso ay maaaring magamit nang flexible at makamit ang pare-parehong resulta, kami ay nagtatrabaho sa mas mahusay na pag-unawa, pagmamanman, at kontrol ng mga prosesong ito.”

– Elia Iseli, Pinuno ng research group sa Advanced Materials Processing laboratory ng Empa

Sa layuning ito, sina Giulio Masinelli at Chang Rajani mula sa Empa sa Thun ay ginagawang mas accessible, abot-kaya, at epektibo ang mga laser-based na teknik sa paggawa gamit ang machine learning.

Understanding the Advantages and Challenges of Laser Powder Bed Fusion (PBF-LB)

Sa mas malawak na larangan ng laser-based na pagproseso ng metal, ang Powder Bed Fusion ay isang popular na pamamaraan, kung saan ginagamit ang laser upang tunawin ang manipis na patong ng metal powder sa eksaktong mga punto at pagdudugtongin ang mga ito upang makabuo ng panghuling bahagi.

Ang Powder Bed Fusion with Laser Beam (PBF-LB), sa kabilang banda, ay isang espesyal na teknik na nakakuha ng malaking atensyon sa mga nakaraang taon. Sa prominenteng additive manufacturing technology na ito, ginagamit ang mga laser na may napakataas na kapangyarihan upang partikular na tunawin ang mga metal powder nang patong-patong bago ito pagsamahin sa mga customized at napakatumpak na mga bahagi.

Pinapayagan ng teknik na ito ang paggawa ng kumplikadong mga geometry habang nag-aalok ng kakayahang i-customize at tinitiyak ang kahusayan ng materyal.

Ang mga katangiang ito ay ginagawang partikular na kapaki-pakinabang ang PBF-LB para sa mga industriya tulad ng automotive, medikal, aerospace, at consumer products, kung saan kailangan ang magaan at kumplikadong mga bahagi, personalized na disenyo, katumpakan, pagbawas ng timbang, at mabilis na prototyping.

Bagaman versatile at epektibo, humaharap ang teknik sa ilang mga balakid sa pag-abot ng mas malawak na pag-aampon at pag-optimize.

Kasama rito ang kahirapan sa pagtukoy ng ideal na processing framework para sa metal powder na ginagamit.

“Maging ang isang bagong batch ng parehong starting powder ay maaaring mangailangan ng ganap na ibang mga setting.”

– Masinelli

Ang mataas na enerhiya na kinakailangan para sa pagtunaw ng metal sa teknik na ito ay talagang lumilikha ng kumplikadong pisikal na mekanismo na negatibong nakakaapekto sa kalidad ng mga bahagi. Kabilang sa mga mekanismong ito ang mga hindi pagkakapare-pareho sa katangian ng materyal, ang impluwensya ng atmospheric gases, at ang interaksyon ng laser sa vapor plume. Ang lahat ng mga penomenong ito ay nagdudulot ng problema sa pagtukoy ng mga parameter.

Ito ay pangunahing dahil sa dalawang mode. Ang una ay ang conduction mode kung saan ang metal ay natutunaw lamang, at ito ay perpekto para sa manipis at tumpak na mga bahagi. Ang ikalawang opsyon ay ang keyhole mode, kung saan ang metal ay maaaring ma-vaporize sa ilang mga kaso. Mas mabilis ito ngunit mas hindi tumpak, kaya angkop ito para sa mas makakapal na mga bahagi.

Ang hangganan sa pagitan ng mga mode na ito, gayunpaman, ay nakadepende sa iba’t ibang mga parameter, at ang pag-abot ng pinakamainam na kalidad sa mga panghuling produkto ay nangangailangan ng tamang mga setting, na nag-iiba depende sa materyal na pinoproseso.

Ang kumplikadong interaksyon sa pagitan ng materyal at laser ay ginagawang sensitibo ang proseso sa napakaliit na mga pagbabago, na maaaring magdulot ng mga isyu sa produksyon, at ito ay nagiging time at resource-intensive. Bilang resulta, nangangailangan ang PBF-LB ng masusing fine-tuning ng mga parameter upang makamit ang pare-parehong resulta.

Hindi dito nagtatapos ang lahat. Ang mga sample na ginawa sa yugtong ito ay sinusuri gamit ang iba’t ibang teknik tulad ng microstructural analysis, density measurements, at X-ray computed tomography (CT).

Ang mga pamamaraang ito ay nagbibigay ng detalyadong impormasyon tungkol sa internal na estruktura at natutuklasan ang mga depekto, na kritikal sa pagsusuri ng kalidad at performance ng mga PBF-LB na bahagi, ngunit muli, nangangailangan ito ng espesyal na kagamitan at ekspertong kaalaman bukod pa sa pagiging mahal at matagal.

“Kaya maraming kumpanya ang hindi kayang pondohan ang PBF sa simula pa lamang.”

– Masinelli

Upang tugunan ang lahat ng problemang ito, gumamit ang mga mananaliksik mula sa Empa ng machine learning upang gawing mas epektibo, mas mura, at mas tumpak ang mga laser process.

I-click dito upang matutunan kung paano binabago ng additive manufacturing ang mga industriya.

Leveraging AI for Real-Time Control in Metal 3D Printing

Para sa pagsusuri ng sample, lumipat ang mga mananaliksik sa real-time monitoring methods gamit ang mga sensor tulad ng acoustic emission (AE), high-speed thermal imaging, at optical sensors.

Pinili ang real-time monitoring dahil sa kakayahan nitong madetect ang mga hindi kanais-nais na pangyayari sa proseso ng paggawa. Ito ay nagbibigay-daan sa agarang pag-aayos, na nagliligtas ng mga resources sa pamamagitan ng pag-alis at muling pagtunaw ng mga depekto.

Kadalasang nakabatay ang mga real-time monitoring technique na ito sa mga machine learning (ML) algorithm.

Ang isang larangan ng pag-aaral sa artificial intelligence, ang ML ay nakatuon sa pagbuo ng mga statistical algorithm na natututo mula sa data. Ang mga algorithm na ito ay kumukuha ng makabuluhang pattern mula sa high-dimensional data at pagkatapos ay gumagawa ng mga prediksyon, sa kaso ng metal processing, tungkol sa kalidad ng bahagi, nang hindi kinakailangang i-program nang tahasan ang komplikadong physical models.

Ang mga AI approach na ito ay hindi walang limitasyon. Kabilang sa mga hamon ang modelo na natututo upang madetect ang mga pagbabago sa process parameters imbes na sa process regime at defect formation.

Ang natural na drift sa mga machine parameter sa paglipas ng panahon ay nagtatayo rin ng hadlang sa generalization ng mga modelong ito, na naglilimita sa praktikal na aplikasyon ng AI models sa totoong manufacturing environment. Mayroon ding mga isyu sa automation, na nangangailangan ng espesyal na kagamitan at nagiging komplikado dahil sa maraming parameter, na mahirap tuklasin at resource-intensive.

May malinaw na pangangailangan para sa mga algorithm na maaaring autonomously mag-navigate sa PBF parameter space, isinasaalang-alang ang maraming process variables, upang matukoy ang optimal na kondisyon at maunawaan ang mga underlying melting regimes.

Tinugunan na ito ng mga mananaliksik mula sa Empa, na nagmungkahi ng bagong pamamaraan na gumagamit ng unsupervised collection ng optical data na nakatuon sa pagtukoy ng melting regime nang hindi nangangailangan ng labeled data o masalimuot na post-processing analysis.

Implementing Unsupervised Learning to Optimize PBF-LB Parameters

Ang bagong unsupervised technique na binuo ng mga mananaliksik ng Empa ay nakatuon sa dalawang pangunahing parameter: laser power at scanning speed, na kinikilala bilang may pinakamalaking epekto sa melting regime.

Habang ang pokus ng pag-aaral¹ ay sa dalawang parameter na ito, maaaring gamitin ang technique para sa karagdagang process parameters. Sa hinaharap, isasama ng mga mananaliksik ang gas flow rate, hatch spacing, at layer thickness sa kanilang algorithm upang magbigay ng mas komprehensibong eksplorasyon ng PBF-LB parameter space.

Sa ngayon, tumpak na tinutukoy ng iminungkahing pamamaraan ang paglipat sa pagitan ng conduction mode at keyhole mode.

Nagbibigay din ang unsupervised approach ng batayan para sa pagkuha ng processing maps nang hindi umaasa sa labeled data, na nag-aalok ng malaking kalamangan sa PBF-LB, kung saan ang pagkuha ng labeled data ay parehong magastos at hamon.

Ang pag-aaral ay talagang binuo sa pundasyong ito at nagpakilala ng orihinal na pamamaraan na pinagsasama ang bahagi ng active learning (pagpili ng pinaka-informatibong data points) at Bayesian optimization (iterative sampling strategy gamit ang probabilistic model) upang epektibong makabuo ng processing maps.

Ang kakaiba sa approach na ito ay nagsisimula ito nang walang data at unti-unting binubuo ang dataset sa pamamagitan ng pagpapasya kung saan isasagawa ang bawat bagong eksperimento, kaya pinapayagan ang proseso ng eksperimento na mag-optimize.

Kahit na gumagamit ito ng iterative approach para sa refinement, nananatiling unsupervised ang modelo sa kabuuan ng proseso, dahil hindi nito kailangan ng labeled data. Upang matukoy ang melting regimes, umaasa ang algorithm sa mga feature na nakuha mula sa optical data, at ang mga resulta ay ginagamit upang sanayin ang Gaussian Process Classifier (GPC) upang magbigay ng probabilistic estimation ng mapa.

Tungkol sa iterative na aspeto, pinipili ng algorithm ang mga bagong trial settings batay sa mga field na may mataas na uncertainty sa mga prediksyon, na nagpapabuti sa estima ng processing map.

Sa madaling salita, tinuturuan ang algorithm na madetect kung anong welding mode ang laser habang tumatakbo ang pagsubok, gamit ang data mula sa optical sensors na nakapaloob na sa mga laser machine. Batay dito, itinatakda ng algorithm ang mga parameter para sa susunod na pagsubok.

“Umaasa kaming ang aming algorithm ay magpapahintulot sa mga hindi eksperto na gumamit ng PBF devices,” sabi ni Masinelli. Kailangan lamang itong i-integrate sa firmware ng mga laser welding machine ng mga manufacturer.

Evaluating the Effectiveness of the AI Model in PBF-LB Applications

Ang bagong algorithm na ipinakilala ng mga mananaliksik upang alisin ang pangangailangan para sa masusing parameter tuning, na naglilimita sa mas malawak na pag-aampon ng PBF-LB, ay independiyenteng tinutukoy ang melting regimes gamit ang data mula sa mga photodiode.

At nang subukan sa laboratoryo, natuklasan ng koponan na ang pamamaraan ay napakakumpiyansa, na nakamit ang F1-score na 89.2% sa dalawang materyales. Upang suriin ang performance, nag-print ang mga mananaliksik ng maraming bahagi sa dalawang materyales.

Ang una ay Ti-6Al-4V, isa sa pinaka-karaniwang ginagamit na (alpha-beta) titanium alloy, na may mahusay na corrosion resistance at mataas na specific strength. Ang ikalawa ay 316L stainless steel, isang low-carbon na bersyon ng 316 stainless steel, na karaniwang ginagamit sa food processing, pharmaceutical equipment, medical devices, alahas, luxury watches, wastewater treatment, at sa chemical industry.

Partikular, nagsagawa ang koponan ng melt pool inspections upang beripikahin ang mga prediksyon ng algorithm.

Ipinakita ng pagsusuri na ang approach ay nagbawas ng pangangailangan para sa experimental trials ng 67% sa parehong metal habang pinananatili ang matibay na performance. Maaari nitong malaki ang mabawasan sa gastos ng parameter exploration. Samantala, may pinakamataas na pagbaba lamang na 8.88% sa F1-score kumpara sa tradisyonal na full factorial experiment design.

The study stated:

“Ipinapakita ng mga resulta ang kahusayan ng aming pamamaraan sa konteksto ng autonomous processing map derivation para sa advanced manufacturing processes.”

Naniniwala ang mga mananaliksik na ang metodong ito ay maaaring “lubos na mapabuti” ang parehong kahusayan at pagiging maaasahan ng PBF-LB, na maaaring magdala sa mas malawak na pag-aampon nito sa pamamagitan ng pagpapabuti ng kabuuang bisa nito sa iba’t ibang sektor. Ayon sa pag-aaral:

“Ipinapakita ng aming mga resulta ang potensyal ng metodong ito upang pasimplehin ang PBF-LB optimization, na ginagawang mas praktikal para sa mga industriyal na aplikasyon at nagbubukas ng daan para sa mas malawak na pag-aampon.”

Enhancing Laser Welding Processes Through AI and FPGA Integration

Bukod sa pag-optimize ng mga paunang eksperimento, pinabuti din ng mga mananaliksik ang proseso ng welding sa isa pang proyekto.

Sa laser welding, kahit na may perpektong mga setting, maaari pa rin itong magdulot ng hindi inaasahang paglihis, at kahit isang maliit na paglihis ay maaaring magresulta sa seryosong depekto sa produkto.

“Sa kasalukuyan ay hindi posible na impluwensyahan ang proseso ng welding sa real time,” sabi ni researcher Rajani. “Ito ay lagpas sa kakayahan ng mga human expert.”

– Researcher Rajani

Sa katunayan, nahihirapan din ang mga computer sa bilis kung saan kailangang suriin ang data at gumawa ng desisyon. Gumamit ang mga mananaliksik ng isang espesyal na uri ng computer chip dito.

Ang chip na ito ay tinatawag na field-programmable gate array (FPGA), na dinisenyo para sa high-performance computing (HPC) at prototyping. Ang chip ay maaaring i-program matapos itong ilabas mula sa manufacturer at iangkop sa iba’t ibang use cases nang hindi kinakailangang pisikal na baguhin ang hardware. Ang kanilang versatility, kasama ang mataas na performance, ay ginagawang napakahalaga sa aerospace, automotive, at telecommunications industries.

Masinelli noted:

“Sa mga FPGA, alam natin eksakto kung kailan nila isasagawa ang isang command at gaano katagal tatagal ang execution – na hindi ganito sa isang karaniwang PC.”

Ikinalakip ng mga mananaliksik ang FPGA sa isang PC upang magsilbing “backup brain”. Habang sinusubaybayan at kinokontrol ng chip ang mga laser parameter, ginagamit din ang data na ito ng algorithm sa PC para sa pagkatuto.

“Kung nasiyahan kami sa performance ng algorithm sa virtual environment sa PC, maaari naming ‘ilipat’ ito sa FPGA at gawing mas matalino ang chip nang sabay-sabay.”

– Masinelli

Naniniwala ang mga mananaliksik na ang ML at AI ay may malaking potensyal na mag-ambag sa laser-based na pagproseso ng metal. Bilang gayon, ipagpapatuloy nila ang pag-develop ng kanilang mga algorithm at modelo, pati na rin ang pagpapalawak ng kanilang aplikasyon, sa pakikipagtulungan sa iba pang research groups at industry partners.

Exploring Investment Opportunities in 3D Printing Technologies

Ngayon, isang pangunahing manlalaro sa metal additive design at manufacturing ay ang Colibrium Additive. Ito ay bahagi ng General Electric Company (GE ), na ngayon ay kilala bilang GE Aerospace.

Dati itong kilala bilang GE Additive, muling inilunsad bilang Colibrium Additive noong nakaraang tag-init, at bilang bahagi ng rebranding, ang Concept Laser at Arcam EBM ay inalis.

“Habang binabago namin ang aming pangalan, pinananatili naming matatag ang aming pokus sa mga customer, kalidad, at pagiging maaasahan. Patuloy naming pamumunuan ang Additive Manufacturing industry mula sa unahan at positibong baguhin ito.”

– CEO Alexander Schmitz

General Electric (GE )

Pagdating sa mga 3D printer na inaalok ng Colibrium Additive, kasama dito ang Electron Beam Powder Bed Fusion (EB-PBF) printers, Laser Powder Bed Fusion (L-PBF) printers, at Binder Jet.

Tungkol sa performance ng kumpanya, ito ay talagang umuunlad sa mga nakaraang taon.

Sa market capitalization na higit sa $260 bilyon, ang mga GE shares ay kasalukuyang nagte-trade sa humigit-kumulang $244, tumaas ng 46% ngayong taon. Ang stock ng kumpanya ay mabilis na papalapit sa peak na humigit-kumulang $290, na naabot noong 2000. Ang EPS (TTM) ay 6.35, at ang P/E (TTM) ay 38.46, habang ang dividend yield na available sa mga shareholders ay 0.59%.

Samantala, ipinapakita ng financials ng kumpanya ang malakas na Q1 2025 kung saan naitala ng GE ang kabuuang kita na $9.9 bilyon, tumaas ng 11% habang ang kabuuang order ay tumaas ng 12% sa $12.3 bilyon.

Ang matibay na simula ng 2025 ay pinangunahan ng commercial services, ayon kay CEO H. Lawrence Culp, Jr., habang binibigyang-diin ang macroeconomic dynamics na nangangailangan ng kumpanya na magsagawa ng strategic actions, tulad ng pagkontrol sa gastos at pag-leverage ng mga available na trade programs.

Ang operating profit ay tumaas ng 38% sa 1Q25 sa $2.1 bilyon habang ang adjusted EPS ay tumaas ng 60% sa $1.49. Sa panahong ito, iniulat din ng GE ang $1.5 bilyon na cash mula sa operating activities (GAAP) habang ang free cash flow ay tumaas ng 14% sa $1.4 bilyon. Iniulat din ng kumpanya ang commercial services backlog na higit sa $140 bilyon.

Sa gitna ng lahat ng ito, ang Propulsion & Additive Technologies ay tumaas lamang ng 1%, na binanggit ng kumpanya na ang presyo at dami ay nag-offset sa mas mababang shipments dulot ng planadong soft start sa equipment sales.

Sa taunang ulat nito ngayong taon, sinabi ng GE “pagbaba sa Additive Manufacturing industry dahil sa mas mabagal na pag-aampon ng teknolohiya,” ngunit sabay nito, binigyang-diin ang Colibrium Additive bilang “isang kritikal na negosyo para sa kasalukuyan at hinaharap na teknolohiya sa GE Aerospace habang patuloy naming ini-pokus kung saan ito makakalikha ng pinakamalaking halaga.”

Latest General Electric (GE) Stock News and Developments

Conclusion

Habang patuloy na umuunlad at binabago ng AI ang mga industriya, tumutulong din ito na muling tukuyin kung ano ang posible sa modernong manufacturing sa pamamagitan ng pagpapabilis ng process optimization at pagpayag ng real-time adaptability.

Sa pamamagitan ng makabuluhang pagbawas ng oras at gastos na kaugnay ng parameter tuning at defect detection sa PBF at pag-abot ng real-time control sa laser welding, ang laser-based additive manufacturing ay nakahanda para sa mas malawak na pag-aampon, nagbubukas ng daan para sa isang bagong panahon ng epektibo, accessible, at customized na produksyon.

I-click dito para sa listahan ng mga nangungunang 3d printing stocks.

Studies Referenced:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). Autonomous exploration of the PBF-LB parameter space: An uncertainty-driven algorithm for automated processing map generation. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}