AI, NASA’nın Uzay Alaşımını 3B Baskı ile Daha Kolay Hale Getiriyor

Metal 3D baskı, geleneksel imalatın üretmekte zorlandığı iç soğutma kanalları ve geometrileri içeren roket motor parçaları oluşturabilir. Ancak, gelişmiş bir bileşeni bilgisayarda tasarlayabilmek, üreticinin bunu başarılı bir şekilde basabileceği anlamına gelmez.

Laser gücü, tarama hızı, toz besleme, gaz akışı ve katman yüksekliği gibi her kombinasyon sonuca etki eder. Uygun olmayan bir kombinasyon gözenek, çatlak ya da zayıf bağlanma oluşturabilir. Doğru ayarları keşfetmek genellikle maliyetli aylar süren deneme-yanılma gerektirir.

Washington State University ve University of Minnesota’dan araştırmacılar¹ yapay zekânın bu aramayı önemli ölçüde daha verimli hâle getirebileceğini göstermişlerdir. Sistemleri NASA’nın geliştirdiği zor bir bakır alaşımı olan GRCop-42’yi, daha düşük güçlü ve daha yaygın bulunan metal 3B yazıcılarla basmanın çeşitli yollarını belirledi.

Bu başarı, tek bir alaşımın ötesinde önem taşır. AI’nın, yeni malzemelerin üretime daha hızlı sokulmasına, süreç geliştirme maliyetlerinin düşürülmesine ve özel uzay bileşenleri üretebilen tesis sayısının artırılmasına yardımcı olabileceğini gösterir.

GRCop-42 Neden Uzay Endüstrisi İçin Değerli?

GRCop-42, bileşenlerin aşırı ısıya dayanması gereken ortamlar için geliştirilen bakır, krom ve niobyum alaşımıdır. Yüksek termal iletkenliği, dayanıklılığı, oksidasyon direnci, sürünme direnci ve termal yorgunluk direnci bir arada sunar.

Bu özellikler, roket motoru yanma odaları, ısı değiştiriciler ve diğer yüksek ısı akısı sistemlerinde özellikle faydalıdır. Bakır ısıyı iyi iletir, ancak geleneksel bakır alaşımları yüksek sıcaklıklarda dayanım kaybeder. GRCop-42, bu iki ihtiyacı dengelemek üzere tasarlanmıştır.

Alaşımı değerli kılan aynı özellikler, onu basmayı zorlaştırır. Bakır, yaygın fiber lazerlerin ürettiği infrared enerjinin büyük bir kısmını yansıtır. Ayrıca, emilen ısıyı eriyik havuzundan çok hızlı bir şekilde uzaklaştırır. Yazıcı, stabil bir eriyik havuzu oluşturup sürdüremezse, biriken malzeme doğru şekilde bağlanamaz.

Üreticiler, daha güçlü ekipman kullanarak bu sorunu telafi edebilir, ancak bu giriş maliyetini artırır. Araştırmacılar, GRCop-42’nin 900 watt’ın altında, özellikle 500‑700 watt aralığında, daha fazla makine tarafından desteklenen bir güçle başarıyla biriktirilebileceğini sorguladılar.

AI, Maliyetli Deneme‑Yanılma Sürecini Nasıl Değiştirdi?

Ekip, Bayesian Experimental Design for Additive Manufacturing (BEAM) adlı bir çerçeve geliştirdi. Bu sistem, yazıcıyı otonom çalıştırmaz ya da bir parça tasarlamaz; bunun yerine bir sonraki test için en faydalı baskı konfigürasyonlarını belirler.

BEAM, başarısız baskılar dahil önceki deneylerle başlar. Yazıcı ayarları ile kabul edilebilir bir yapı elde etme olasılığını bağlayan olasılıksal bir model oluşturur, ardından fiziksel test için başka bir küçük grup seçer. Bu sonuçlar modele geri beslenir ve döngü tekrarlanır.

Bu, AI’nın pratik bir kullanım örneğidir çünkü fiziksel deneyleri döngü içinde tutar. Diğer araştırmacılar da AI’yı lazer tabanlı metal işleme hassasiyetini artırmak için uygulamaktadır. Model, her metalurjik etkileşimi mükemmel şekilde simüle etmelidir diye bir zorunluluk taşımaz; yalnızca her maliyetli deneyi büyük ölçüde daha bilgilendirici hâle getirmelidir.

Ekonomik teşvik oldukça büyüktür. Çalışmaya göre, tek bir yönlendirilmiş enerji biriktirme çalışması 500‑1.000 $ arasında maliyetli olabilir. Baskı sonrası analiz bir örnek için ek 500 $ gerektirebilir ve bir‑dört hafta sürebilir. Yeni bir alaşımın süreç penceresini keşfetmek, uzman işgücünün aylık maliyetleri hesaba katılmadan 100.000 $’ı aşabilir.

Araştırmacıların Ne Test Ettikleri

Araştırmacılar, 1.000 W infrared fiber lazerle donatılmış beş eksenli bir yönlendirilmiş enerji biriktirme sistemi kullandılar. Bu süreç, metal tozunu lazerle oluşturulan eriyik havuzuna besleyerek yüzeye yavaş yavaş malzeme ekler. Bu çalışmada sistem, GRCop-42’yi yüksek sıcaklık uygulamalarında yaygın kullanılan bir başka alaşım olan Inconel 718 üzerine biriktirdi.

Besleme hızı, gaz akışı, tarama hızı, katman yüksekliği ve lazer gücünün olası kombinasyonları her güç seviyesinde yaklaşık bir milyon aday konfigürasyon oluşturdu. Bu devasa alanı elle keşfetmek yerine, BEAM her seçilen lazer gücü için yalnızca 10 deney bütçesi aldı.

Üç ay içinde çerçeve, her güç seviyesinde en az bir uygun konfigürasyon buldu. Başarılı örnekler, minimal kusurlu katı iç kısımlara ve GRCop-42 ile Inconel 718 arasında sorunsuz bir geçişe sahipti. Ekip ayrıca, olağanüstü yüksek tarama hızları ve normalden ince katmanların katı yapı üretiminde kritik olduğunu keşfetti.

Düşük Güçte Baskı, Gelişmiş Alaşımlara Erişimi Genişletebilir

GRCop-42’nin 500 W’da basılması yalnızca bir lazerin tükettiği elektriği azaltmaz; hangi ekipmanın sürece dahil olabileceğini değiştirir. Çalışma, ilgili yazıcıların %90’dan fazlasının 500‑1.000 W aralığında çalıştığını tahmin ediyor. Bu aralıkta güvenilir ayarların bulunması, üniversitelerin, daha küçük üreticilerin ve özel araştırma tesislerinin, daha pahalı sistemler gerektirebilecek bir alaşımı kullanabilmelerine olanak tanıyabilir.

Düşük güçlü çalışma, bozulmayı azaltabilir, yüzey kalitesini iyileştirebilir, lazer optiği aşınmasını sınırlayabilir ve son işlem gereksinimlerini düşürebilir. Bu faydalar belirli bir üretim süreci için ölçülmelidir, ancak parametre keşfinin, teknik uygulanabilirliğin yanı sıra, imalat ekonomisini nasıl etkilediğini gösterir.

Potansiyel avantajlar şunlardır:

• Malzeme geliştirme sırasında daha az başarısız yapı
• Daha düşük ekipman ve son işlem gereksinimleri
• Yeni malzeme ve bileşenlerin daha hızlı nitelendirilmesi
• Özel metal parçaların daha dağıtılmış üretimi

Bu son nokta özellikle uzay ve savunma sektörleri için önemlidir. Bu endüstriler, düşük hacimli özel parçalar gerektirir ve genellikle nitelikli tedarikçi sayısının az olduğu bir tedarik zinciriyle karşı karşıyadır. Daha fazla makineye aktarılabilen bir süreç, sınırlı üretim partilerini tek bir tesise bağımlılığını azaltabilir.

AI, Malzeme Ticarileştirme Aracı Olabilir

Daha geniş fırsat GRCop-42 ile sınırlı değildir. Metal eklemeli üretim, potansiyel olarak değerli birçok alaşımı destekler, ancak her yeni malzeme‑makine kombinasyonu kendi süreç penceresini gerektirir. Bir yazıcıda işe yarayan bir ayar, lazer, toz, atmosfer, geometri ve termal davranış farklılıkları nedeniyle başka bir yazıcıya mükemmel bir şekilde aktarılmayabilir.

Bu, gizli bir darboğaz yaratır. Malzeme bilimcileri etkileyici özelliklere sahip bir alaşım formüle edebilir, ancak üreticiler hâlâ onu uygun maliyetli ve tekrarlanabilir bir şekilde son bileşenlere dönüştürmekte zorlanabilir. Benzer AI‑destekli yöntemler, daha dayanıklı ve korozyona dirençli 3B‑baskı çeliği geliştirmek için zaten kullanılmaktadır. AI‑yönlendirmeli deney tasarımı, başarısız deneyleri faydalı veri olarak değerlendirerek ve arama alanının en olası bölümlerine kaynak yönlendirerek kalan üretim boşluğunu kapatmaya yardımcı olabilir.

Şirketler makine ve malzeme verilerini biriktirdikçe, modeller benzer alaşımlardan öğrenilen bilgiyle projelere başlayabilir. Bu, süreç‑geliştirme geçmişini yeniden kullanılabilir bir üretim varlığına dönüştürür.

Ancak, mevcut çalışma, 500 W’da uçuşa hazır bileşenlerin artık basılabileceği kanıtı olarak yorumlanmamalıdır. Araştırmacılar laboratuvar örnekleri ürettiler, sertifikalı roket motorları değil. Uzay endüstrisinin benimsemesi hâlâ tekrarlanabilirlik çalışmaları, mekanik testler, bileşen‑seviyesi doğrulama ve zorlu kalite sistemleri altında onay gerektirecektir. BEAM, uygulanabilir ayarların keşfini hızlandırdı; bu, çok daha uzun bir ticarileştirme sürecinin erken ama maliyetli aşamasıdır.

AI‑Destekli Metal Eklemeli Üretime Yatırım

Uzay, AI ve eklemeli üretimin kesiştiği şirketlerle ilgilenen yatırımcılar için Velo3D (VELO ) özellikle ilgili bir örnek sunar. Şirket, görev‑kritik uzay ve savunma uygulamaları için Sapphire serisi metal eklemeli üretim sistemleri geliştiriyor.

Velo3D, platformu için GRCop-42’yi zaten nitelendirdi. Teknolojisi, çalışmada test edilen yönlendirilmiş enerji biriktirme süreci yerine lazer toz yatak eritme kullanıyor, bu yüzden BEAM konfigürasyonları doğrudan bir Sapphire yazıcıya kopyalanamaz. Ancak temel ilke hâlâ geçerlidir: AI‑yönlendirmeli keşif, yazıcı üreticilerinin zor malzemeleri nitelendirmesine ve geliştirme maliyetlerini azaltmasına yardımcı olabilir.

Bu, süreç bilgisinin birikimine dayalı doğal bir yatırım tezi sunar. Metal baskıda uzun vadeli rekabet avantajı yalnızca lazer gücü ya da yapı hacmiyle sınırlı olmayabilir; aynı zamanda hangi şirketin geniş bir ileri malzeme yelpazesini güvenilir, sertifikalanabilir parçalara dönüştürebileceği de belirleyici olacaktır.

Velo3D, yürütme, finansman, rekabet ve müşteri‑konsantrasyon risklerine açık spekülatif bir küçük‑kap şirketidir. Yine de, uzay odaklı yaklaşımı ve mevcut GRCop-42 yeteneği, AI’nın endüstriyel süreç geliştirmeye daha derinlemesine entegre olduğu bir dönemde gözlemlenmesi gereken halka açık bir şirket olmasını sağlar.

AI, Fiziksel Teknolojilerin Gelişimini Değiştiriyor

BEAM’in en önemli özelliği, AI’yı fiziksel bir endüstriyel kısıtlamaya uygulamasıdır. Bir konsept üretmez ve hâlâ test edilmesi gerekir; bunun yerine bir sonraki gerçek‑dünya testini seçer, sonuçtan öğrenir ve sonraki deneyi daha bilinçli hâle getirir.

Bu kapalı döngü, üretimde AI için tanımlayıcı bir model hâline gelebilir. Malzemeler ve bileşenler daha özelleştikçe, kapsamlı deneyler çok yavaş ve maliyetli hâle gelir. Makine öğrenimini uzman bilgisiyle birleştiren sistemler, bilim insanlarını ya da mühendisleri süreçten çıkarmadan aramayı daraltabilir.

Uzay üreticileri için hemen görülen sonuç, değerli bir NASA alaşımını daha erişilebilir bir şekilde basabilmektir. Daha derin etkisi, AI’nın gelişmiş bir malzemeyi keşfetmekten faydalı parçalar üretmeye kadar olan yolu kısaltabilmesidir. Bu, eklemeli üretimin sadece geometrik özgürlüğünün ötesine geçip, malzemelerin kendisinin ticarileştirilmesi için daha hızlı bir platform hâline gelmesini sağlayabilir.

Referanslar:

^{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}