Yapay Zeka Destekli Hassasiyet ile Lazer Tabanlı 3D Metal Baskıyı Dönüştürmek

3D baskı veya katmanlı imalat dünyasında, lazer tabanlı metal işleme, otomatik, hassas ve hızlı bir şekilde karmaşık bileşenlerin üretilmesini sağlayan popüler bir tekniktir.

Lazer tabanlı metal işleme, metali şekillendirmek için enerji kaynağı olarak bir lazer kullanmayı içerir. Lazer, az bir yayılma ile düz bir hat boyunca yayılabilen ışık veya elektromanyetik radyasyonun güçlendirilmiş bir ışınıdır.

Bu, lazerleri malzeme işleme alanında çok faydalı kılar; işleme, birleştirme ve yüzey mühendisliğinde kullanılır. Katmanlı imalatta ise lazerler, malzemeleri eritmek ve bileşenleri katman katman üretmek için kullanılır.

Katmanlı imalat, bir ürünü katman katman oluşturmak demektir. İşlenebilirliğinin kolaylığı sayesinde başlangıçta plastik kullanılarak başlamıştır. Ancak şimdi tüm malzeme türlerini, metalik malzemeler de dahil olmak üzere, kapsamaktadır.

Metalik malzemeler, mükemmel elektrik iletkenliği, yüksek dayanıklılık, süneklik ve erime noktası gibi çekici özellikleriyle bilinir ve bu da onları biyomedikal, enerji, mimari ve askeri uygulamalarda son derece faydalı kılar.

Lazer ile metal işleme ise yüksek enerji yoğunluğu, dar bir ısı etkili bölge ve az kirlilik gibi benzersiz faydalar sunar. Bu yüzden lazer süreçleri, özellikle en yüksek hassasiyet ve yüksek özelleştirme gerektiğinde, birçok sektörde kullanılır. Ancak kendi komplikasyonları ve teknik zorlukları da vardır.

“Lazer tabanlı süreçlerin esnek bir şekilde kullanılabilmesini ve tutarlı sonuçlar elde edilmesini sağlamak için, bu süreçleri daha iyi anlamak, izlemek ve kontrol etmek üzerinde çalışıyoruz.”

– Elia Iseli, Empa’nın İleri Malzeme İşleme laboratuvarı araştırma grubu lideri

Bu hedefle, Thun’daki Empa’dan araştırmacılar Giulio Masinelli ve Chang Rajani, makine öğrenimini kullanarak lazer tabanlı imalat tekniklerini daha erişilebilir, uygun maliyetli ve verimli hâle getiriyor.

Lazer Toz Yatak Füzyonunun (PBF-LB) Avantajlarını ve Zorluklarını Anlamak

Lazer tabanlı metal işleme alanında, Toz Yatak Füzyonu popüler bir yöntemdir; bu yöntem, ince metal toz katmanlarını tam noktalarda eritmek ve hepsini birleştirerek nihai bileşeni üretmek için bir lazer kullanır.

Lazer Işını ile Toz Yatak Füzyonu (PBF-LB) ise son yıllarda büyük ilgi gören özel bir tekniktir. Bu önde gelen katmanlı imalat teknolojisinde, çok yüksek güçte lazerler, metalik tozları katman katman eritmek ve ardından özelleştirilmiş, son derece hassas bileşenler haline getirmek için kullanılır.

Bu teknik, karmaşık geometrilerin üretilmesini sağlarken özelleştirme imkanı ve malzeme verimliliği sunar.

Bu özellikler, PBF-LB’yi otomotiv, tıp, uzay ve tüketici ürünleri gibi sektörler için özellikle faydalı kılar; bu sektörlerde hafif ve karmaşık parçalar, kişiselleştirilmiş tasarımlar, hassasiyet, ağırlık azaltma ve hızlı prototipleme gereklidir.

Çok yönlü ve verimli olmasına rağmen, bu teknik daha geniş benimsenme ve optimizasyon sağlama konusunda çeşitli engellerle karşı karşıyadır.

Bu, kullanılan metalik toz için ideal işleme çerçevesini belirlemede zorluk yaşanmasını içerir.

“Aynı başlangıç tozunun yeni bir partisi bile tamamen farklı ayarlar gerektirebilir.”

– Masinelli

Bu teknikte metal erimesi için gereken yüksek enerji girişi, aslında parçaların kalitesini olumsuz etkileyen karmaşık fiziksel mekanizmalar oluşturur. Bu mekanizmalar, malzeme özelliklerindeki tutarsızlıklar, atmosferik gazların etkisi ve lazerin buhar plumesiyle etkileşimini içerir. Tüm bu fenomenler, parametrelerin belirlenmesinde sorunlara yol açar.

Bu, esas olarak iki moddan kaynaklanır. Birincisi, metalin sadece eridiği iletim modudur ve ince, hassas bileşenler için idealdir. Diğer seçenek ise, metalin bazı durumlarda buharlaştırılabildiği anahtar delik modudur. Daha hızlıdır ancak daha az hassastır, bu da kalın bileşenler için uygundur.

Bu modlar arasındaki sınır, farklı parametrelere bağlıdır ve nihai ürünlerde en iyi kaliteyi elde etmek, işlenen malzemeye göre değişen doğru ayarları gerektirir.

Malzeme ile lazer arasındaki karmaşık etkileşimler, süreci çok küçük değişkenlere duyarlı hâle getirir; bu da üretimde sorunlara yol açabilir ve tekniği zaman ve kaynak yoğun hâle getirir. Sonuç olarak, PBF-LB tutarlı sonuçlar elde etmek için zahmetli parametre ayarlamaları gerektirir.

Bu sadece burada bitmez. Bu aşamada üretilen örnekler, mikro yapı analizi, yoğunluk ölçümleri ve X-ışını bilgisayarlı tomografi (CT) gibi farklı tekniklerle analiz edilir.

Bu yöntemler, iç yapılar hakkında ayrıntılı bilgi sağlar ve kusurları tespit eder; bu, PBF-LB parçalarının kalite ve performansını değerlendirmek için kritiktir, ancak yine de pahalı, zaman alıcı ve uzman ekipman ve bilgi gerektirir.

“Bu yüzden birçok şirket PBF’yi baştan satın alamamaktadır.”

– Masinelli

Bu tüm sorunları ele almak için Empa araştırmacıları, lazer süreçlerini daha verimli, maliyet etkin ve hassas hâle getirmek amacıyla makine öğrenimini kullandı.

Endüstrileri nasıl yeniden şekillendirdiğini öğrenmek için buraya tıklayın.

Metal 3D Baskıda Gerçek Zamanlı Kontrol İçin Yapay Zekâdan Yararlanma

Örnek analizi için araştırmacılar, akustik emisyon (AE), yüksek hızlı termal görüntüleme ve optik sensörler gibi sensörler kullanarak gerçek zamanlı izleme yöntemlerine yöneldi.

Gerçek zamanlı izleme, üretim sürecinde istenmeyen olayları tespit etme yeteneği nedeniyle seçilmiştir. Bu, anında ayarlamalar yapılmasını sağlar ve böylece kusurları kaldırıp yeniden eriterek kaynakları tasarruf eder.

Bu gerçek zamanlı izleme teknikleri genellikle makine öğrenimi (ML) algoritmalarına dayanır.

Yapay zekâ içinde bir çalışma alanı olan ML, veriden öğrenen istatistiksel algoritmaların geliştirilmesiyle ilgilenir. Bu algoritmalar, yüksek boyutlu veriden anlamlı kalıplar çıkarır ve ardından metal işleme durumunda parça kalitesi üzerine tahminlerde bulunur; karmaşık fiziksel modelleri açıkça programlamaya gerek kalmaz.

Bu yapay zekâ yaklaşımları sınırlamalardan muaf değildir. Zorluklar, modelin süreç parametrelerindeki değişiklikleri, süreç rejimi ve kusur oluşumu yerine algılamasıdır.

Zaman içinde makine parametrelerindeki doğal kayma, bu modellerin genelleştirilebilirliğine engel teşkil eder ve yapay zekâ modellerinin gerçek dünya üretim ortamlarındaki pratik uygulanabilirliğini sınırlar. Ayrıca, otomasyonla ilgili sorunlar vardır; bunlar özel ekipman gerektirir ve birden çok parametreyle karmaşıklaşır; bu parametrelerin incelenmesi de zor ve kaynak yoğun bir süreçtir.

Çoklu süreç değişkenlerini göz önünde bulundurarak PBF parametre uzayını otonom bir şekilde gezebilen, optimal koşulları belirleyen ve temel erime rejimlerini anlayan algoritmalara açık bir ihtiyaç vardır.

Bu ihtiyaç, Empa araştırmacıları tarafından, etiketli veri veya kapsamlı son işlem analizi gerektirmeden erime rejimi tanımlamaya odaklanan denetimsiz optik veri toplama yöntemiyle yeni bir yöntem önerilerek karşılanmaktadır.

PBF-LB Parametrelerini Optimize Etmek İçin Denetimsiz Öğrenmenin Uygulanması

Empa araştırmacıları tarafından geliştirilen yeni denetimsiz teknik, erime rejimi üzerinde en büyük etkiye sahip olduğu belirlenen iki ana parametreye: lazer gücü ve tarama hızı odaklanmaktadır.

Çalışma bu iki parametreye odaklanmıştı, ancak teknik ek süreç parametreleri için de kullanılabilir. Gelecekte, araştırmacılar gaz akış hızı, hat aralığı ve katman kalınlığını algoritmalarına dahil ederek PBF-LB parametre uzayının daha kapsamlı bir keşfini mümkün kılacaklar.

Şimdilik, önerilen yöntem iletim modu ile anahtar delik modu arasındaki geçişi doğru bir şekilde gösterir.

Denetimsiz yaklaşım, etiketli verilere bağımlı olmadan işleme haritalarının çıkarılmasına temel sağlar; bu, etiketli veri elde etmenin hem maliyetli hem de zor olduğu PBF-LB’de önemli bir avantaj sunar.

Çalışma aslında bu temeli üzerine inşa ederek, aktif öğrenmenin (en bilgilendirici veri noktalarını seçme) ve Bayes optimizasyonunun (olasılıksal model kullanan yinelemeli örnekleme stratejisi) bölümlerini birleştiren özgün bir yöntem tanıtarak işleme haritalarını verimli bir şekilde elde eder.

Bu yaklaşımı farklı kılan, hiçbir veriyle başlaması ve ardından her yeni deneyi nerede yapacağına karar vererek veri kümesini kademeli olarak oluşturmasıdır; bu da deneysel sürecin optimize edilmesini sağlar.

Özellikle, iyileştirme için yinelemeli bir yaklaşım kullanmasına rağmen, model süreç boyunca denetimsiz kalır; çünkü etiketli veri gerektirmez. Erime rejimlerini tanımlamak için algoritma, optik veriden çıkarılan özelliklere dayanır ve sonuçlar daha sonra bir Gaussian Process Classifier (GPC) eğitmek için kullanılarak haritanın olasılıksal bir tahminini sağlar.

Yinelemeli yön açısından, algoritma tahminlerde yüksek belirsizlik gösteren alanlara dayalı olarak yeni deneme ayarlarını seçer; bu da işleme haritasının tahminini iyileştirir.

Temelde, algoritma, lazer makinelerinde zaten bulunan optik sensörlerden gelen verileri kullanarak bir test çalışması sırasında lazerin hangi kaynak modunda olduğunu tespit etmeyi öğrenir. Buna dayanarak, algoritma bir sonraki test için parametreleri belirler.

“Algoritmamızın, uzman olmayanların PBF cihazlarını kullanabilmesini sağlayacağını umuyoruz,” dedi Masinelli. Bunun sadece üreticiler tarafından lazer kaynak makinelerinin firmware’ine entegre edilmesi gerekir.

PBF-LB Uygulamalarında AI Modelinin Etkinliğinin Değerlendirilmesi

Araştırmacılar tarafından tanıtılan yeni algoritma, PBF-LB’nin daha geniş benimsenmesini sınırlayan kapsamlı parametre ayarlama ihtiyacını ortadan kaldırmak için, fotodiyot verilerini kullanarak erime rejimlerini bağımsız olarak tanımlar.

Laboratuvarda test edildiğinde, ekip yöntemin iki malzeme üzerinde %89,2 F1 skoru elde ederek son derece doğru olduğunu buldu. Performansı değerlendirmek için araştırmacılar iki malzeme ile birden fazla parça bastı.İlk olarak Ti-6Al-4V kullanıldı; bu, en yaygın kullanılan (alfa-beta) titanyum alaşımlarından biri olup mükemmel korozyon direnci ve yüksek özgül dayanıklılık sunar. Diğeri ise 316L paslanmaz çelikti; 316 paslanmaz çeliğin düşük karbonlu versiyonu olup, gıda işleme, farmasötik ekipman, tıbbi cihazlar, takı, lüks saatler, atık su arıtma ve kimya endüstrisinde yaygın olarak kullanılır.

Özellikle, ekip algoritmanın tahminlerini doğrulamak için erime havuzu incelemeleri yaptı.

Değerlendirme, yaklaşımın her iki metalde de deneysel denemelere olan ihtiyacı %67 azalttığını ve sağlam bir performans sürdürdüğünü gösterdi. Bu, parametre keşfi maliyetini önemli ölçüde düşürebilir. Aynı zamanda, geleneksel tam faktöriyel deney tasarımına kıyasla F1 skorunda en fazla %8,88 azalma oldu.

“Bu sonuçlar, gelişmiş imalat süreçleri için otonom işleme haritası türetme bağlamında yöntemimizin verimliliğini vurgulamaktadır.”

Burada tanıtılan yöntem, araştırmacıların inancına göre, PBF-LB’nin verimliliğini ve güvenilirliğini “büyük ölçüde artırabilir”, bu da çeşitli sektörlerde genel etkinliğini artırarak daha geniş benimsenmesine yol açabilir. Çalışmaya göre:

“Sonuçlarımız, bu yöntemin PBF-LB optimizasyonunu kolaylaştırma potansiyelini gösteriyor; bu da endüstriyel uygulamalar için daha uygulanabilir hâle getiriyor ve daha geniş benimsenmesine zemin hazırlıyor.”

AI ve FPGA Entegrasyonu ile Lazer Kaynak Süreçlerini Geliştirmek

Ön deneyleri optimize etmenin yanı sıra, araştırmacılar başka bir projede kaynak sürecini de geliştirdi.

Lazer kaynak söz konusu olduğunda, ideal ayarlara rağmen süreç hâlâ öngörülemeyen sapmalar üretebilir ve küçük bir sapma bile ürün içinde ciddi kusurlara yol açabilir.

“Şu anda kaynak sürecini gerçek zamanlı olarak etkilemek mümkün değil,” dedi araştırmacı Rajani. “Bu, insan uzmanların yeteneklerinin ötesindedir.”

– Araştırmacı Rajani

Aslında, bilgisayarlar bile verinin incelenmesi ve kararların verilmesi gereken hızla başa çıkmakta zorlanıyor. Araştırmacılar burada özel bir bilgisayar çipi kullandılar.

Bu çip, yüksek performanslı bilgi işlem (HPC) ve prototipleme amacıyla tasarlanmış bir alan-programlanabilir kapı dizisi (FPGA) olarak adlandırılır. Çip, üreticiden çıktıktan sonra programlanabilir ve donanımı fiziksel olarak değiştirmeye gerek kalmadan farklı kullanım senaryolarına uyarlanabilir. Çok yönlülüğü ve yüksek performansı, onu uzay, otomotiv ve telekomünikasyon endüstrilerinde son derece değerli kılar.

“FPGA’lar sayesinde, bir komutu ne zaman yürüteceklerini ve yürütmenin ne kadar süreceğini tam olarak biliyoruz – bu, geleneksel bir PC’de geçerli değildir.”

Araştırmacılar, FPGA’yı bir “yedek beyin” olarak hizmet vermesi için bir PC’ye bağladılar. Çip lazer parametrelerini izleyip kontrol ederken, bu veri PC’deki algoritma tarafından öğrenme için de kullanılır.

“Algoritmanın PC üzerindeki sanal ortamda performansından memnun kalırsak, onu FPGA’ya ‘aktarabilir’ ve çipi bir anda daha akıllı hâle getirebiliriz.”

– Masinelli

Araştırmacılar, ML ve AI’nın lazer tabanlı metal işleme konusunda önemli katkılar sağlayabileceğine inanıyor. Bu nedenle, algoritmalarını ve modellerini geliştirmeye, uygulama alanlarını genişletmeye ve diğer araştırma grupları ve endüstri ortaklarıyla iş birliği yapmaya devam edecekler.

3D Baskı Teknolojilerinde Yatırım Fırsatlarını Keşfetmek

Şimdi, metal katmanlı tasarım ve imalatta kilit bir oyuncu Colibrium Additive’dir. Bu, General Electric Company (GE.TO ) (GE )‘nin bir parçasıdır ve şu anda GE Aerospace adıyla faaliyet göstermektedir.

Daha önce GE Additive olarak bilinen şirket, geçen yaz Colibrium Additive olarak yeniden lansman yaptı ve yeniden markalaşmanın bir parçası olarak Concept Laser ve Arcam EBM hizmet dışı bırakıldı.

“İsmini değiştirirken, müşterilerimize, kaliteye ve güvenilirliğe olan sarsılmaz odaklanmamızı sürdürüyoruz. Katmanlı İmalat sektöründe öncü olmaya ve onu olumlu şekilde dönüştürmeye devam edeceğiz.”

– CEO Alexander Schmitz

General Electric (GE )

Colibrium Additive tarafından sunulan 3D yazıcılara gelince, Elektron Işını Toz Yatak Füzyonu (EB-PBF) yazıcıları, Lazer Toz Yatak Füzyonu (L-PBF) yazıcıları ve Bağlayıcı Jet bulunur.

Şirketin piyasa performansına gelince, son birkaç yılda gerçekten büyük bir büyüme gösterdi.

260 milyar doların üzerindeki piyasa değerine sahip GE hisseleri şu anda yaklaşık 244 dolar seviyesinde işlem görmekte ve bu yıl %46’lık önemli bir artış kaydetti. Şirketin hisse senedi, 2000 yılında 290 dolar seviyesine ulaşmış olan zirvesine hızla yaklaşmaktadır. EPS (TTM) 6.35, P/E (TTM) 38.46 ve hissedarlara sunulan temettü getirisi %0,59’dur.

Bu arada, şirket finansalları 2025’in 1. çeyreğinde güçlü bir performans gösterdi; GE toplam 9,9 milyar dolar gelir elde etti, %11 artış ve toplam siparişler %12 artarak 12,3 milyar dolara yükseldi.

2025’in bu güçlü başlangıcı, CEO H. Lawrence Culp, Jr. tarafından ticari hizmetler sayesinde gerçekleşti; şirketin maliyet kontrolü ve mevcut ticaret programlarından yararlanma gibi stratejik önlemler almasını gerektiren makroekonomik dinamiklere de değinildi.

1Q25’te işletme karı %38 artarak 2,1 milyar dolar oldu, ayarlanmış EPS %60 artışla 1,49 dolar seviyesine yükseldi. Bu dönemde GE ayrıca raporladı 1,5 milyar dolar nakit akışı (GAAP) elde etti ve serbest nakit akışı %14 artarak 1,4 milyar dolar oldu. Şirket ayrıca 140 milyar doların üzerindeki bir ticari hizmetler birikimi bildirdi.

Tüm bunların ortasında, Propulsion & Additive Technologies sadece %1 büyüdü; şirket, fiyat ve hacmin, ekipman satışlarındaki planlı yumuşak başlangıçtan kaynaklanan düşük sevkiyatları dengelediğini belirtti.

Bu yılki yıllık raporunda GE, “teknoloji benimsenmesinin yavaşlaması nedeniyle Katmanlı İmalat sektöründe düşüşler” olduğunu belirtti, ancak aynı zamanda Colibrium Additive’in “GE Aerospace’te mevcut ve gelecekteki teknoloji için kritik bir iş” olduğunu ve en çok değer yaratabileceği alanlara odaklanmaya devam ettiklerini vurguladı.

En Son General Electric (GE) Hisse Senedi Haberleri ve Gelişmeler

Sonuç

Yapay zekâ gelişmeye ve endüstrileri dönüştürmeye devam ederken, süreç optimizasyonunu hızlandırarak ve gerçek zamanlı uyarlanabilirlik sağlayarak modern üretimde mümkün olanı yeniden tanımlamaya da yardımcı oluyor.

PBF’de parametre ayarlama ve kusur tespitine ilişkin zaman ve maliyeti önemli ölçüde azaltarak ve lazer kaynağında gerçek zamanlı kontrol sağlayarak, lazer tabanlı katmanlı imalat daha geniş bir benimsenme için hazır hâle geliyor; bu da verimli, erişilebilir ve özelleştirilebilir üretimin yeni bir çağını açıyor.

En iyi 3D baskı hisselerinin listesi için buraya tıklayın.

Referans Alınan Çalışmalar:

^{1. Masinelli, G., Schlenger, L., Wasmer, K., Ivas, T., Jhabvala, J., Rajani, C., Jamili, A., Logé, R., Hoffmann, P., & Atienza, D. (2025). PBF-LB parametre uzayının otonom keşfi: Otomatik işleme haritası oluşturma için belirsizlik odaklı bir algoritma. Additive Manufacturing, 87, 104677. https://doi.org/10.1016/j.addma.2025.104677}