Machine Learning für Parameterentwicklung
Wie Künstliche Intelligenz das Trial-and-Error bei neuen 3D-Druck-Legierungen beendet.
1. Einleitung: Das Parameter-Labyrinth
Wer ein völlig neues Material (z. B. eine experimentelle High-Entropy-Legierung) im Laser Powder Bed Fusion (PBF-LB) drucken will, steht vor einem mathematischen Albtraum. Laserleistung, Scangeschwindigkeit, Hatch-Abstand (Spurabstand), Schichtdicke und hunderte weitere Parameter beeinflussen sich gegenseitig. Konventionell dauert es oft Monate und kostet zehntausende Euro, durch Trial-and-Error das perfekte Parameter-Set für 99,9 % Dichte zu finden.
Künstliche Intelligenz (KI) und Machine Learning (ML) revolutionieren diesen Prozess. Algorithmen finden das perfekte Rezept für neue Metalle in Wochen statt in Monaten.
Was ist Design of Experiments (DoE)?
DoE ist die statistische Planung von Versuchen. Anstatt blind Parameter zu raten, lässt die Software die Maschine gezielt ein Gitter aus dutzenden kleinen Würfeln drucken. Jeder Würfel hat leicht veränderte Parameter (z. B. Würfel A: 200W/800mm/s, Würfel B: 210W/850mm/s). Nach dem Druck werden die Würfel auf Porosität geprüft und die Daten an die Software zurückgemeldet.
2. Wie Machine Learning den Prozess beschleunigt
Klassisches DoE stößt bei 15+ Variablen an seine Grenzen. Hier übernimmt Machine Learning.
- Bayes'sche Optimierung: Ein Algorithmus wird mit historischen Daten (z. B. Parameter von Titan oder Inconel) trainiert. Er druckt eine kleine Serie von Probekörpern (DoE) aus dem neuen Material. Anhand der Ergebnisse (Dichte, Risse) "lernt" der Algorithmus die physikalischen Zusammenhänge. Er schlägt dann völlig neue, unkonventionelle Parameterkombinationen vor, auf die ein menschlicher Ingenieur niemals gekommen wäre.
- Digitaler Zwilling: Mit KI-gestützter thermischer Simulation (z. B. Physics-Informed Neural Networks) wird das Schmelzbad virtuell im Rechner erzeugt. Das ML-Modell testet Millionen von Parametern rein virtuell und identifiziert das optimale "Prozessfenster", ohne dass auch nur ein Gramm Pulver verschwendet wird.
3. Parameter für spezielle Anforderungen
Es gibt nicht "das eine" perfekte Parameter-Set.
Manchmal braucht man maximale Aufbaugeschwindigkeit (Core-Parameter für das Innere des Bauteils, wo Dichte wichtig, aber Oberfläche egal ist). Manchmal braucht man spiegelglatte Oberflächen (Skin-Parameter für die Außenhülle). Machine Learning hilft Herstellern, sogenannte "Parameter-Profile" zu generieren, die lokal im Bauteil (z. B. extra Energie für Support-Strukturen, weniger Energie für filigrane Überhänge) dynamisch wechseln.
4. Korrektur von In-Situ Daten
Der nächste Schritt der KI-Entwicklung ist die Verknüpfung der Parameterentwicklung mit dem In-Situ Monitoring (Live-Kameras im Drucker).
Wenn das ML-Modell beim Druck der Testwürfel live an der Kamerarückmeldung (Melt Pool Heat) erkennt, dass die Temperatur zu heiß wird (Keyhole-Porosität droht), bricht es den Druck dieses Würfels ab und testet in der nächsten Schicht automatisch kühlere Parameter. Der Drucker parametriert sich quasi selbst, während er läuft.
5. Fazit: Demokratisierung neuer Materialien
Bisher konnten sich nur Luftfahrtriesen die Entwicklung von maßgeschneiderten Legierungen (Custom Alloys) leisten. Durch Machine Learning (Softwarelösungen wie Alchemite von Intellegens) sinken die Entwicklungskosten für PBF-Parameter massiv. KI ist der Schlüssel, um tausende neue, ultra-effiziente Leichtmetall-Legierungen vom Labor in den industriellen 3D-Druck zu überführen.