3D-печать металлом: естественный отбор, меняющий правила.

Металлический компонент, изготовленный с помощью лазерной 3D-печати. Источник.

В любом аддитивном производстве решающее значение имеет оптимизация процесса. Особенно это сказывается на качестве продукции и эффективности метода при изготовлении металлических деталей посредством 3D-печати с помощью лазера. С одной стороны, всё кажется просто: настройте параметры и нажмите кнопку, однако определение их сочетаний, оптимальных для достижения цели, является всё-таки очень непростой задачей. Переменных слишком много, поэтому, несмотря на достижения в области моделирования, оптимизация технологии для конкретных материалов и геометрических форм разрабатывается с помощью последовательного и трудоёмкого метода проб и ошибок. А это значит, что учесть несколько аспектов для оптимизации одновременно зачастую просто невозможно.

Вследствие этого большинство современных исследований сосредоточены на простых «однодорожечных» отпечатках, которые легче протестировать, хоть они и вряд ли применимы для создания объёмных инженерных 3D-компонентов. Тем не менее у современной науки есть козырь в рукаве. Это машинное обучение, мощный инструмент для ускорения практически любой оптимизации.

Так, в Университете Торонто разрабатывают новую систему, специализированную для аддитивного производства посредством 3D-печати металлическими материалами. Одной из составляющих успешности этой работы стала способность нейромодели прогнозировать протекание процессов плавки и затвердевания конкретного сырья, чтобы рассчитать оптимальные условия для масштабирования подобного метода изготовления стальных изделий.

Исследовательская группа под руководством профессора материаловедения и инженерии факультета прикладных наук и инженерии Ю Цзоу разработала инновационную систему, которая получила несколько громоздкое, но весьма детальное название «Точная схема оптимизации обратного процесса при лазерно-направленном энергетическом нанесении» или AIDED (Accurate Inverse process optimization framework in laser Directed Energy Deposition). Благодаря упомянутому прогнозированию, она не только определяет требования к организации производства, но также позволяет подстраивать точность промежуточных результатов и обеспечивать надёжность готовой продукции.

Карты обработки, показывающие изменения эффективной ширины дорожки, времени печати и разбавления в зависимости от различных комбинаций параметров процесса. Оптимальные значения отмечены красной звездой на каждой карте. На этих картах обработки цвет фона показывает эффективную ширину дорожки, изолинии — время печати, а серые оттенки указывают на слабые аспекты. Источник.

В статье, опубликованной в журнале «Аддитивное производство» научного портала ScienceDirect, авторы говорят, что итоги проверок разработанного подхода указывают на возможность его использования в выпуске металлических деталей очень высокого качества. Речь идёт, ни много ни мало, об изделиях, рассчитанных на огромные нагрузки, которые встречаются в аэрокосмической, автомобильной или даже ядерной отраслях, и соответствующих почти невероятной точности, надёжности и специфике, требуемых, например, в здравоохранении. И конечно, большим плюсом к технологии добавляется её экономичность по сравнению с существующими методами.

«Более широкому внедрению направленной энергии осаждения — основной технологии 3D-печати металлами — в настоящее время препятствует высокая стоимость поиска оптимальных параметров процесса методом проб и ошибок, — рассказывает кандидат наук Сяо Шан, первый автор нового исследования. — Наша система быстро определяет оптимальные параметры процесса для различных областей применения в соответствии с потребностями отрасли».

Помимо вышеуказанных трудностей оптимизации, в традиционных методах печати неотъемлемую роль в изготовлении изделий играют дополнительные операции в виде резки, литья или механической обработки материалов. Аддитивный же подход, напротив, позволяет создавать сложные, чрезвычайно специфичные металлические компоненты с минимальными отходами. В нём используется мощный лазер для выборочного сплавления тонкого металлического порошка, вследствие чего детали «вырастают» слой за слоем, исходя из точной цифровой 3D-модели.

«Одной из основных проблем 3D-печати металла является скорость и точность производственного процесса, — говорит Цзоу. — Различия в условиях печати могут привести к несоответствию качества конечного продукта отраслевым стандартам надёжности и безопасности».

Учёные выделяют ещё одну серьёзную задачу, которую новая ИИ-система должна уметь решать. Мы будем пользоваться различным сырьём: титаном — для аэрокосмической и медицинской промышленности, нержавеющей сталью — для ядерных реакторов и так далее. В таких условиях разработка отдельной нейросети для каждого вещества и их сочетаний означала бы топтание на месте. Поэтому определение оптимумов для печати различными материалами — одно из важнейших требований разработки, которое обязательно должно быть удовлетворено.

Каждый материал обладает уникальными свойствами, которые предъявляют свои требования к мощности лазера, скорости сканирования и температурным условиям. Таким образом, поиск правильной комбинации этих критериев в широком диапазоне технологических параметров призван унифицировать предлагаемый подход. Но как?

К решению этой задачи исследователи привлекли довольно странного помощника — один из механизмов эволюции, а именно — естественный отбор. Система AIDED имитирует его для поиска оптимальных решений, работая с так называемой обратной связью — смоделированной «реакцией» на вносимые изменения настроек. В итоге получившийся «генетический» алгоритм сперва предлагает комбинации переменных процесса; затем модели машинного обучения оценивают их с точки зрения качества будущей печати; и, наконец, происходит «естественный отбор»: алгоритм проверяет прогнозы на предмет оптимальности и повторяет всю процедуру до тех пор, пока не будут найдены наилучшие параметры.

Структура процесса AIDED: учитывается воздействие от применения параметров как к единичной дорожки (сверху), так и к их множеству в одном слое (снизу). Затем многослойная конструкция из напечатанных дорожек проходит «естественный отбор». Источник.

«Мы продемонстрировали, что наша система может определять оптимальные параметры процесса на основе настраиваемых целей всего за один час и точно прогнозировать геометрию на основе параметров процесса, — заявляет Шан. — Она также универсальна и может использоваться с различными материалами».

Платформа подверглась множеству испытаний, собравших столь обширные наборы данных, что сегодня работа идёт уже над усовершенствованной автономной самоуправляемой системой аддитивного производства, которая работает с минимальным вмешательством человека. По словам профессора Цзоу, это примерно напоминает работу автономных транспортных средств.

«Сочетая передовые методы аддитивного производства с искусственным интеллектом, мы стремимся создать новую автономную лазерную систему с замкнутым контуром управления, — говорит он. — Эта система сможет обнаруживать потенциальные дефекты в режиме реального времени, прогнозировать проблемы до их возникновения и автоматически корректировать параметры обработки для обеспечения высокого качества производства. Она будет достаточно универсальной, чтобы работать с различными материалами и геометрией деталей, что станет настоящим прорывом для обрабатывающей промышленности».

Это даёт все основания надеяться на то, что AIDED повлияет на множество отраслей, зависящих выпуска массовых и специфических металлоизделий, просто оптимизировав процессы от 3D-печати.

«Такие отрасли, как аэрокосмическая, биомедицинская, автомобильная, ядерная и другие, будут рады такому недорогому, но точному решению, которое облегчит им переход от традиционного производства к 3D-печати», — говорит Шан.

«Примерно к 2030 году аддитивное производство ожидаемо переформирует производство во многих высокоточных отраслях, — добавляет Цзоу. — Возможность адаптивно исправлять дефекты и оптимизировать параметры ускорит его внедрение».

АРМК, по материалам Университета Торонто.