Forscher der University of Virginia erkennen Defekte beim 3D-Druck in Echtzeit

Ein Forschungsteam unter der Leitung von Tao Sun, außerordentlicher Professor für Materialwissenschaften und Ingenieurwesen an der University of Virginia, hat neue Entdeckungen gemacht, mit denen die additive Fertigung in der Luft- und Raumfahrt und anderen Branchen, die auf robuste Metallteile angewiesen sind, erweitert werden kann.

Ihre von Fachleuten begutachtete Arbeit wurde am 6. Januar 2023 im Science Magazine veröffentlicht: “Machine Learning aided real-time detection of keyhole pore generation in laser powder bed fusion”. Die Arbeit befasst sich mit der Erkennung der Bildung von Schlüssellochporen, einem der Hauptfehler bei einem gängigen additiven Fertigungsverfahren, dem Laser-Pulverbett-Fusionsverfahren (LPBF).

Das in den 1990er Jahren eingeführte LPBF-Verfahren verwendet Metallpulver und Laser, um Metallteile im 3D-Druckverfahren herzustellen. Porositätsdefekte bleiben jedoch eine Herausforderung für ermüdungsanfällige Anwendungen wie Flugzeugtragflächen. Ein Teil der Porosität ist mit tiefen und schmalen Dampfeinbrüchen verbunden, den so genannten Keyholes.

Die Bildung und Größe des Schlüssellochs ist eine Funktion der Laserleistung und der Scangeschwindigkeit sowie der Fähigkeit des Materials, Laserenergie zu absorbieren. Sind die Wände des Schlüssellochs stabil, wird die Laserabsorption des umgebenden Materials erhöht und die Effizienz der Laserfertigung verbessert. Sind die Wände jedoch wackelig oder brechen sie zusammen, verfestigt sich das Material um das Schlüsselloch herum und schließt das Luftloch in der neu gebildeten Materialschicht ein. Dadurch wird das Material brüchiger und kann unter Umweltbelastung leichter brechen.

Sun und sein Team, zu dem auch Anthony Rollett, Professor für Materialwissenschaften und Ingenieurwesen an der Carnegie Mellon University, und Lianyi Chen, Professorin für Maschinenbau an der University of Wisconsin-Madison, gehören, haben einen Ansatz entwickelt, mit dem sie den genauen Zeitpunkt erkennen können, an dem sich während des Druckvorgangs eine Schlüssellochpore bildet.

“Durch die Integration von Operando-Synchrotron-Röntgenbildgebung, Nahinfrarotbildgebung und maschinellem Lernen kann unser Ansatz die einzigartige thermische Signatur, die mit der Bildung von Schlüssellochporen verbunden ist, mit einer zeitlichen Auflösung von weniger als einer Millisekunde und einer Vorhersagequote von 100 % erfassen”, so Sun.

Bei der Entwicklung ihrer Methode zur Erkennung von Schlüssellöchern in Echtzeit haben die Forscher auch die Art und Weise weiterentwickelt, wie ein hochmodernes Werkzeug – die operative Synchrotron-Röntgenbildgebung – eingesetzt werden kann. Mithilfe von maschinellem Lernen entdeckten sie außerdem zwei Arten von Schlüsselloch-Oszillation.

“Unsere Ergebnisse bringen nicht nur die Forschung im Bereich der additiven Fertigung voran, sondern können auch praktisch dazu dienen, die kommerzielle Nutzung von LPBF für die Herstellung von Metallteilen zu erweitern”, so Rollett. Rollett ist auch Co-Direktor des NextManufacturing Center an der CMU.

“Die Porosität in Metallteilen ist nach wie vor eine große Hürde für die breitere Anwendung der LPBF-Technik in einigen Branchen. Porosität in Schlüssellöchern ist der schwierigste Defekttyp, wenn es um die Echtzeit-Erkennung mit Sensoren im Labormaßstab geht, da sie stochastisch unter der Oberfläche auftritt”, sagte Sun. “Unser Ansatz bietet eine praktikable Lösung für die hochauflösende Erkennung der Entstehung von Schlüssellochporen, die in vielen Szenarien der additiven Fertigung problemlos eingesetzt werden kann.”

Mehr über die University of Virginia finden Sie hier.