不锈钢与Inconel的多材料3D打印，人工智能平台xT SAAM将构建速度提高2倍

频道：3D打印技术日期：2022-10-18 浏览：493

机器学习可以使用于多材料金属打印的增材制造 (AM) 工艺更便宜、更快，并支持为能源、汽车和航空航天工业生产复杂、高性能、具有成本效益的零件。根据3D科学谷的市场观察，最新的案例是Exponential Technologies 与 Aerosint 一起为不锈钢 316l 和 Inconel 625 组合通过人工智能平台开发了多材料激光粉末床熔融 (LPBF) 参数集。

人工智能开发多材料3D打印参数
© Aerosint

加快参数开发与优化

在打印测试中，xT SAAM 人工智能算法能够将初始参数设置提高 2 倍，并且产生更密集的零部件和更高的3D打印速度。通过xT SAAM，项目团队无需懂得算法开发即可快速获得适合的加工参数包。这表明 xT SAAM 机器学习可以显著加快增材制造工艺参数优化、节省材料、节约时间和金钱、加快上市时间并降低研发成本。

人工智能赋能3D打印
© 3D科学谷白皮书

多材料 LPBF

为了实现最高的灵活性和高性能零部件，多材料3D打印是必要的，这就是 Aerosint 开发能够实现多金属 LPBF 3D 打印的选择性粉末沉积 (SPD) 的原因。

Aerosint 选择使用 xT 开发的 AI 人工智能平台 xT SAAM 来开发不锈钢 316l 和 Inconel 625 材料组合，因为传统方法已被证明既昂贵又耗时。将这些材料组合在一个零件中将允许制造具有高复杂性和耐腐蚀性以及抗氧化的性能更好的零件。这些零部件将能够在高机械负载和高温的极端环境中表现良好，这将在能源、汽车和航空航天工业中发挥巨大作用。

根据3D科学谷,人工智能在每个特定领域发挥着越来越重要的作用，包括：缺陷检测和纠正、在构建过程中和构建之后减少残余应力和故障、原位计量和设计精度、微结构设计、合金设计和优化。

l 结合不锈钢 316l 和 Inconel 625

该项目的目的是为不锈钢 316l 和 Inconel 625 金属的组合找到一个单一的工艺参数集，以最大限度地提高零件密度和构建速度。

Aerosint 将 Aconity 3D打印机与其铺粉系统结合使用，并通过xT SAAM 平台开发参数设置。对于参数设置的开发，Aerosint 使用了 xT SAAM 的主动学习模块和自动集成建模。结合这两种方法，xT SAAM 可以大幅减少研发和工艺开发所需的实验数量，并充分利用他们的数据。

主动学习方法基于遗传算法，该算法根据现有数据和目标建议新的参数设置。在这种方法中，xT SAAM专有的遗传算法会提出随着每个实验周期而改进的建议。自动集成建模方法基于为给定数据集找到机器学习模型的最佳组合，以最大限度地提高预测准确性。

l 解决方案

初始数据由 8 种不同的打印配方组成，实现了 99.7% 的相对密度和每秒2.88立方毫米的构建速率。

使用可用数据 xT SAAM 软件为第二次迭代提供了 40 种不同的3D打印参数包，对现有参数进行了微小的更改，并且采用了全新的组合。第二次迭代能够将部件的密度提高到 99.9% 以上，并将构建速率大幅提高 36% 至每秒3.94 立方毫米。

现在，基于可用的 48 个参数包（8 个来自初始数据，40 个来自通过人工智能平台提供的第二次迭代），在新的迭代中，结果令人难以置信，将构建速度提高了 54%，达到每秒6.08立方毫米，同时保持密度高于 99.9%。

l 机器学习

xT SAAM 人工智能软件是一个强大的工具，不仅可以实现多材料增材制造，显著缩短开发周期，还可以实现高密度零件的高生产率。

最重要的是，xT SAAM 所有开发的参数包集合彼此之间都大不相同。这种参数集的多样性允许基于优先级或更高的生产稳定性在参数集之间切换。该项目表明，与目前使用的实验设计 (DoE) 等方法相比，xT SAAM 平台有助于减少研发工作并提高零件质量和生产速度。

在机器学习的辅助下识别两种不同材料的加工窗口是一项了不起的成就。这允许使用跨材料界面的连续扫描而不是顺序扫描。换句话说，即使每层有两种不同的粉末，也可以像对单一材料的常规操作一样进行。这显著减少了构建作业准备工作，并提高了工艺稳健性和零件质量。

爆发性增长的潜力

在《增材制造设计（DfAM)指南》这本书中，援引了AM零件质量影响因素的石川图，在石川图中详细的举出了影响加工质量的160多种因素，仅仅是激光扫描过程，就包括了扫描线长度，扫描线种类，外轮廓，内轮廓，扫描方式，扫描速度，光束矫正，收缩补偿，扫描线顺序，填充间距，填充方向，激光功率，（离）聚焦，表面填充参数，偏移等等。可见要通过人的经验来驾驭和平衡160多种影响加工质量的变量是非常难的。

根据中国工程院院刊Engineering上的《基于神经网络的机器学习方法在3D打印中的应用》，使用神经网络建立工艺-结构-性能-使役性能（PSPP）方面会出现爆发性的增长，因为与其他方法和模型相比，神经网络在复杂模型识别中具有内在优势。