A MI felgyorsítja a nagyobb szilárdságú, tengeralattjárók gyártásához szükséges titánötvözet gyártását. A mesterséges intelligencia által vezérelt modellek segítségével új gyártási metodikát fejlesztettek ki a lézerporágyas fúzióhoz, ami egy fém 3D-nyomtatási módszer.

A Johns Hopkins Alkalmazott Fizikai Laboratórium (APL) kutatócsoportja a mesterséges intelligenciát használja a titánötvözetek fejlesztésére, javítva a szilárdságot és a gyártási sebességet a mélytengeri kutatástól az űrutazásig terjedő alkalmazásokhoz. A nagy teljesítményű titánötvözetből készült alkatrészek gyártása űrhajók, tengeralattjárók és orvosi eszközök számára hagyományosan lassú, erőforrás-igényes folyamat. A fémek 3D nyomtatásában elért előrelépések ellenére a gyártási feltételek optimalizálása még mindig kiterjedt tesztelést és finomítást igényelt. E probléma megoldása érdekében az APL kutatói olyan feldolgozási technikát mutattak be, amely mind a gyártási sebességet, mind a fejlett anyagok szilárdságát növeli.

Az APL továbbfejleszti a lézer alapú gyártást a védelmi igények kielégítésére

Morgan Trexler, az APL extrém és többfunkciós anyagok tudományának programvezetője szerint az Egyesült Államoknak gyorsan kell fejlesztenie a gyártást, hogy megfeleljen a jelenlegi és jövőbeli harcászati igényeknek. Ennek érdekében az APL a lézer alapú additív gyártás kutatását fejleszti: a csapat mesterséges intelligencia által vezérelt modellek segítségével új gyártási feltételeket azonosított a lézerporágyas fúzióhoz. Eredményeik jobb feldolgozási lehetőségeket tárnak fel a sűrű, kiváló minőségű, testre szabható mechanikai tulajdonságokkal rendelkező titán előállításához.

Brendan Croom társszerző kifejtette, hogy a felfedezés újra definiálja az anyagfeldolgozás megközelítését. Évekig bizonyos feldolgozási paramétereket tiltottnak tekintettek a rossz minőségű eredmények kockázata miatt. A mesterséges intelligencia segítségével a lehetőségek szélesebb skáláját vizsgálva a csapat olyan új feldolgozási területeket azonosított, amelyek gyorsabb nyomtatást tesznek lehetővé, miközben megőrzik vagy akár növelik az anyag szilárdságát és alakíthatóságát. Ez a fejlesztés lehetővé teszi a mérnökök számára, hogy a konkrét teljesítményigények alapján optimalizálják a feldolgozási beállításokat.

Továbbá ezek az eredmények a nagy teljesítményű titánalkatrészekre támaszkodó iparágak számára is előnyösek lehetnek, mivel lehetővé teszik az erősebb, könnyebb alkatrészek nagyobb sebességgel történő gyártását, növelve a hatékonyságot a hajóépítésben, a repülésben és az orvosi eszközökben, miközben az additív gyártást a repülőgépiparban és a védelemben is előmozdítják.

A mesterséges intelligencia integrálása a szélsőséges környezetben használt anyagok validálásának felgyorsítására

A Whiting School of Engineering kutatói, köztük Somnath Ghosh, mesterséges intelligencia által vezérelt szimulációkat alkalmaznak az additív módon gyártott anyagok szélsőséges környezetben való teljesítményének előrejelzésére. Ghosh a NASA Űrtechnológiai Kutatóintézetének (STRI) társvezetője a Carnegie Mellonnal együttműködve, amely az anyagok minősítésének és tanúsításának felgyorsítását célzó fejlett számítási modellek kifejlesztésére összpontosít. A cél az új anyagok tervezéséhez, teszteléséhez és validálásához szükséges idő csökkentése az űrtechnológiai alkalmazásokhoz, ami szorosan illeszkedik az APL-nek a titángyártási folyamatok finomítására irányuló erőfeszítéseihez.

Amikor Steve Storck, az APL kutatási és feltáró fejlesztési részlegének gyártási technológiákért felelős vezető kutatója 2015-ben csatlakozott a laboratóriumhoz, kulcsfontosságú korlátokat azonosított a területen. Az additív gyártás védelmi minisztériumon belüli alkalmazásának egyik fő akadálya az anyagok elérhetősége volt, mivel minden egyes konstrukcióhoz speciális anyagokra volt szükség, a legtöbbhöz azonban hiányoztak a robusztus feldolgozási feltételek.

A titán egyike volt azon kevés anyagoknak, amelyek megfeleltek a DoD igényeinek, és amelyeket úgy optimalizáltak, hogy megfeleljenek a hagyományos gyártási teljesítménynek vagy meghaladják azt. A csapat felismerte, hogy az additív gyártásban rejlő lehetőségek teljes kiaknázásához elengedhetetlen az anyagok körének bővítése és a feldolgozási paraméterek finomítása.

Többéves kutatás után Storck csapata kidolgozott egy gyors anyagoptimalizálási keretrendszert, amely egy 2020-as szabadalomhoz és egy 2021-es, a Johns Hopkins APL Technical Digestben közzétett, a hibák hatásairól szóló tanulmányhoz vezetett. Ez a keretrendszer teremtette meg az alapot a legújabb tanulmányhoz, amelyben a csapat gépi tanulást alkalmazott a feldolgozási paraméterek széles skálájának vizsgálatára, jelentősen javítva a hatékonyságot és a pontosságot a hagyományos módszerekhez képest.

„Teljesen új módszereket találunk ezeknek az anyagoknak a feldolgozására, olyan képességeket szabadítva fel, amelyekre korábban nem gondoltunk. Rövid időn belül olyan feldolgozási feltételeket fedeztünk fel, amelyek a teljesítményt a lehetségesnek hitt mértéket meghaladó mértékben emelték” – jegyezte meg Storck.

Forrás: https://interestingengineering.com/innovation/ai-speeds-up-titanium-alloy-production?group=test_b