Η AI δημιουργεί πιο ανθεκτικά μέταλλα και επιταχύνει σημαντικά τις διαδικασίες

Η παραγωγή εξαρτημάτων από κράμα τιτανίου υψηλής απόδοσης - είτε πρόκειται για διαστημικά σκάφη, υποβρύχια ή ιατρικές συσκευές - ήταν επί μακρόν μια αργή, απαιτητική σε πόρους διαδικασία. Ακόμη και με τις προηγμένες τεχνικές τρισδιάστατης εκτύπωσης μετάλλων, η εύρεση των κατάλληλων συνθηκών κατασκευής απαιτούσε εκτεταμένες δοκιμές και λεπτομερή ρύθμιση. Τι θα γινόταν αν αυτά τα εξαρτήματα μπορούσαν να κατασκευαστούν πιο γρήγορα, ισχυρότερα και με σχεδόν τέλεια ακρίβεια;

Μια ομάδα αποτελούμενη από εμπειρογνώμονες του Εργαστηρίου Εφαρμοσμένης Φυσικής (APL) του Johns Hopkins στο Laurel του Maryland και της Σχολής Μηχανικών Whiting του Johns Hopkins αξιοποιεί την Τεχνητή Νοημοσύνη για να το κάνει πραγματικότητα. Εντόπισαν τεχνικές επεξεργασίας που βελτιώνουν τόσο την ταχύτητα παραγωγής όσο και την αντοχή αυτών των προηγμένων υλικών, μια πρόοδος με επιπτώσεις από τα βάθη της θάλασσας έως το Διάστημα.

«Αντιμετωπίζουμε μια επείγουσα ανάγκη να επιταχύνουμε την κατασκευή για να ανταποκριθούμε στις απαιτήσεις των σημερινών και μελλοντικών συγκρούσεων», δήλωσε ο Morgan Trexler, διευθυντής προγράμματος για την Επιστήμη των ακραίων και πολυλειτουργικών υλικών στην περιοχή αποστολών Έρευνας και Ερευνητικής Ανάπτυξης της APL. «Στο APL, προωθούμε την έρευνα στην προσθετική κατασκευή με laser για την ταχεία ανάπτυξη υλικών έτοιμων για αποστολές, διασφαλίζοντας ότι η παραγωγή συμβαδίζει με τις εξελισσόμενες επιχειρησιακές προκλήσεις».

Τα ευρήματα εστιάζουν στο Ti-6Al-4V, ένα ευρέως χρησιμοποιούμενο κράμα τιτανίου, γνωστό για την υψηλή αντοχή και το χαμηλό του βάρος. Η ομάδα αξιοποίησε AI μοντέλα για να χαρτογραφήσει τις προηγουμένως ανεξερεύνητες συνθήκες κατασκευής για τη σύντηξη με laser powder bed fusion, μια μέθοδο τρισδιάστατης εκτύπωσης μετάλλων. Τα αποτελέσματα αμφισβητούν τις μακροχρόνιες υποθέσεις σχετικά με τα όρια της διαδικασίας, αποκαλύπτοντας ένα ευρύτερο παράθυρο επεξεργασίας για την παραγωγή πυκνού, υψηλής ποιότητας τιτανίου με προσαρμόσιμες μηχανικές ιδιότητες.

Η ανακάλυψη παρέχει έναν νέο τρόπο σκέψης για την επεξεργασία υλικών, δήλωσε ο συν-συγγραφέας Brendan Croom.

Για χρόνια, υποθέταμε ότι ορισμένες παράμετροι επεξεργασίας ήταν “εκτός ορίων" για όλα τα υλικά επειδή θα οδηγούσαν σε κακής ποιότητας τελικό προϊόν. Όμως, χρησιμοποιώντας την Τεχνητή Νοημοσύνη για να εξερευνήσουμε το πλήρες φάσμα των δυνατοτήτων, ανακαλύψαμε νέες περιοχές επεξεργασίας που επιτρέπουν ταχύτερη εκτύπωση, διατηρώντας ή ακόμη και βελτιώνοντας την αντοχή και την ολκιμότητα του υλικού, την ικανότητα να τεντώνεται ή να παραμορφώνεται χωρίς να σπάει. Τώρα, οι μηχανικοί μπορούν να επιλέξουν τις βέλτιστες ρυθμίσεις επεξεργασίας με βάση τις συγκεκριμένες ανάγκες τους.

Τα ευρήματα αυτά υπόσχονται πολλά για βιομηχανίες που βασίζονται σε εξαρτήματα τιτανίου υψηλής απόδοσης. Η δυνατότητα κατασκευής ισχυρότερων και ελαφρύτερων εξαρτημάτων σε μεγαλύτερες ταχύτητες θα μπορούσε να βελτιώσει την αποδοτικότητα στη ναυπηγική βιομηχανία, την αεροπορία και τις ιατρικές συσκευές. Συμβάλλει επίσης σε μια ευρύτερη προσπάθεια προώθησης της προσθετικής κατασκευής για την αεροδιαστημική και την άμυνα.

Οι ερευνητές της Σχολής Μηχανικών Whiting, μεταξύ των οποίων και ο Somnath Ghosh, ενσωματώνουν AI προσομοιώσεις για να προβλέψουν καλύτερα πώς θα αποδίδουν τα προσθετικά κατασκευασμένα υλικά σε ακραία περιβάλλοντα. Ο Ghosh είναι συν-επικεφαλής ενός από τα δύο ερευνητικά ινστιτούτα διαστημικής τεχνολογίας (STRI) της NASA, μια συνεργασία μεταξύ του Johns Hopkins και του Carnegie Mellon που επικεντρώνεται στην ανάπτυξη προηγμένων υπολογιστικών μοντέλων για την επιτάχυνση της πιστοποίησης και της πιστοποίησης των υλικών. Ο στόχος είναι να μειωθεί ο χρόνος που απαιτείται για το σχεδιασμό, τη δοκιμή και την επικύρωση νέων υλικών για διαστημικές εφαρμογές - μια πρόκληση που ευθυγραμμίζεται στενά με τις προσπάθειες της APL να βελτιώσει και να επιταχύνει την κατασκευή τιτανίου.

Αυτή η ανακάλυψη βασίζεται σε χρόνια εργασίας στην APL για την προώθηση της προσθετικής κατασκευής. Όταν ο Steve Storck, επικεφαλής επιστήμονας για τις τεχνολογίες κατασκευής στο Τμήμα Έρευνας και Ερευνητικής Ανάπτυξης του APL, έφτασε στο Εργαστήριο το 2015, αναγνώρισε ότι η πρακτική αυτή είχε τα όριά της.

Τότε, ένα από τα μεγαλύτερα εμπόδια στη χρήση της προσθετικής κατασκευής σε όλο το Υπουργείο Άμυνας ήταν η διαθεσιμότητα των υλικών - κάθε σχεδιασμός απαιτούσε ένα συγκεκριμένο υλικό, αλλά δεν υπήρχαν ισχυρές συνθήκες επεξεργασίας για τα περισσότερα από αυτά. Το τιτάνιο ήταν ένα από τα λίγα που ικανοποιούσαν τις ανάγκες του Υπουργείου Άμυνας και είχε βελτιστοποιηθεί ώστε να ταιριάζει ή να υπερβαίνει τις επιδόσεις της παραδοσιακής κατασκευής. Γνωρίζαμε ότι έπρεπε να διευρύνουμε το φάσμα των υλικών και να βελτιώσουμε τις παραμέτρους επεξεργασίας για να ξεκλειδώσουμε πλήρως τις δυνατότητες της προσθετικής κατασκευής.

Η APL ξόδεψε χρόνια για να βελτιώσει την προσθετική κατασκευή, εστιάζοντας στον έλεγχο των ελαττωμάτων και στις επιδόσεις των υλικών. Το 2021, η ομάδα της APL δημοσίευσε μια μελέτη στο Johns Hopkins APL Technical Digest που εξέταζε τον τρόπο με τον οποίο τα ελαττώματα επηρεάζουν τις μηχανικές ιδιότητες. Περίπου την ίδια εποχή, η ομάδα του Storck ανέπτυσσε ένα πλαίσιο ταχείας βελτιστοποίησης υλικών, μια προσπάθεια που οδήγησε σε μια πατέντα που κατατέθηκε το 2020

Αυτό το πλαίσιο, σχεδιασμένο για να επιταχύνει σημαντικά τη βελτιστοποίηση των συνθηκών επεξεργασίας, παρείχε μια ισχυρή βάση για την τελευταία μελέτη. Βασιζόμενη σε αυτό το υπόβαθρο, η ομάδα αξιοποίησε τη μηχανική μάθηση για να διερευνήσει ένα άνευ προηγουμένου εύρος παραμέτρων επεξεργασίας, κάτι που θα ήταν ανέφικτο με τις παραδοσιακές μεθόδους δοκιμής και λάθους.

Η προσέγγιση αποκάλυψε ένα καθεστώς επεξεργασίας υψηλής πυκνότητας που είχε προηγουμένως απορριφθεί λόγω ανησυχιών για αστάθεια του υλικού. Με στοχευμένες προσαρμογές, η ομάδα ξεκλείδωσε νέους τρόπους επεξεργασίας του Ti-6Al-4V, το οποίο είχε βελτιστοποιηθεί επί μακρόν για σύντηξη με laser powder bed fusion.

Δεν κάνουμε απλώς αυξητικές βελτιώσεις. Βρίσκουμε εντελώς νέους τρόπους επεξεργασίας αυτών των υλικών, ξεκλειδώνοντας δυνατότητες που δεν είχαν ληφθεί υπόψη προηγουμένως. Σε σύντομο χρονικό διάστημα, ανακαλύψαμε συνθήκες επεξεργασίας που ώθησαν την απόδοση πέρα από ό,τι θεωρούσαμε δυνατό.

Οι ιδιότητες του τιτανίου, όπως και όλων των υλικών, μπορούν να επηρεαστούν από τον τρόπο επεξεργασίας του υλικού. Η ισχύς του laser, η ταχύτητα σάρωσης και η απόσταση μεταξύ των τροχιών του laser καθορίζουν τον τρόπο με τον οποίο το υλικό στερεοποιείται, αν θα γίνει ισχυρό και εύκαμπτο ή εύθραυστο και ελαττωματικό. Παραδοσιακά, η εύρεση του σωστού συνδυασμού απαιτούσε αργές δοκιμές δοκιμής και λάθους.

Αντί να προσαρμόζει χειροκίνητα τις ρυθμίσεις και να περιμένει τα αποτελέσματα, η ομάδα εκπαίδευσε τα AI μοντέλα χρησιμοποιώντας τη βελτιστοποίηση Bayes, μια τεχνική μηχανικής μάθησης που προβλέπει το πιο υποσχόμενο επόμενο πείραμα με βάση τα προηγούμενα δεδομένα. Αναλύοντας τα πρώτα αποτελέσματα των δοκιμών και βελτιώνοντας τις προβλέψεις της με κάθε επανάληψη, η τεχνητή νοημοσύνη εντόπισε γρήγορα τις καλύτερες συνθήκες επεξεργασίας - επιτρέποντας στους ερευνητές να εξερευνήσουν εικονικά χιλιάδες διαμορφώσεις πριν δοκιμάσουν μια χούφτα από αυτές στο εργαστήριο.

Αυτή η προσέγγιση επέτρεψε στην ομάδα να εντοπίσει γρήγορα προηγουμένως αχρησιμοποίητες ρυθμίσεις -- μερικές από τις οποίες είχαν απορριφθεί στην παραδοσιακή κατασκευή -- που θα μπορούσαν να παράγουν ισχυρότερο, πυκνότερο τιτάνιο. Τα αποτελέσματα ανέτρεψαν τις μακροχρόνιες υποθέσεις σχετικά με το ποιες παράμετροι του λέιζερ αποδίδουν τις καλύτερες ιδιότητες του υλικού.

Αυτό δεν έχει να κάνει μόνο με την ταχύτερη κατασκευή εξαρτημάτων. Πρόκειται για την επίτευξη της σωστής ισορροπίας μεταξύ της αντοχής, της ευελιξίας και της αποδοτικότητας. Η Τεχνητή Νοημοσύνη μας βοηθά να εξερευνήσουμε περιοχές επεξεργασίας που δεν θα είχαμε εξετάσει μόνοι μας.

Ο Storck τόνισε ότι η προσέγγιση υπερβαίνει τη βελτίωση της εκτύπωσης τιτανίου - προσαρμόζει τα υλικά για συγκεκριμένες ανάγκες.

Οι κατασκευαστές συχνά αναζητούν ρυθμίσεις ενός μεγέθους για όλους, αλλά οι χορηγοί μας χρειάζονται ακρίβεια. Είτε πρόκειται για ένα υποβρύχιο στην Αρκτική είτε για ένα εξάρτημα πτήσης σε ακραίες συνθήκες, αυτή η τεχνική μας επιτρέπει να βελτιστοποιήσουμε τις μοναδικές αυτές προκλήσεις, διατηρώντας παράλληλα τις υψηλότερες επιδόσεις.

Ο Croom πρόσθεσε ότι η επέκταση του μοντέλου μηχανικής μάθησης για την πρόβλεψη ακόμη πιο σύνθετων συμπεριφορών υλικών είναι ένας άλλος βασικός στόχος. Οι πρώτες εργασίες της ομάδας εξέτασαν την πυκνότητα, την αντοχή και την ολκιμότητα, και ο Croom δήλωσε ότι έχει τα μάτια του στη μοντελοποίηση άλλων σημαντικών παραγόντων, όπως η αντοχή στην κόπωση ή η διάβρωση.

Αυτή η εργασία ήταν μια σαφής επίδειξη της δύναμης της τεχνητής νοημοσύνης, των δοκιμών υψηλής απόδοσης και της κατασκευής με βάση τα δεδομένα. Παλαιότερα χρειαζόταν χρόνια πειραμάτων για να καταλάβουμε πώς ένα νέο υλικό θα ανταποκρινόταν στα σχετικά περιβάλλοντα του χορηγού μας, αλλά τι θα γινόταν αν αντ' αυτού μπορούσαμε να τα μάθουμε όλα αυτά μέσα σε εβδομάδες και να χρησιμοποιήσουμε αυτή τη γνώση για την ταχεία κατασκευή βελτιωμένων κραμάτων;

Η επιτυχία αυτής της έρευνας ανοίγει την πόρτα σε ακόμη ευρύτερες εφαρμογές. Η πρόσφατα δημοσιευμένη εργασία επικεντρώθηκε στο τιτάνιο, αλλά η ίδια προσέγγιση με βάση την τεχνητή νοημοσύνη έχει εφαρμοστεί και σε άλλα μέταλλα και τεχνικές κατασκευής, συμπεριλαμβανομένων κραμάτων που έχουν αναπτυχθεί ειδικά για να εκμεταλλευτούν την προσθετική κατασκευή.

Ένας τομέας μελλοντικής διερεύνησης είναι η λεγόμενη επιτόπια παρακολούθηση - η δυνατότητα παρακολούθησης και προσαρμογής της διαδικασίας παραγωγής σε πραγματικό χρόνο. Ο Storck περιέγραψε ένα όραμα όπου η σύγχρονη μεταλλουργική προσθετική κατασκευή θα μπορούσε να είναι τόσο απρόσκοπτη όσο η τρισδιάστατη εκτύπωση στο σπίτι: «Οραματιζόμαστε μια αλλαγή παραδείγματος, όπου τα μελλοντικά συστήματα προσθετικής κατασκευής θα μπορούν να προσαρμόζονται κατά την εκτύπωση, εξασφαλίζοντας τέλεια ποιότητα χωρίς την ανάγκη εκτεταμένης μετα-επεξεργασίας και ότι τα εξαρτήματα θα μπορούν να γεννιούνται κατάλληλα».

[via]

Loading