انقلاب در تولید تیتانیوم: چاپ سه‌بعدی مبتنی بر هوش مصنوعی موانع را می‌شکند
1. هوش مصنوعی در تسریع تولید قطعات تیتانیوم
تحقیقات مبتنی بر هوش مصنوعی باعث شده است که چاپ سه‌بعدی تیتانیوم سریع‌تر، مقاوم‌تر و کارآمدتر شود و تولیدات هوافضا و دفاعی را دگرگون کند.تولید قطعات آلیاژ تیتانیوم با عملکرد بالا – چه برای فضاپیماها، زیردریایی‌ها یا دستگاه‌های پزشکی – به طور سنتی فرآیندی کند و پرهزینه بوده است. حتی با وجود چاپ سه‌بعدی پیشرفته فلزات، تعیین شرایط بهینه تولید نیازمند آزمایش و خطای گسترده‌ای بوده است.
اما اگر این قطعات می‌توانستند سریع‌تر، مقاوم‌تر و با دقتی نزدیک به کمال ساخته شوند چه؟
گروه تحقیقاتی از آزمایشگاه فیزیک کاربردی جان هاپکینز (APL) و دانشکده مهندسی وایتینگ با استفاده از هوش مصنوعی در حال تبدیل این امکان به واقعیت هستند. با شناسایی تکنیک‌های فرآیند بهبود یافته، آن‌ها هم سرعت تولید و هم مقاومت مواد را افزایش داده‌اند – نوآوری‌ای که کاربردهای گسترده‌ای از اعماق اقیانوس تا فضا دارد.
مورگان ترکسلر، مدیر برنامه علم مواد شدید و چندمنظوره در بخش تحقیقاتی و توسعه اکتشافی APL گفت: “کشور با نیاز فوری برای تسریع تولید جهت برآورده کردن تقاضاهای مناقشات کنونی و آینده روبه‌رو است. در APL، ما در حال پیشبرد تحقیقاتی در زمینه تولید افزودنی مبتنی بر لیزر هستیم تا مواد آماده برای مأموریت‌ها را به سرعت توسعه دهیم و اطمینان حاصل کنیم که تولید با چالش‌های عملیاتی در حال تکامل همگام باشد.”
یافته‌ها که به تازگی در نشریه Additive Manufacturing منتشر شده، بر Ti-6Al-4V، یک آلیاژ تیتانیوم پرکاربرد که به دلیل استحکام بالا و وزن کم شناخته می‌شود، تمرکز دارند. این تیم از مدل‌های مبتنی بر هوش مصنوعی استفاده کرد تا شرایط تولیدی که قبلاً کشف نشده بودند را برای فرآیند لیزر پودر بستر ذوب، روشی برای چاپ سه‌بعدی فلز، ترسیم کنند. نتایج این تحقیق مفروضات دیرینه در مورد محدودیت‌های فرآیند را به چالش کشید و یک پنجره فرآیندی وسیع‌تر برای تولید تیتانیوم با کیفیت بالا و خصوصیات مکانیکی قابل تنظیم آشکار کرد.
2. بهبود شرایط تولید با استفاده از مدل‌های هوش مصنوعی
این کشف، راه جدیدی برای تفکر در مورد پردازش مواد ارائه می‌دهد، به گفته برندن کروم، نویسنده همکار.
او گفت: “برای سال‌ها فرض می‌کردیم که برخی پارامترهای پردازش برای تمام مواد ‘غیرقابل دسترس’ هستند زیرا منجر به محصول نهایی با کیفیت پایین می‌شدند. اما با استفاده از هوش مصنوعی برای کشف تمام دامنه‌های ممکن، مناطقی جدید برای پردازش پیدا کردیم که امکان چاپ سریع‌تر را فراهم می‌کنند در حالی که استحکام و چقرمگی مواد را حفظ یا حتی بهبود می‌بخشند. اکنون مهندسان می‌توانند تنظیمات بهینه پردازش را بر اساس نیازهای خاص خود انتخاب کنند.”
این یافته‌ها وعده‌های بزرگی برای صنایعی دارند که به قطعات تیتانیوم با عملکرد بالا وابسته‌اند. توانایی تولید قطعات قوی‌تر، سبک‌تر و سریع‌تر می‌تواند کارایی در ساخت کشتی، هوانوردی و دستگاه‌های پزشکی را بهبود بخشد. این تحقیق همچنین به تلاش‌های گسترده‌تری برای پیشبرد تولید افزودنی در صنعت هوافضا و دفاع کمک می‌کند.
محققان دانشکده مهندسی وایتینگ، از جمله سومنات گوش، در حال ادغام شبیه‌سازی‌های مبتنی بر هوش مصنوعی برای پیش‌بینی بهتر نحوه عملکرد مواد تولید شده افزودنی در محیط‌های شدید هستند. گوش یکی از دو رهبر مؤسسه‌های تحقیقاتی فناوری فضایی ناسا (STRIs) است، یک همکاری بین جان هاپکینز و دانشگاه کارنگی ملون که بر توسعه مدل‌های محاسباتی پیشرفته برای تسریع تأسیس و تأیید مواد متمرکز است. هدف این است که زمان لازم برای طراحی، آزمایش و اعتبارسنجی مواد جدید برای کاربردهای فضایی کاهش یابد – چالشی که به طور نزدیک با تلاش‌های APL برای اصلاح و تسریع تولید تیتانیوم همسو است.
3. پیشرفت‌های جدید در تولید افزودنی برای صنایع مختلف
یک جهش بزرگ به جلو
این پیشرفت بر پایه سال‌ها کار در APL برای پیشبرد تولید افزودنی است. زمانی که استیو استورک، دانشمند ارشد فناوری‌های تولید در بخش تحقیقاتی و توسعه اکتشافی APL در سال 2015 به آزمایشگاه پیوست، متوجه شد که این روش محدودیت‌هایی دارد.
او به یاد می‌آورد: “در آن زمان یکی از بزرگ‌ترین موانع استفاده از تولید افزودنی در سراسر وزارت دفاع، دسترسی به مواد بود – هر طراحی نیاز به ماده خاصی داشت، اما شرایط پردازش مناسب برای بیشتر آن‌ها وجود نداشت.” استورک ادامه داد: “تیتانیوم یکی از معدود موادی بود که نیازهای وزارت دفاع را برآورده می‌کرد و برای تطبیق با عملکرد تولید سنتی بهینه شده بود. ما می‌دانستیم که باید دامنه مواد را گسترش دهیم و پارامترهای پردازش را برای آزادسازی کامل پتانسیل تولید افزودنی اصلاح کنیم.”
APL سال‌ها بر روی تولید افزودنی کار کرده و بر کنترل نقص‌ها و عملکرد مواد تمرکز کرده است. در سال 2021، تیم APL مطالعه‌ای را در Johns Hopkins APL Technical Digest منتشر کرد که بررسی می‌کرد چگونه نقص‌ها بر خصوصیات مکانیکی تأثیر می‌گذارند. در همان زمان، تیم استورک در حال توسعه چارچوبی برای بهینه‌سازی سریع مواد بود، تلاشی که منجر به ثبت اختراعی در سال 2020 شد.
این چارچوب — که برای تسریع قابل توجه بهینه‌سازی شرایط پردازش طراحی شده بود — پایه‌ای محکم برای مطالعه اخیر فراهم کرد. تیم با استفاده از یادگیری ماشینی به بررسی دامنه‌ای بی‌سابقه از پارامترهای پردازش پرداخت، چیزی که در روش‌های سنتی آزمایش و خطا غیرممکن بود.
این رویکرد یک رژیم پردازش با چگالی بالا که قبلاً به دلیل نگرانی‌ها در مورد ناپایداری مواد رد شده بود، آشکار کرد. با تنظیمات هدفمند، تیم روش‌های جدیدی برای پردازش Ti-6Al-4V، که مدت‌ها برای لیزر پودر بستر ذوب بهینه شده بود، پیدا کرد.
استورک گفت: “ما فقط در حال انجام بهبودهای تدریجی نیستیم. ما روش‌های کاملاً جدیدی برای پردازش این مواد پیدا می‌کنیم و قابلیت‌هایی را که قبلاً در نظر گرفته نشده بودند، آزاد می‌کنیم. در مدت زمان کوتاهی، شرایط پردازشی را کشف کردیم که عملکرد را فراتر از آنچه که قبلاً ممکن بود، افزایش داد.”
هوش مصنوعی الگوهای پنهان را پیدا می‌کند
خصوصیات تیتانیوم، مانند تمام مواد، می‌تواند تحت تأثیر نحوه پردازش ماده قرار گیرد. قدرت لیزر، سرعت اسکن و فاصله بین مسیرهای لیزر تعیین می‌کند که چگونه ماده سخت می‌شود — آیا قوی و انعطاف‌پذیر می‌شود یا شکننده و معیوب. به طور سنتی، پیدا کردن ترکیب صحیح نیاز به آزمایش‌های کند و پرهزینه داشت.
به جای تنظیم دستی و انتظار برای نتایج، تیم مدل‌های هوش مصنوعی را با استفاده از بهینه‌سازی بیزی آموزش داد، یک تکنیک یادگیری ماشینی که پیش‌بینی می‌کند که آزمایش بعدی بر اساس داده‌های قبلی، بیشترین احتمال موفقیت را دارد. با تجزیه و تحلیل نتایج اولیه و اصلاح پیش‌بینی‌ها با هر تکرار، هوش مصنوعی سریعاً شرایط پردازشی بهینه را شناسایی کرد — که به محققان این امکان را داد تا هزاران پیکربندی را به صورت مجازی آزمایش کنند قبل از اینکه تنها چند مورد را در آزمایشگاه تست کنند.
این رویکرد به تیم اجازه داد که سریعاً تنظیمات قبلاً استفاده‌نشده را شناسایی کند — برخی از این تنظیمات در تولید سنتی رد شده بودند — که می‌توانستند تیتانیوم مقاوم‌تر و چگال‌تری تولید کنند. نتایج این تحقیق مفروضات دیرینه در مورد اینکه کدام پارامترهای لیزر بهترین ویژگی‌های ماده را تولید می‌کنند، برهم زد.
برندن کروم گفت: “این فقط در مورد تولید قطعات سریع‌تر نیست. بلکه درباره پیدا کردن تعادل مناسب بین استحکام، انعطاف‌پذیری و کارایی است. هوش مصنوعی به ما کمک می‌کند تا مناطق پردازشی را کشف کنیم که قبلاً به ذهن خودمان نمی‌رسید.”
استورک تأکید کرد که این رویکرد فراتر از بهبود چاپ تیتانیوم است — این تکنیک مواد را برای نیازهای خاص سفارشی می‌کند. او گفت: “تولیدکنندگان اغلب به دنبال تنظیمات یکسان برای همه هستند، اما حامیان ما به دقت نیاز دارند.” “چه برای یک زیردریایی در قطب شمال باشد و چه یک قطعه پروازی تحت شرایط شدید، این تکنیک به ما اجازه می‌دهد که برای آن چالش‌های منحصر به فرد بهینه‌سازی کنیم و در عین حال بالاترین عملکرد را حفظ کنیم.”کروم افزود که گسترش مدل یادگیری ماشینی برای پیش‌بینی رفتارهای پیچیده‌تر مواد یکی دیگر از اهداف کلیدی است. او گفت که کار اولیه تیم بر چگالی، استحکام و چقرمگی متمرکز بود و اکنون نگاه‌ها به مدل‌سازی عوامل دیگر مانند مقاومت به خستگی یا خوردگی معطوف است.
او گفت: “این کار یک نمایش واضح از قدرت هوش مصنوعی، آزمایش‌های پرسرعت و تولید مبتنی بر داده‌ها بوده است.” “قبلاً سال‌ها آزمایش طول می‌کشید تا بفهمیم یک ماده جدید چگونه در محیط‌های مرتبط با حامیان ما رفتار خواهد کرد، اما اگر می‌توانستیم تمام این اطلاعات را در عرض چند هفته بیاموزیم و از آن بینش برای تولید سریع آلیاژهای بهبود یافته استفاده کنیم، چه؟”
امکانات جدید
موفقیت این تحقیق درها را به روی کاربردهای گسترده‌تر باز می‌کند. مقاله‌ای که به تازگی منتشر شده بر تیتانیوم متمرکز شده است، اما همین رویکرد مبتنی بر هوش مصنوعی به سایر فلزات و تکنیک‌های تولید، از جمله آلیاژهایی که به طور خاص برای بهره‌برداری از تولید افزودنی توسعه داده شده‌اند، اعمال شده است.
یکی از زمینه‌های اکتشاف آینده، نظارت در محل است — توانایی پیگیری و تنظیم فرآیند تولید در زمان واقعی. استورک چشم‌اندازی را توصیف کرد که در آن تولید افزودنی فلزات به اندازه چاپ سه‌بعدی در خانه بی‌وقفه باشد: “ما تغییر پارادایم جدیدی را پیش‌بینی می‌کنیم که در آن سیستم‌های تولید افزودنی آینده می‌توانند حین چاپ تنظیم شوند، کیفیت کامل را بدون نیاز به پردازش پس از آن تضمین کنند و قطعات بتوانند به طور مؤثر از ابتدا تأیید شوند.”
ارجاع: “Machine learning enabled discovery of new L-PBF processing domains for Ti-6Al-4V” توسط تیموتی مونتالبانو، صلاح الدین نایمر، مری دافرون، برندن کروم، سومنات گوش و استیون استورک، 30 دسامبر 2024، Additive Manufacturing.
DOI: 10.1016/j.addma.2024.104632
نظرات کاربران