Durchbruch in Nanjing: Echtzeit-Temperaturvorhersage mittels KI revolutioniert die additive Metallfertigung

Forscher der Universität Nankin (Nanjing University of Technology) haben ein zukunftsweisendes Modell der künstlichen Intelligenz entwickelt, das einen bedeutenden Fortschritt im Bereich der additiven Fertigung darstellt. Dieses auf physikalischen Prinzipien basierende System ist darauf ausgelegt, die Temperaturverläufe während des Lichtbogen-Draht-Additiv-Fertigungsverfahrens (Wire Arc Additive Manufacturing, WAAM) in Echtzeit präzise zu prognostizieren.

Die Veröffentlichung der Ergebnisse dieser wegweisenden Arbeit in der renommierten Fachzeitschrift Communications Engineering markiert einen wichtigen Meilenstein auf dem Weg zur Steigerung der Qualität und der Prozessstabilität von gedruckten Metallbauteilen. Im Kern der Innovation steht die Schaffung eines geometrischen, physikalisch informierten rekurrenten neuronalen Netzwerks. Dieser hybride Ansatz kombiniert erfolgreich die grundlegenden Gesetze der Physik mit der Leistungsfähigkeit des Deep Learning, wodurch das thermische Verhalten des Materials dynamisch modelliert werden kann.

Die Geschwindigkeit der neuen Lösung ist ein entscheidender Vorteil. Während herkömmliche Simulationsmethoden, wie beispielsweise die Finite-Elemente-Methode, bis zu einer Stunde benötigen können, um verlässliche Resultate zu liefern, demonstriert das neue KI-Modell eine beeindruckende Effizienz: Die Vorhersage erfolgt in lediglich 12 Millisekunden. Diese extreme Beschleunigung ist unerlässlich, um geschlossene Rückkopplungsschleifen in industriellen Produktionsprozessen überhaupt erst implementieren zu können.

Das Team, geleitet von Minxuan Tian von der School of Mechanics and Energy, adressierte eine doppelte Herausforderung: Einerseits galt es, die rechnerische Trägheit klassischer Simulationen zu überwinden, die den Echtzeitbetrieb unmöglich macht. Andererseits sollte die Minimierung der Fehlerakkumulation erreicht werden, welche typischerweise bei rein datengesteuerten Modellen auftritt, wenn sie auf neue Geometrien angewendet werden. In den durchgeführten Versuchen, bei denen dünnwandige Stahlkonstruktionen Schicht für Schicht unter Verwendung einer robotergestützten WAAM-Anlage gedruckt wurden, zeigte das Modell eine maximale Prognoseabweichung von etwa 4,5% in Simulationen und 13,9% bei den tatsächlichen, realen Tests. Diese Ergebnisse belegen die hohe Zuverlässigkeit des hybriden Ansatzes.

Das System ist in der Lage, die Temperaturentwicklung über einen Zeitraum von bis zu 10 Sekunden stabil vorauszusagen. Dieses Zeitfenster ist von zentraler Bedeutung für die effektive Steuerung der Wärmeflüsse und die Reduzierung von Eigenspannungen im Material. Die Kontrolle der Temperatur ist ein Eckpfeiler der metallischen 3D-Drucktechnologie, da ungleichmäßige Erwärmung oder Abkühlung unweigerlich zu Defekten wie Rissen und Verformungen führen, was die Integrität des Endprodukts massiv beeinträchtigt.

Die direkte Integration physikalischer Beschränkungen in die Architektur des neuronalen Netzwerks stellt sicher, dass die Vorhersagen stets physikalisch fundiert bleiben und nicht in unrealistische Bereiche abdriften. Dies ist essenziell, da es dem System ermöglicht, die gewonnenen Daten effektiv auf eine Vielzahl unterschiedlicher geometrischer Formen und Prozessparameter zu übertragen, ohne jedes Mal neu trainiert werden zu müssen. Darüber hinaus hoben die Forscher hervor, dass die signifikante Verkürzung der Trainingszeit durch den gezielten Einsatz von Transfer-Lernen die praktische Anwendbarkeit und Anpassungsfähigkeit dieser Technologie an diverse Fertigungsumgebungen steigert. Dieser methodische Sprung eröffnet neue Möglichkeiten für die Realisierung von Feed-Forward-Steuerungssystemen in der additiven Fertigung. Dadurch können Maschinen Parameter wie den Wärmeeintrag oder die Drahtvorschubgeschwindigkeit proaktiv korrigieren, lange bevor kritische Probleme in der Bauteilqualität entstehen.