KI und AM: Eine kraftvolle Synergie

Apr 24, 2024

Robin Tuluie, Gründer und Co-CEO, PhysicsX

In der digitalen Design-Engineering-Welt, die die Grundlage für Innovationen in der fortschrittlichen Fertigung bildet, hat das „Deep Learning“ der KI das Potenzial, die Art und Weise, wie Produkte hergestellt werden, auf äußerst positive Weise zu verändern.

Es besteht gerade jetzt eine dringende Gelegenheit, die Werkzeuge des computergestützten Engineerings (CFD, FEA, elektromagnetische Simulation usw.) unter Nutzung der Fähigkeiten der KI voll auszuschöpfen. Ja, wir sprechen von Designoptimierung – aber es ist eine Optimierung wie nie zuvor, automatisiert durch maschinelles Lernen, mit einer Geschwindigkeit und Präzision, die weit über das hinausgeht, was die meisten Hersteller heute erreichen können.

Wir sprechen von Quantensprüngen in Effizienz und Genauigkeit: KI-Tools können die Simulationszeiten von Stunden auf nur Sekunden verkürzen, indem sie Deep Learning nutzen, um die Geometrie eines Teils automatisch zu bewerten und dann – innerhalb der vom Benutzer vorgegebenen Grenzen – schrittweise zu ändern um spezifische Ergebnisse zu erzielen. Das resultierende endgültige Design erreicht die ideale Kombination aller Attribute, die seine Hersteller priorisiert haben: geringeres Gewicht, Reduzierung von Spannung und Ermüdung, optimaler Flüssigkeitsfluss, Wärmeaustausch, Leitfähigkeit, Haltbarkeit, Teilekonsolidierung und mehr.

Wie ist das möglich? Mit weniger Zahlenverarbeitung, nicht mehr.

Jetzt gibt es kein Entrinnen mehr vor den Gesetzen der Physik; Sie müssen Ihre Konstruktion sorgfältig durchführen und dabei die marktführenden CAE-Tools verwenden, die am besten mit den Produktanforderungen Ihres Unternehmens kompatibel sind. Aber was KI-Software zur Plattform für digitales Design hinzufügen kann, ist die Möglichkeit, mit Ihren vorhandenen Simulationstools zu arbeiten und die Notwendigkeit zu reduzieren, jede einzelne beteiligte Differentialgleichung zu berechnen.

KI erreicht dieses Kunststück, indem sie die CFD- oder FEA-Gleichungen auf unkonventionelle Weise löst: Maschinelles Lernen untersucht und emuliert dann das gesamte physikalische Verhalten eines Entwurfs, nicht jedes einzelne mathematische Problem, das diesem Verhalten zugrunde liegt. Dadurch werden weitaus weniger Rechenressourcen benötigt und gleichzeitig eine äußerst robuste Bewertung des Designs in jeder anwendbaren Umgebung erreicht. Hunderttausende Designkandidaten können in weniger als einem Tag simuliert und bewertet werden. Fazit: Der Einsatz von KI steigert die typischen Leistungsverbesserungen von 10 bis 20 Prozent allein bei Simulationstools – bis zu 30 Prozent und mehr. (Daraus folgt natürlich, dass die Prüfung fertiger Teile unter realen Bedingungen eine wesentliche Aufgabe bleibt, um sicherzustellen, dass alle Qualitäts- und Leistungskennzahlen erfüllt werden.)

Während maschinelles Lernen sicherlich dem Design von Produkten zugute kommen kann, die mit jedem Herstellungsprozess oder jeder Technologie hergestellt werden, ist KI die Ergänzung zur additiven Fertigung (AM) vielleicht am besten. Maschinelles Lernen kann den AM-Designraum vollständig erkunden und die wahren Grenzen jeder Art von Physik identifizieren, die für eine bestimmte Komponente gilt. Dadurch wird die einzigartige Fähigkeit von AM freigesetzt, jedes Maß an geometrischer Komplexität zu liefern, das die kreativste und kosteneffizienteste Lösung für eine schwierige technische Herausforderung ermöglicht.

Diese Kombination aus additiver Fertigung und KI wurde nun erfolgreich eingesetzt, um die Leistung so unterschiedlicher additiv gefertigter Artikel wie einem 3D-gedruckten Wärmetauscher für Düsentriebwerke, einem Motorrad, das die Meisterschaft gewinnt, oder den Laufradschaufeln einer Herzpumpe zu optimieren und zu verbessern Patienten mit Herzinsuffizienz und Dutzende anderer Anwendungen in fortschrittlichen Industrien.

Darüber hinaus haben auch bestimmte Hersteller von AM-Systemen den Wert dieser Möglichkeit zur Verbesserung ihrer eigenen Maschinen erkannt – sie sparen Zeit, steigern die Leistung und optimieren die Genauigkeit ihrer Drucke.

Hier ist ein interessantes Beispiel eines AM-Ausrüstungsanbieters, der Deep-Learning-Software zur Optimierung seines 3D-Druckers einsetzte:

Da die fortschrittliche Metall-AM nun zertifizierte Teile für Raketen, Flugzeuge und die Schwerindustrie (Öl und Gas, Energie usw.) produziert, ist die Kundennachfrage nach Geräten mit größerem Volumen stark gestiegen. In Erwartung dessen begann das in Kalifornien ansässige Unternehmen Velo3D vor einigen Jahren mit der Entwicklung seines Sapphire XC mit größerem Volumen (zusätzliche Kapazität, mit einer um 400 Prozent größeren Baukammer) mit acht 1.000-Watt-Lasern, viermal so viel wie der ursprüngliche Sapphire Maschine.

Laser erzeugen Ruß, wenn sie Metallpulvermaterial in einer AM-Baukammer schmelzen. Während dieses Vorgangs verdampft ein Teil des Materials und kondensiert zu sehr kleinen Partikeln, die die Laser verdecken können, wenn sie auf das Pulverbett zielen. Die Lösung hierfür besteht darin, einen konstanten Inertgasstrom (typischerweise Argon, aber es hängt von der Reaktivität des zu schmelzenden Materials) bereitzustellen, um den erzeugten Ruß wegzuspülen.

Manchmal können jedoch Partikel diesem Fluss entkommen und auf den Fenstern landen, durch die das Laserlicht in die Kammer eintritt, was zu Verunreinigungen und Erwärmung führt, die das Fenster selbst verformen können. Dadurch entsteht praktisch eine unbeabsichtigte „Linse“ im Strahlengang, die das Laserlicht aus seiner beabsichtigten Richtung lenkt und seine Punktgröße auf dem Materialbett defokussiert. Da sich dies verständlicherweise auf die Verarbeitungsqualität auswirkt, ist es unbedingt erforderlich, dass die Laserfenster während des gesamten Aufbaus sauber bleiben.

Velo3D hatte bereits über den optimalen Gasfluss für die Baukammern seiner größeren Maschinen insgesamt nachgedacht. Sie wussten jedoch, dass das längere Pulverbett, das größere Innenvolumen und die dichtere Packung mehrerer Laser eine Herausforderung bei der Entwicklung optischer Fensterdüsen für ihr XC-System darstellen würden. Man ging davon aus, dass die neuen Maschinen etwa viermal so viel Ruß erzeugen würden wie die Originalmaschinen.

Das Unternehmen probierte zunächst einige interne CFD-Simulationen (Computational Fluid Dynamics) aus und beauftragte dann ebenfalls einen Softwareanbieter – doch die Ergebnisse blieben hinter den Leistungserwartungen zurück. Der Zeitaufwand für die Einrichtung mehrerer CFD-Simulationsiterationen und die manuelle Änderung von Parametern wie den Durchmessern der Düsenlöcher war arbeitsintensiv – im Wesentlichen eine Menge mühsamer Vermutungen und Prüfungen.

Ein Chat mit einem KI-CAD-Designer über ChatGPT

Wie verändert KI die Fertigung?

Velo3D beauftragte PhysicsX mit dem Entwurf und der Simulation einer Lösung. PhysicsX verfügt über umfassende Erfahrung in Simulation, Optimierung und Design für enge Pakete (aus umfangreicher Arbeit im F1-Rennsport und Fachwissen in Datenwissenschaft, maschinellem Lernen und technischer Simulation) sowie über proprietäre, durch Simulation validierte Tools, die Designs mithilfe von maschinellem Lernen automatisch iterieren können /KI-basierte Simulationen. Der PhysicsX-Ansatz umfasst die Erstellung einer robusten Schleife zwischen CFD, Werkzeugen zur generativen Geometrieerstellung und einem KI-Controller, um einen geometrischen Deep-Learning-Ersatz zu trainieren. Die Geschwindigkeit des Ersatzes, die in weniger als einer Sekunde hochwertige CFD-Ergebnisse liefert, wird dann mit einer superschnellen geometrischen generativen Methode in einer weiteren maschinellen Lernschleife ausgenutzt, die den Entwurf im Hinblick auf die vom Ingenieur als wichtig erachteten vielfältigen Ziele tiefgreifend optimiert. Die Genauigkeit der Deep-Learning-Tools und der robuste Arbeitsablauf ermöglichen eine äußerst genaue Lösung für die endgültige Validierung der Ergebnisse anhand des validierten CFD-Modells.

Im Fall der Velo3D-Fensterdüse wurde eine Reihe von Metriken verwendet, um automatisch den Anteil des rezirkulierenden Flusses innerhalb des Argonvorhangs zu quantifizieren, der sich nach oben zum Fenster bewegte. PhysicsX hat die Sapphire-Fensterlösung zu Beginn des Projekts einem Benchmarking unterzogen, dann ihre proprietäre KI-/maschinelle Lernsoftware angewendet und riesige Mengen an Simulationen durchgeführt, um das endgültige Design zu optimieren. Dies führte zu einem Düsendesign, das den optimalen Argonvorhangstrom erzeugte und gleichzeitig innerhalb des Fertigungsbereichs der Additivmaschine arbeitete.

Die Komplexität des endgültigen Leitschaufeldesigns wäre für viele herkömmliche AM-Systeme eine Herausforderung, aber die Fähigkeit der Sapphire-Maschine, extrem dünne, glatte Leitschaufeln mit geringem Winkel in 3D zu drucken, lieferte die Geometrie, die es den Düsen ermöglichte, wie vorgesehen zu funktionieren. Das endgültige Design wurde für eine Original-Sapphire optimiert und auf dieser hergestellt, und die allererste jemals hergestellte Sapphire XC wurde erfolgreich mit den neuen Fensterdüsenteilen betrieben – ein Beispiel für eine AM-Maschine, die ihre eigenen Teile druckt.

Dieses Beispiel einer AM-Düsenoptimierung veranschaulicht die potenzielle Synergie zwischen KI-Designoptimierung und 3D-Druck auf verschiedene Weise. Heutzutage kann keine hochtechnologische Entwicklung mehr stattfinden, ohne dass Computersimulationen eine Rolle spielen. Dennoch erfordert der Simulationsprozess immer noch erhebliche Rechenressourcen und praktische Optimierungsfähigkeiten, die die Prozessverbesserung verlangsamen – und genau daran arbeitet die AM-Branche noch.

Hier kann KI eingreifen, um die Entscheidungsfindung für Designer und Ingenieure, die in der additiven Fertigung arbeiten, intelligent zu beschleunigen und zu automatisieren. Im obigen Fall hat die Deep-Learning-Optimierung nicht nur die Geometrie einer funktionierenden 3D-Druckerkomponente verändert, sondern auch die Funktion des wichtigsten Lasersystems verbessert, das eine extreme Schärfe und damit die Qualität des Endprodukts ermöglicht. Dies sind genau die Eigenschaften, die die AM-Branche noch ausbauen und auf globaler Ebene liefern muss – was Luft- und Raumfahrt, Automobil, Wissenschaft, Medizin und andere Bereiche von der Technologie erwarten. Deep Learning kann der Beschleuniger sein, der die AM-Branche dazu bringt, diese Ziele zu erreichen.