Wissenschaftler der Nanyang Technological University, Singapur (NTU Singapore), haben ein schnelles und kostengünstiges Bildgebungsverfahren entwickelt, das die Struktur von 3D-gedruckten Metallteilen analysieren und Einblicke in die Qualität des Materials geben kann.
Die meisten 3D-gedruckten Metalllegierungen bestehen aus unzähligen mikroskopisch kleinen Kristallen, die sich in Form, Größe und Ausrichtung des Atomgitters unterscheiden. Durch die Zuordnung dieser Informationen können Wissenschaftler und Ingenieure auf die Eigenschaften der Legierung wie Festigkeit und Zähigkeit schließen. Dies ähnelt der Betrachtung der Holzmaserung, bei der Holz am stärksten ist, wenn die Maserung kontinuierlich in die gleiche Richtung verläuft.
Diese neue Made-in-NTU-Technologie könnte beispielsweise der Luft- und Raumfahrtbranche zugute kommen, wo eine kostengünstige, schnelle Bewertung unternehmenskritischer Teile – Turbinen, Lüfterblätter und andere Komponenten – ein entscheidender Faktor für die Wartungs-, Reparatur- und Überholungsbranche sein könnte .
Bisher wurde die Analyse dieser „Mikrostruktur“ in 3D-gedruckten Metalllegierungen durch mühsame und zeitaufwändige Messungen mit Rasterelektronenmikroskopen erreicht, die zwischen 100.000 und 2 Millionen S$ kosten.
Die von Nanyang-Assistenzprofessor Matteo Seita und seinem Team entwickelte Methode liefert innerhalb weniger Minuten die gleiche Informationsqualität, indem ein System verwendet wird, das aus einer optischen Kamera, einer Taschenlampe und einem Notebook-Computer besteht, auf dem eine proprietäre Software für maschinelles Lernen ausgeführt wird vom Team entwickelt – wobei die Hardware etwa 25.000 S$ kostet.
Die neue Methode des Teams erfordert zunächst die Behandlung der Metalloberfläche mit Chemikalien, um die Mikrostruktur sichtbar zu machen, dann das Platzieren der Probe mit Blick auf die Kamera und das Aufnehmen mehrerer optischer Bilder, während die Taschenlampe das Metall aus verschiedenen Richtungen beleuchtet.
Die Software analysiert dann die Muster, die durch Licht erzeugt werden, das von der Oberfläche verschiedener Metallkristalle reflektiert wird, und leitet ihre Ausrichtung ab. Der gesamte Vorgang dauert etwa 15 Minuten.
Die Ergebnisse des Teams wurden in der von Experten begutachteten wissenschaftlichen Zeitschrift veröffentlicht npj Computermaterialien.
„Mit unserer kostengünstigen und schnellen Bildgebungsmethode können wir gute 3D-gedruckte Metallteile leicht von fehlerhaften unterscheiden. Derzeit ist es unmöglich, den Unterschied zu erkennen, wenn wir die Mikrostruktur des Materials nicht im Detail beurteilen“, erklärt Asst Prof. Seita, von NTU School of Mechanical and Aerospace Engineering und School of Materials Science and Engineering.
„Keine zwei 3D-gedruckten Metallteile sind gleich, auch wenn sie mit derselben Technik hergestellt wurden und dieselbe Geometrie haben. Konzeptionell ist dies so, als würden zwei ansonsten identische Holzartefakte jeweils eine unterschiedliche Maserung aufweisen.“
Neues Bildgebungsverfahren als Schub für 3D-Druck-Zertifizierung und Qualitätsbewertung
Asst Prof. Seita glaubt, dass ihr innovatives Bildgebungsverfahren das Potenzial hat, die Zertifizierung und Qualitätsbewertung von Metalllegierungsteilen zu vereinfachen, die durch 3D-Druck, auch bekannt als additive Fertigung, hergestellt werden.
Eine der am häufigsten verwendeten Techniken zum 3D-Drucken von Metallteilen verwendet einen Hochleistungslaser, um Metallpulver zu schmelzen und Schicht für Schicht miteinander zu verschmelzen, bis das vollständige Produkt gedruckt ist.
Die Mikrostruktur und damit die Qualität des resultierenden gedruckten Metalls hängt jedoch von mehreren Faktoren ab, darunter wie schnell oder intensiv der Laser ist, wie viel Zeit das Metall zum Abkühlen hat, bevor die nächste Schicht geschmolzen wird, und sogar von Typ und Marke von verwendeten Metallpulvern.
Aus diesem Grund kann das gleiche Design, das von zwei verschiedenen Maschinen oder Produktionshäusern gedruckt wird, zu Teilen unterschiedlicher Qualität führen.
Anstatt ein kompliziertes Computerprogramm zu verwenden, um die Kristallorientierung aus den erfassten optischen Signalen zu messen, verwendet die von Asst Prof. Seita und seinem Team entwickelte „intelligente Software“ ein neutrales Netzwerk, das nachahmt, wie das menschliche Gehirn Assoziationen bildet und Gedanken verarbeitet. Das Team verwendete dann maschinelles Lernen, um die Software zu programmieren, indem es Hunderte von optischen Bildern fütterte.
Schließlich lernte ihre Software, die Ausrichtung von Kristallen im Metall anhand der Bilder vorherzusagen, basierend auf Unterschieden in der Lichtstreuung an der Metalloberfläche. Es wurde dann getestet, um eine vollständige „Kristallorientierungskarte“ erstellen zu können, die umfassende Informationen über Kristallform, -größe und Atomgitterorientierung liefert.
Mallory Wittwer et al, Ein maschineller Lernansatz zur Abbildung der Kristallorientierung durch optische Mikroskopie, npj Computermaterialien (2022). DOI: 10.1038/s41524-021-00688-1