Senvol toont meerwaarde materiaalontwikkeling met Machine Learning
Succesvol pilot programma voor defensie nodigt uit te vervolgonderzoeken
In een Amerikaanse defensieprogramma heeft Senvol aangetoond dat Machine Learning algoritmen heel goed gebruikt kunnen worden voor een snelle ontwikkeling van materiaaleigenschappen voor AM. In het onderzoek ging het om 17-4 PH roestvaststaal (304 L) voor een powderd bed fusion AM systeem. Senvol waarschuwt wel dat verder onderzoek nodig is.
Het ontwikkelen van parameters voor de juiste materiaaleigenschappen is in de AM-industrie tijdrovend en kostbaar. De hoge kosten komen voor een groot deel voort uit het feit dat hiervoor een enorme hoeveelheid empirische gegevens moet worden gegenereerd met een vast proces. Dat werpt een drempel op.
Zowel tijdbesparend en kostenverlagend
Veel empirisch verzamelde data
Dat betekent namelijk dat alle empirische gegevens opnieuw moeten worden gegenereerd telkens als er een grote verandering in het proces plaatsvindt. Dit resulteert in een AM proces dat niet alleen kostbaar en tijdrovend is om de eerste keer te implementeren, maar ook om te onderhouden op de lange termijn wanneer er onvermijdelijk veranderingen in het AM proces plaatsvinden. Senvol wil dit versnellen en goedkoper maken door een heel andere aanpak, namelijk door gebruik te maken van Machine Learning algoritmen.
Sneller ontwikkelen
De Senvol ML software ondersteunt de kwalificatie van AM processen en werd in het programma gebruikt om statistisch onderbouwde materiaaleigenschappen te ontwikkelen. Deze software kan toegepast worden op elk AM-proces. Belangrijk is dat dit project geen echte toelaatbare waarden heeft ontwikkeld. Vanwege budgettaire en programmatische beperkingen moest het projectteam een aantal vereenvoudigende beslissingen nemen. Maar volgens betrokkenen is de effectiviteit van deze aanpak bewezen. Het potentieel van deze aanpak is groot.
Positief effect op kosten en planning
Met Senvol ML krijgt men direct een aantal suggesties en kan daardoor volstaan met veel minder empirisch vastgestelde data en sneller naar het einddoel toewerken. Eerder heeft Senvol als eens een soortgelijk resultaat geboekt bij de ontwikkeling van eigenschappen voor een polymeer. Nu dus voor roestvrijstaal. Volgens William E. Frazier, gepensioneerd Chief Scientist for Air Vehicle Engineer bij NAVAIR / The Navy Senior Scientist for Material Engineering, en momenteel President van Pilgrim Consulting LLC, kan de verdere ontwikkeling van de Senvol ML software positieve invloed hebben op de kosten, planning en prestaties van additive manufacturing voor zowel commerciële als defensie doeleinden.
Senvol’s partners in het programma waren EWI en Pilgrim Consulting. Battelle en Lockheed Martin Fellow Hector Sandoval fungeerden ook als technische adviseurs voor het programma. Het contract werd beheerd door het National Center for Manufacturing Sciences (NCMS) via het AMMP Other Transaction Agreement (OTA) programma.
Foto: de teststukken die geprint zijn in het AMMP programma waaraan Senvol heeft deelgenomen.
