Senvol Machine Learning versnelt kwalificatie AM-materialen

Senvol heeft in een Amerika Makes project aangetoond dat Machine Learning ingezet kan worden voor kwalificatie van materialen voor AM-processen. Met Machine Learning werden net zo nauwkeurig maar tegen veel lagere kosten materialen gekarakteriseerd en gekwalificeerd. In het project ging het om PA11 maar Senvol zegt dat het concept toepasbaar is op vrijwel alle materialen en AM-processen.

---

Het kwalificeren van materialen voor additive manufacturing is een kostbaar en tijdrovend proces. Om de grenzen te ontdekken van hoeveel materialen in een toepassing belast kunnen worden, of welke eigenschappen te verwachten zijn, zijn veel empirische data nodig. Dat heeft een groot aandeel in de totale kosten van 3D printen en zet daarmee een rem op de bredere toepassing, bijvoorbeeld in de militaire luchtvaart. Want bij elke grote verandering in het proces begint het validatieproces opnieuw.

Machine Learning alternatief voor teststaafjes

Senvol heeft aangetoond dat Machine Learning een goed alternatief is voor het proefondervindelijk vaststellen van de maximale eigenschappen. Dat heeft de softwareontwikkelaar samen met Northrop Grumman, het National Institute for Aviation Research (NIAR), Stratasys Direct Manufacturing en Pilgrim Consulting aangetoond. Het project is financieel ondersteund door Amerika Makes. De focus in dit project lag op het gebruik van vlamvertragend PA11 poeder voor polymeer powderbed fusion systemen. Senvol benadrukt evenwel dat het concept ook toepasbaar is op andere materialen net als andere AM-technieken. Met Machine Learning analyseren de Senvol algoritmen de procesparameters, proceskenmerken, materiaaleigenschappen en mechanische performance. Op basis hiervan komt Senvol ML tot nauwkeurige karakterisering van materialen en processen.

Digitale benadering

“Additive manufacturing is een moderne en digitale fabricagemethode, die je snel kunt aanpassen. Doorgaan met het gebruik van traditionele benaderingen voor de ontwikkeling van materiaaltoelatingen is een knelpunt”, zegt Brandon Ribic, America Makes Technology Director. “Het programma van Senvol was zeer krachtig in het demonstreren van een benadering van additieve productietoelatingen die gebruik maakt van het digitale wezen van de technologie.” Hij noemt het gebruik van Machine Learning een moderne benadering die past bij het karakter van additive manufacturing. Machine Learning heeft zich bovendien bewezen in andere toepassingen.

Substantiële kostenreductie

Het statistisch ontwikkelen van de mechanische eigenschappen van de geprinte materialen, kan tot een substantiële verlaging van de kosten leiden, verwacht Senvol president Zach Simkin. Hij noemt de resultaten van het Amerika Makes project “ongelooflijk succesvol”. Hij ziet in de resultaten aanknopingspunten om nog verder te gaan met de mogelijkheden van Machine Learning. Daarmee biedt de software een antwoord op de dringende vragen uit de industrie. Met deze aanpak kan additive manufacturing in een versnelling raken. Met name in de Amerikaanse luchtmacht kunnen daarmee projecten voor gewichtsreductie sneller van de grond komen.