Machine Learning sagt Festigkeit von WAAM Aluminium voraus
Wire Arc Additive Manufacturing (WAAM, Lichtbogen Drahtauftrag) gilt als schnelles Verfahren für große Metallbauteile. Bei Aluminium hängt die Bauteilqualität stark von den Prozessparametern ab. Forschende der King Faisal University in Saudi Arabien sowie zweier indischer Hochschulen haben dazu ein Machine Learning Modell entwickelt. Es sagt Zugfestigkeit, Dehnung, Biegefestigkeit und Härte von Aluminiumteilen gemeinsam voraus. Gebaut wurden die Testwände auf einer Schweißquelle von Fronius.
Inhaltsverzeichnis
Versuchsaufbau mit 30 Wänden
Die Wände entstanden auf einer Fronius iWave 500i AC/DC, geführt von einem ABB Roboterarm vom Typ IRB 1520ID. Gearbeitet wurde im CMT Modus (Cold Metal Transfer). Er soll Wärmeeintrag, Spritzer und instabile Tropfenübergänge verringern. Als Werkstoff diente die Aluminium Legierung ER5356, abgelegt auf einer festen Kreisbahn.
Das Team variierte vier Größen: Drahtvorschub von 7,5 bis 9,5 m/min, Verfahrgeschwindigkeit von 6 bis 10 mm/s, Zwischenlagentemperatur von 80 bis 160 °C und Schutzgasfluss von 12 bis 18 l/min. Ein Taguchi Versuchsplan (L27) plus drei Mittelpunktläufe ergab 30 Aufbauten. Jede wurde auf Zugfestigkeit, Dreipunkt Biegung und Vickers Härte geprüft, laut dem Bericht.
Die Zugfestigkeit lag zwischen 243,60 und 289,70 MPa. Die Dehnung reichte von 22,83 bis 35,72 Prozent. Am besten schnitten die Mittelpunkteinstellungen ab: 8,5 m/min Drahtvorschub, 8 mm/s Vorschub, 120 °C Zwischenlage und 15 l/min Gas. Die drei Wiederholläufe wichen bei der Zugfestigkeit um weniger als 1,5 MPa voneinander ab.
Das Modell und seine Genauigkeit
Aus den vier Einstellungen leiteten die Forschenden Kenngrößen für Auftragsintensität, Wärmestau, Abkühlschärfe und Schutzgasqualität ab. Diese gingen in ein gestapeltes Modell namens PG-MOSR. Bei fünffacher Kreuzvalidierung (die Daten werden fünfmal anders in Training und Test geteilt) erreichte es ein R² von 0,7799 für die Zugfestigkeit. Bei Dehnung waren es 0,8299 und bei Biegefestigkeit 0,8142. Für die Härte lag der Wert bei 0,8599.
Ein XGBoost Vergleichsmodell war bei der Zugfestigkeit ähnlich gut. Bei den anderen drei Kennwerten fiel es zurück, bei der Härte auf 0,573. Der Drahtvorschub hatte den größten Einfluss auf Zug und Biegefestigkeit. Bei der Dehnung war es die Zwischenlagentemperatur. Die Autoren betonen, dass dies statistische Zusammenhänge sind und keine bewiesenen physikalischen Ursachen.
Auffällig: Eine Version, die nur mit den vier Rohparametern trainiert wurde, schnitt bei allen Kennwerten besser ab (R² von 0,8779 bis 0,8885). Die physikalisch abgeleiteten Größen helfen deshalb vor allem bei der Interpretation und liefern keine zusätzliche Genauigkeit.
Bestätigungsbau und Grenzen
Nach dem Durchrechnen von 50.000 Parameterkombinationen sagte der Optimierer 295,20 MPa Zugfestigkeit und 40,10 Prozent Dehnung voraus. Die Biegefestigkeit sollte bei 397,80 MPa liegen und die Härte bei 71,80 HV. Die gebaute Bestätigungsprobe erreichte 288,90 MPa, 38,25 Prozent, 385,60 MPa und 70,95 HV. Das entspricht Abweichungen von 1,18 bis 4,61 Prozent, wie 3D Printing Industry die Studie zusammenfasst.
Der vorhergesagte Festigkeitsgewinn blieb also aus. Die Dehnung lag dagegen 2,53 Prozentpunkte über dem besten früheren Lauf. Die Bruchflächen zeigten duktiles Versagen mit gehäuften Poren. Das könnte erklären, warum Zug und Biegefestigkeit leicht unter der Prognose blieben.
Die Autoren nennen selbst Einschränkungen. Ein einzelner Bestätigungsbau belegt keine Reproduzierbarkeit. Außerhalb des getesteten Parameterbereichs sollte das Modell nicht ohne weitere Prüfung genutzt werden. Ermüdung, Korrosion, Eigenspannungen und Porosität flossen nicht in die Optimierung ein. Geplant sind unter anderem Porositätsmessung per CT, thermische Überwachung während des Drucks und größere Datensätze.
Einordnung im Metall 3D Druck
Laut den Autoren modellierte frühere Forschung zu WAAM meist Raupengeometrie, Oberflächenrauheit oder nur eine Zielgröße. Mehrere mechanische Kennwerte gemeinsam für ER5356 auf Kreisbahn wurden kaum vorhergesagt. Zum Vergleich nennt der Bericht zwei koreanische Arbeiten zum Laserstrahlschmelzen. Eine nutzt aktives Lernen für eine Titanlegierung und erreichte nach fünf Runden 1190 MPa bei 16,5 Prozent Dehnung. Die andere sagt die Festigkeit einer Aluminiumlegierung aus nur 155 Datenpunkten voraus.
Das Pulverbettverfahren arbeitet anders als WAAM. Wer sich für Verfahren wie Direct Metal Printing interessiert, findet dort andere Prozessfenster und Prüfanforderungen. Gemeinsam ist den Ansätzen, dass Machine Learning Prüfaufwand sparen soll. Ein Überblick zu typischen Materialeigenschaften hilft, die Kennwerte einzuordnen.
Persönliches Fazit
Aus meiner Sicht ist die Studie ein sauberer Beitrag, aber noch weit von der Serienfertigung entfernt. Dreißig Aufbauten und eine Bestätigungsprobe reichen, um ein Parameterfenster zu finden. Für eine Freigabe im Mittelstand braucht es mehr. Dazu gehören Ermüdungsdaten, Porositätsprüfung und Wiederholbarkeit über mehrere Anlagen. Dass das einfachere Modell mit Rohparametern besser abschneidet, finde ich ehrlich gesagt aufschlussreich: Der Mehraufwand für physikalische Kenngrößen lohnt sich hier nicht für die Genauigkeit. Für Anwender bleibt der Nutzen, mit weniger Testwänden schneller ein brauchbares Prozessfenster zu finden. Ob das bei anderen Legierungen und Bahnen trägt, zeigt erst weitere Forschung.
Kommentare