Voorspellen van energieverbruik bij directed energy deposition met incrementeel leren-geïntegreerd transferleren

Waarom slimmer energiegebruik bij 3D-printen ertoe doet

Metalen 3D-printen kan ingewikkelde onderdelen voor straalmotoren en medische implantaten maken, maar verbruikt vaak veel stroom. Die energie heeft zowel een financiële als een klimaatkost. Dit artikel onderzoekt een manier om computers te leren betrouwbaar het energieverbruik te voorspellen — en uiteindelijk te verminderen — bij een specifiek type metaal-3D-printen, zelfs wanneer slechts een kleine hoeveelheid data beschikbaar is. Voor iedereen die geïnteresseerd is in groenere productie of goedkopere hightechproducten wijst dit werk de weg naar slimmere, efficiëntere fabrieken.

Hoe metalen onderdelen met licht worden opgebouwd

Veel metalen 3D-printers werken door een krachtige laser of elektronenbundel op een stroom of bed van metaalpoeder te richten. In het hier bestudeerde directed energy deposition (DED)-proces wordt poeder in een klein smeltbad geblazen dat door een laser ontstaat, en zo laag voor laag het onderdeel opgebouwd. Hoewel deze aanpak minder grondstof verspilt dan het frezen van onderdelen uit blokken, verbruikt ze nog steeds veel energie omdat de machine herhaaldelijk metaal moet smelten en laten stollen. De precieze energie hangt af van het legeringstype, de laservermogen, de bewegingssnelheid en de poedertoevoersnelheid, naast andere factoren. Het voorspellen van energiegebruik op basis van deze instellingen is lastig maar cruciaal voor kostenbeheersing en het inschatten van CO2-uitstoot.

Waarom gebruikelijke voorspellingsmethoden tekortschieten

Onderzoekers hebben zowel fysica-gebaseerde modellen als conventioneel machine learning gebruikt om energieverbruik in additive manufacturing te voorspellen. Fysica-gebaseerde modellen hebben moeite om alle rommelige, reële invloeden vast te leggen, terwijl standaard machine learning meestal grote, rijke datasets nodig heeft die niet alleen procesinstellingen maar ook sensorgegevens en beelden bevatten. Het verzamelen van zulke gedetailleerde data is duur en tijdrovend. Nog erger, modellen die op één metaal of één machineconfiguratie zijn getraind falen vaak wanneer de omstandigheden veranderen. Een model dat werkt voor een nikkellegering werkt mogelijk niet voor een chroom-kobaltlegering, en een model afgestemd op één laservermogen presteert slecht bij een ander vermogen.

Een leerframework dat voortbouwt op eerder opgedane kennis

De auteurs combineren twee ideeën — transferleren en incrementeel leren — om deze beperkingen aan te pakken. Transferleren laat een model hergebruiken wat het heeft geleerd over energiegebruik in één situatie, bijvoorbeeld printen met cobalt-chroom (CoCrMo), wanneer het wordt toegepast op een andere situatie, zoals printen met een nikkelgebaseerde legering (IN718). Incrementeel leren maakt het mogelijk het model stap voor stap bij te werken naarmate nieuwe data binnenkomt, in plaats van volledig opnieuw te trainen. In hun framework wordt het model eerst gefaseerd getraind op één materiaal, beginnend met monsters gemaakt bij lagere laservermogens en vervolgens aangevuld met monsters bij hogere vermogens. Het getrainde model wordt daarna licht bijgetraind op slechts een paar monsters van het nieuwe materiaal of nieuwe vermogensniveau, zodat het zich kan aanpassen zonder een grote nieuwe dataset te vereisen.

Verschillende manieren testen waarop computers patronen herkennen

Om te beoordelen hoe goed dit framework werkt, drukte het team 20 kleine testonderdelen met CoCrMo- en IN718-poeders terwijl ze het elektrische energieverbruik op elk moment maten. Ze gebruikten slechts zes eenvoudige invoerwaarden — tijdstap, laservermogen, scansnelheid, poedertoevoersnelheid, laagnummer en of de machine actief aan het bouwen was of niet — om de energie op elk tijdstip te voorspellen. Vier modeltypen werden vergeleken: een boomgebaseerde methode (XGBoost), een recurrent neuraal netwerk (LSTM), een temporeel convolutioneel netwerk (TCN) en een transformer-model dat attention-mechanismen gebruikt. Over drie taken — overschakelen van CoCrMo naar IN718, van IN718 naar CoCrMo, en van lager naar hoger laservermogen in IN718 — leverde de incrementele transferleren-aanpak consequent voorspellingen die dichter bij de werkelijke metingen lagen dan modellen die op de gebruikelijke manier werden getraind.

Welke benadering het beste werkte

Van de vier modellen stak het temporele convolutionele netwerk bovenuit. Binnen het incrementele transferleren-framework behaalde het een gemiddelde fout van ongeveer 4,65 procent en verklaarde het circa 92 procent van de variatie in energieverbruik, terwijl het redelijk snel te trainen was. De LSTM presteerde ook goed, terwijl de transformer en XGBoost iets achterbleven in nauwkeurigheid, hoewel XGBoost het snelst trainde. De verbeterde modellen waren met name beter in het vastleggen van plotselinge dalen en pieken in energie — de toppen en dalen die aangeven wanneer de laser start, stopt of van laag verandert — in plaats van die te verzachten.

Wat dit betekent voor schonere productie

In eenvoudige bewoordingen toont de studie aan dat een slimme, gelaagde leerstrategie computers in staat stelt nauwkeurig te voorspellen hoeveel vermogen een metalen 3D-printer zal verbruiken, zelfs wanneer ingenieurs slechts een handvol testruns hebben om van te leren en wanneer materialen of procesinstellingen veranderen. Dit soort voorspelling is een belangrijke stap naar het automatisch afstellen van printers om minder energie te verbruiken zonder in te leveren op deelkwaliteit, en naar het schatten van emissies zonder uitputtende metingen. Hoewel echte fabrieken nog meer variatie kennen dan de gecontroleerde omstandigheden in deze studie, biedt het hergebruiken en geleidelijk bijwerken van geleerde kennis een veelbelovende route naar energiebewustere en klimaatvriendelijkere productie.

Bronvermelding: Duan, C., Zhou, F., Liu, Z. et al. Predicting energy consumption in directed energy deposition using incremental learning-integrated transfer learning. npj Adv. Manuf. 3, 6 (2026). https://doi.org/10.1038/s44334-025-00065-6

Trefwoorden: metalen additive manufacturing, voorspelling energieverbruik, transferleren, incrementeel leren, directed energy deposition