Die Herausforderung der Materialermüdung bei der additiven Fertigung: Ein simulationsbasierter Ansatz

Additive Fertigung: Unterstützung der Industrie bei der Herstellung besserer Produkte

Die additive Fertigung (AM), auch als 3D-Druck bekannt, ermöglicht die schichtweise Herstellung komplexer Bauteile unter optimalem Materialeinsatz. Dies steht im Gegensatz zur subtraktiven Fertigung, bei der überflüssiges Material aus größeren Werkstücken entfernt wird. AM hat sich durch große Konstruktionsfreiheit, geringeren Materialverbrauch und kurze Vorlaufzeiten nach dem Entwurf einer 3D-Struktur als vorteilhaft erwiesen, da es direkt 3D-gedruckt werden kann. Es funktioniert für Metalle und Polymere, die eine Reihe von Prozessen verwenden. In diesem Text befassen wir uns mit der Materialermüdungsproblematik bei der additiven Fertigung von Metalllegierungen.

Die Metall-AM-Verfahren können lokale Artefakte in der gedruckten Struktur verursachen, etwa unterschiedliche Oberflächenrauheit, Poren und Mikrostrukturabweichungen. Die Kontrolle des Auftretens und die Ursachen dieser lokalen Artefakte sind noch nicht vollständig erforscht und hängen vom jeweiligen Prozesstyp ab. Darüber hinaus mangelt es an CAE-Tools mit prädiktiver Qualität komplexer dynamischer Leistung, die die Auswirkungen solcher lokalen Artefakte erklären können, die durch den AM-Prozess induziert werden. Daher ist die Industrie (Automotive, Luft- und Raumfahrt, Maschinenbau ...) oft auf teure Prototypentests angewiesen, für die die Ergebnisse erst sehr spät im Produktentwicklungsprozess vorliegen.

Siemens Digital Industries Software liefert simulationsgestützte Lösungen, um die Materialstruktur besser zu verstehen sowie die Leistung gedruckter Produkte vorherzusagen und zu optimieren. Dies gewinnt zunehmend an Bedeutung, da sich AM von konzeptionellen Konstruktionsstudien zum Druck funktionaler Bauteile entwickelt, bei denen die Leistung (Lebensdauer, strukturelle Integrität …) entscheidend ist. Dieser Blogbeitrag betrachtet das Attribut „Lebensdauerleistung“. Sie können auch auf unserer Website zur Lebensdauer von Automobilen nachsehen.

Die Herausforderung der Materialermüdung bei der additiven Fertigung

Mehrere AM-Prozessfaktoren beeinflussen die induzierte Ermüdungsfestigkeit. Der AM-Prozess ist weniger kontrolliert als die konventionelle Fertigung und führt zu prozessbedingten, ermüdungsbeeinflussenden Artefakten. Diese ermüdungswirksamen Artefakte hängen stark von der Geometrie ab und treten daher lokal begrenzt auf.

All dies macht es schwierig, das Ermüdungsverhalten von AM-Materialien vorherzusagen. Die Herausforderung der Materialermüdung in der additiven Fertigung ist in Abbildung 1 dargestellt. Die Hauptfaktoren für das Ermüdungsverhalten sind Gefüge, Porosität, Oberflächenrauheit und Eigenspannungen. Die Ermüdungslebensdauer jedes Druckerzeugnisses ergibt sich stets aus dem Zusammenspiel verschiedener lokaler Einflüsse. Es ist unmöglich, diese Faktoren in einem gedruckten Bauteil zu trennen oder ein mathematisches Modell zu erstellen, das deren Wechselwirkungen und isolierte Auswirkungen beschreibt [1].

Wie bereits erwähnt, ermöglicht AM die Fertigung komplexer Geometrien, die häufig aus topologieoptimierten Formen hervorgehen – wie das in Abbildung 1 gezeigte Bauteil. Die Qualität des 3D-gedruckten Bauteils hängt von verschiedenen AM-Prozessen und konstruktionsbezogenen Aspekten ab.

Oberflächenrauheit von 3D-gedruckten Komponenten

Beispielsweise beeinflusst die Baurichtung indirekt die Orientierung der einzelnen Oberflächen des gedruckten Objekts. Da die Oberflächenrauheit eines 3D-gedruckten Bauteils auch vom Überhangwinkel abhängt (Winkel zwischen Bauplattform und überhängender Fläche in x-z- oder y-z-Ebene), führt eine veränderte Ausrichtung des Bauteils zu einer anderen Verteilung der Oberflächenrauheit. Man könnte den Bauraum optimal nutzen, indem mehrere Exemplare derselben Komponente in verschiedenen Ausrichtungen gestapelt werden, um möglichst viele Teile in einem Durchgang zu fertigen.

Das Ausrichten verschiedener Komponenten in unterschiedlichen Orientierungen führt zu Bauteilen mit abweichenden Verteilungen von Oberflächenrauheit, Porosität und lokaler Mikrostruktur. Abbildung 2 zeigt Entsprechendes für die Oberflächenrauheit.

3D-Druck für sicherheitskritische, tragende Komponenten

Da die Oberflächenrauheit ein wesentlicher Einflussfaktor für die Ermüdung ist, werden die verschiedenen Komponenten unterschiedliches Ermüdungsverhalten aufweisen, auch wenn sie die gleiche Geometrie haben und mit derselben Maschine aus demselben Material hergestellt wurden.

Zudem beeinflussen die Eigenspannungen im Bauteil während der additiven Fertigung sowie die nachfolgenden Wärmebehandlungen maßgeblich das Ermüdungsverhalten der Komponente.

Um den 3D-Druck sicherheitskritischer, lasttragender Bauteile zu ermöglichen, ist die Vorhersage des Einflusses additiv hergestellter lokaler Artefakte auf die Ermüdungslebensdauer entscheidend. Um dies zu erreichen, ist die Vorhersage lokaler Artefakte nur ein Puzzleteil des Ganzen. Man benötigt zudem Methoden, um die Auswirkungen AM-bedingter lokaler Artefakte auf das Ermüdungsverhalten des 3D-gedruckten Materials unmittelbar zu beurteilen. Zudem ist ein effizienter Lebensdauer-Solver erforderlich, der lokale ermüdungsrelevante Artefakte berücksichtigen kann. In den folgenden Absätzen werden diese Punkte genauer beleuchtet.

Maschinelles Lernen zur präzisen Prognose der Ermüdungseigenschaften additiv gefertigter Strukturen

Das Ermüdungsverhalten des 3D-gedruckten Materials hängt von mehreren Aspekten ab, wie z. B. dem Herstellungsprozess und dem verwendeten Material, der Geometrie und den Belastungsbedingungen, der Mikrostruktur, der Eigenspannung, der Oberflächenrauheit, den Porositäten und den Nachbehandlungen (Oberflächen- und Volumenbehandlungen). Bei der Charakterisierung des Ermüdungsverhaltens eines Werkstoffs sind üblicherweise Probengeometrie, Fertigungsprozess und Belastungsparameter vorgegeben. Anschließend wird der Einfluss der übrigen Parameter untersucht. Im Fall von AM sind viele der Zustände jedoch eng miteinander verwoben. Beispielsweise beeinflusst die Baurichtung indirekt die Oberflächenrauheit und Mikrostruktur der Probe (da der schichtweise Aufbau bestimmte Wachstumspfade der Metallkörner begünstigt).

Wie bereits erwähnt, treten in komplexen 3D-gedruckten Bauteilen zahlreiche Kombinationen dieser Faktoren auf. Um die Ermüdungsleistung präzise einschätzen zu können, sind Daten zu allen vorkommenden Kombinationen ermüdungsrelevanter Faktoren erforderlich. Das bedeutet, die Charakterisierung der Ermüdungseigenschaften eines 3D-gedruckten Materials erfordert zwangsläufig eine umfangreiche Testreihe, um möglichst viele Faktorkombinationen abzudecken. Es stellt zudem eine beträchtliche Herausforderung dar, Modelle zu entwickeln, die sich eignen und die Beurteilung unerprobter Kombinationen ermöglichen.

Neuer Ansatz zur Bewertung des Ermüdungsverhaltens

Siemens Digital Industries Software (DI SW) hat einen neuartigen Ansatz zur Beurteilung der Ermüdungsleistung 3D-gedruckter Komponenten mittels maschinellen Lernens entwickelt [2][3].

Um das Ermüdungsverhalten des 3D-gedruckten Bauteils aus Abbildung 2 präzise vorherzusagen, ist ein Materialmodell erforderlich, das die Auswirkungen der AM-bedingten lokalen Artefakte auf die Ermüdungseigenschaften berücksichtigt. Ein auf maschinellem Lernen (ML) beruhendes Materialmodell wurde entwickelt, das mit einem begrenzten Trainingsdatensatz auskommt. Dieses ML-Modell passt den Multiattributraum von SN-Kurven (Wöhler-Kurven) an, die für diverse Bedingungen (Aufbauorientierung, Oberflächen- und Wärmebehandlungen etc.) experimentell ermittelt wurden, und kann SN-Kurven für ungetestete Bedingungskombinationen vorhersagen. Das ML-Materialmodell wurde als AM-Erweiterungsmodul in unsere offene Lebensdauerberechnungs-Umgebung integriert, um die Auswirkungen der AM-bedingten lokalen Ermüdungsfaktoren zu berücksichtigen [4].

Experimentelle Daten für das ML-Algorithmus-Training wurden mittels des in Quelle [2] beschriebenen Versuchsaufbaus und -verfahrens generiert. Dazu zählen von 3D Systems nach festgelegten Verarbeitungsparametern gedruckte Proben, deren Ermüdungsprüfung die Abteilung Fertigungsprozesse und -systeme (MAPS) der KU Leuven mittels Instron ElectroPuls E10000 unter Einbeziehung verschiedener Oberflächen- und Wärmebehandlungen durchführte [5]. Angesichts der hohen Kosten für Ermüdungstests bei additiv gefertigten Teilen ist es nicht praktikabel, sämtliche Parameterkombinationen zu prüfen.

Gauß Prozess Regression

Außerdem ermöglicht die Probekörperprüfung möglicherweise nicht die Nachbildung aller Bedingungen, die etwa in dünnwandigen Bereichen oder nahe innerer Hohlräume auftreten können. Daher bedarf es einer Methodik, die Ermüdungseigenschaften vieler Bauteile anhand weniger Testergebnisse extrapolieren kann. Zu diesem Zweck kommt maschinelles Lernen (ML) mit einer sogenannten Gauß-Prozess-Regression zum Einsatz. Der Vorteil dieses Ansatzes gegenüber herkömmlichen Interpolations- und Extrapolationsmethoden liegt in den minimalen Annahmen bezüglich der zulässigen mathematischen Modelle zur Approximation der Testdaten. Dies ist angesichts der komplexen Wechselwirkungen zwischen verschiedenen Parametern und der begrenzten Datenlage, die für die Kalibrierung zur Verfügung steht, wichtig.

Der ML-Ansatz wurde implementiert und erweitert den vorhandenen Lebensdauer-Solver in Simcenter 3D Specialist Durability. Die Einflussgrößen auf die Ermüdungseigenschaften lassen sich je Region oder Element festlegen. Darüber hinaus können sie vom Anwender über eine Datei oder mit einem automatischen Tool eingegeben werden, das jedem Element ermüdungsrelevante Parameter zuweist, wie in Abbildung 2 dargestellt.

Workflow

Eine schematische Darstellung des Workflows ist in Abbildung 3 zu sehen. Es verknüpft effizient die AM-bedingten Ermüdungsfaktoren mit deren Auswirkung auf die lokale Ermüdungsbeständigkeit des 3D-gedruckten Materials, um eine durch AM optimierte Lösung für die Langlebigkeit zu ermöglichen. Auf der linken Seite wird der ML-Ansatz gezeigt, der lokale Artefakt-Prognosen als Input verwendet und daraus geschätzte lokale SN-Kurven für den Lebensdauer-Solver ableitet. Auf der rechten Seite sind das CAD-Modell (1) für die FE-Analyse (Ergebnisse nicht dargestellt) sowie das automatische Merkmalsextraktionstool (2) abgebildet. Letzteres prognostiziert die lokalen, AM-bedingten Ermüdungsfaktoren als Eingabe für das ML-Modell (3). Anschließend kann die AM-gestützte Lebensdauersimulation durchgeführt werden. Die vom Anwender festgelegten Lasten sind in der Darstellung nicht berücksichtigt.

Der oben dargestellte Workflow ermöglicht es dem Anwender, beispielsweise den Einfluss der Bauteilausrichtung im Bauraum auf das Ermüdungsverhalten zu bewerten. In dem beschriebenen Fall mehrerer Instanzen derselben Komponente mit unterschiedlichen Ausrichtungen im Baufach kann der Anwender mithilfe des in Abbildung 3 gezeigten Ansatzes die lokale Oberflächenrauheit für eine gewählte Bauorientierung der Komponente prognostizieren. Die Oberflächenrauheit liegt elementweise im Modell vor und wird gemeinsam mit weiteren relevanten Parametern, wie der Wärmebehandlung des gewählten Materials, an das ML-Materialmodell übergeben.

Maschinelles Lernen zur Materialmodellierung dient zur Ableitung lokaler SN-Kurven an jedem Oberflächenelement des Strukturnetzes, das dem CAD-Geometriemodell unter Berücksichtigung lokaler ermüdungsrelevanter Faktoren entspricht. Um die Lebensdauerleistung des gesamten gedruckten Bauteils zu berechnen, wird dann eine Berechnung der Lebensdauer mit der AM-verbesserten Simcenter 3D Specialist Durability-Lösung durchgeführt. Hiermit erfolgt die Schadensakkumulation für die gesamte Struktur gemäß den lokalen Bedingungen, einschließlich zweier neuer, hochrelevanter Funktionen: die effiziente Verarbeitung lokaler Materialeigenschaften und die Zuordnung lokaler SN-Kurven zum Modell. Diese virtuelle Methode, mit der Sie Hunderte, wenn nicht Tausende von Tests vermeiden – durch den Einsatz von maschinellem Lernen in Verbindung mit einem begrenzten Testsatz, was zu einem Modell führt, das Interpolationen/Extrapolationen für nicht getestete Bedingungen ermöglicht.

Ergebnisse und Ausblick

Die Anwendung von maschinellem Lernen zur präziseren Vorhersage der Ermüdungslebensdauer additiv gefertigter Bauteile bietet mehrere Vorteile. Erstens braucht man keine Annahmen, wie verschiedene Artefakte zusammen die Ermüdungslebensdauer beeinflussen. Darüber hinaus ist der Ansatz flexibel, berücksichtigt lokale Phänomene, erfordert nur begrenzte Tests, ermöglicht präzise Extrapolationen und die entkoppelte Analyse verschiedener Einflussfaktoren (was mit experimentellen Daten oft nicht realisierbar ist).

Abbildung 4 zeigt die Ergebnisse eines Blindtests zur Validierung des Modells. Der ML-Algorithmus wurde anhand einer Auswahl experimentell ermittelter SN-Kurven für diverse Faktorkombinationen trainiert. Einige Kombinationen wurden aus dem Trainingssatz ausgeschlossen, vor allem 90-Grad-orientierte, bearbeitete und heiß-isostatisch gepresste (HIP) Proben sowie bearbeitete, 50-Grad-orientierte, vollständig geglühte (FA) und HIP-behandelte Proben. In Abbildung 4 zeigen die roten durchgezogenen Linien die prognostizierten SN-Kurven für die genannten unbekannten Fälle, samt zugehörigem Konfidenzintervall (gestrichelte Linien). Die tatsächlichen Testergebnisse wurden dann über die Vorhersagen gelegt und als blaue Kreise in der Abbildung dargestellt. Dies belegt die hohe Übereinstimmung zwischen Prognosen und realen Messwerten.

Die AM-gestützte Lebensdauersimulation in Simcenter 3D Specialist Durability kombiniert das Beste aus beiden Welten der experimentellen Daten und der physikalisch basierten Modellierung. Es ist auch möglich, sich rein auf experimentelle und/oder Simulationsdaten zu verlassen. Mithilfe der Open Solver-Technologie (des Simcenter 3D Specialist Durability Solver) lässt sich eine maßgeschneiderte Lebensdaueranalyse durchführen, um die Lebensdauerleistung einer Struktur zu berechnen. Dabei werden die wichtigsten ermüdungsbeeinflussenden Faktoren berücksichtigt: die Oberflächenrauheit, wie in diesem Blogbeitrag erläutert, sowie weitere lokale Phänomene (poröse Bereiche, Eigenspannungen usw.). Eine laufende Forschung befasst sich mit der Vorhersage von Ermüdungsverhalten und Wöhlerkurven mittels Multiskalenmodellierung, basierend auf einem von der Universität Gent entwickelten Ansatz [6].

Dieser Blogbeitrag beleuchtet eine neue Lösung für die Materialermüdungsproblematik bei additiv gefertigten Teilen. In einem umfassenderen Ansatz entwickelt Siemens Digital Industries Software prädiktive Simulationsfunktionen für AM-Materialien über diverse Leistungsmerkmale (Festigkeit, Steifigkeit, Lebensdauer …) hinweg, um eine vorausschauende CAE-Toolchain für AM zu etablieren. Weitere Informationen finden Sie unter diesem Link. Im Rahmen des FuE-Projekts FATAM werden neue Simulationsmethoden zur Berechnung des Ermüdungsverhaltens von additiv gefertigten Materialien entwickelt. Mehr über FATAM erfahren Sie in unserem vorherigen Blogbeitrag.  

Mehr dazu in diesem White Paper

Für weitere Informationen empfehlen wir Ihnen das White Paper „Predict fatigue life for additive manufacturing with Simcenter 3D“ (Vorhersage der Ermüdungslebensdauer für die additive Fertigung mit Simcenter 3D). Es markiert einen bedeutenden Fortschritt beim Einsatz maschinellen Lernens zur Prognose lokaler Ermüdungseigenschaften für unsere Lebensdauerberechnungen in Simcenter 3D. Es präsentiert zudem eine innovative Methode, mit der Hersteller haltbare Teile deutlich schneller und kostengünstiger drucken können.  

Danksagung

Die Autoren danken dem IBO-Projekt FATAM („Fatigue of Additive Manufactured components - Relating AM process conditions to the long-term dynamic performance of metallic AM parts“, 2017-2020), das sich in das Forschungsprogramm MacroModelMat (M3) einfügt, das von Siemens (Siemens Digital Industry Software, Belgien) koordiniert und von SIM (Strategic Initiative Materials in Flanders, siehe hier) und VLAIO (Flämische Regierungsagentur Flanders Innovation & Entrepreneurship, siehe hier finanziert wird. 

Referenzen

[1] H. Erdelyi, „ML-enhanced Fatigue Analysis of AM Components", Formnext 2019, Frankfurt, Deutschland, 19.–22. November 2019.
[2] N. Lammens, H. Erdelyi, T. Craeghs, B. Van Hooreweder, W. Van Paepegem, „Effect of process induced artifacts on the fatigue life estimation of additive manufactured metal components“, ESIAM19, Trondheim, Norwegen, 9.–11. September 2019.
[3] M. Schultz, N. Lammens, M. Hack, H. Erdelyi, „Machine Learning Enhanced Durability Analysis of Additively Manufactured Lightweight Components“, NAFEMS Nordic Seminar, CAE in support of Sustainability and Durability, Billund, Dänemark, 25.–26. November 2019.
[4] N. Lammens, M. Schulz, M. Hack, H. Erdelyi, „Local Fatigue Parameter Prediction of Additively Manufactured Components using Machine Learning“, Fatigue 2020, Downing College, Cambridge, UK, 29. Juni–1. Juli 2020.
[5] C. Elangeswaran, A. Cutolo, G.K. Muralidharan, C. de Formanoir, F. Berto, K. Vanmeensel, B. Van Hooreweder, „Effect of post-treatments on the fatigue behaviour of 316L stainless steel manufactured by laser powder bed fusion“, International Journal of Fatigue, Vol. 123, S. 31–39, 2019.
[6] T.D. Dinh, J. Vanwalleghem, H. Xiang, H. Erdelyi, T. Craeghs, W. Van Paepegem, „A unified approach to model the effect of porosity and high surface roughness on the fatigue properties of additively manufactured Ti6-Al4-V alloys“, Additive Manufacturing, Vol. 33, 101139, Mai 2020.