Physics-Informed Dynamical Modeling of Extrusion-Based 3D Printing Processes

Diese Studie stellt ein physikbasiertes, reduziertes dynamisches Modell für den extrusionsbasierten 3D-Druck vor, das mittels CFD-Daten kalibriert wurde und die transienten Strömungsdynamiken mit ausreichender Genauigkeit und geringem Rechenaufwand für Echtzeit-Optimierung und Regelung erfasst.

Das Wesentliche

Ein einfacher Überblick: Wie man 3D-Druck mit Beton schneller und smarter macht

Stellen Sie sich vor, Sie halten einen riesigen, digitalen Kuchentopf in der Hand, der Beton wie Sahne aus einer Tüte auf eine Baustelle presst. Das ist der 3D-Druck mit Beton (genauer: Direct Ink Writing). Das Ziel ist es, Häuser oder Brücken Schicht für Schicht aufzubauen.

Aber hier liegt das Problem: Der Beton ist zäh wie Honig. Wenn er aus der Düse kommt, muss er genau die richtige Form haben. Zu schnell? Er fließt auseinander. Zu langsam? Er staut sich auf. Um das zu steuern, brauchen die Computer ein „Gehirn", das weiß, wie sich der Beton bewegt.

Bisher gab es zwei Probleme:

1. Die „Super-Computer"-Simulationen: Diese sind extrem genau, aber sie brauchen so viel Rechenzeit, dass sie für eine Echtzeit-Steuerung (während des Druckens) viel zu langsam sind. Es ist, als würde man versuchen, ein Auto zu lenken, indem man erst eine detaillierte Karte des gesamten Kontinents zeichnet, bevor man den Lenker dreht.
2. Die „Einfachen Modelle": Diese sind schnell, aber oft zu ungenau, weil sie die komplexe Physik des fließenden Betons ignorieren.

Die Lösung der Forscher: Der „Smart-Steuerungs-Assistent"

Die Autoren dieses Papiers haben einen neuen Weg gefunden. Sie haben ein Modell entwickelt, das wie ein erfahrener Koch ist, der nicht jede einzelne Molekül-Bewegung berechnet, sondern die Prinzipien des Kochens versteht.

Hier ist, wie sie das gemacht haben, in drei einfachen Schritten:

1. Das „Rezept" aus der Physik (Die drei Stationen)

Die Forscher haben den gesamten Druckprozess in drei kleine Stationen unterteilt, ähnlich wie eine Fließbandproduktion:

• Station 1 (Die Düse): Hier wird der Beton unter Druck in die Düse gepumpt.
  • Die Analogie: Stellen Sie sich vor, Sie drücken Zahnpasta aus einer Tube. Der Druck, den Sie mit dem Finger ausüben, bestimmt, wie schnell die Pasta herauskommt. Die Forscher haben eine mathematische Formel entwickelt, die genau beschreibt, wie der Druck in der Düse die Geschwindigkeit beeinflusst.
• Station 2 (Der Spalt): Hier verlässt der Beton die Düse und trifft auf die Bauplatte.
  • Die Analogie: Das ist wie wenn Sie Honig auf einen sich bewegenden Teller gießen. Wenn der Teller schnell läuft, wird der Honigstrang dünner und länger gezogen. Hier müssen zwei Kräfte zusammenarbeiten: der Druck aus der Düse und die Geschwindigkeit des Tellers.
• Station 3 (Die Schicht): Hier liegt der Beton bereits auf der Platte und wird weiterbewegt.
  • Die Analogie: Der Beton ist jetzt wie ein Band, das von einem Förderband (der Bauplatte) weggezogen wird. Die Geschwindigkeit des Förderbands bestimmt hier fast alles.

2. Der „Trick": Vom Komplexen zum Einfachen

Normalerweise müsste man für jede dieser Stationen riesige Gleichungen lösen, die Millionen von Rechenoperationen benötigen.
Die Forscher haben einen cleveren Trick angewendet: Sie haben die komplexen Gleichungen gemittelt.

• Stellen Sie sich vor: Statt zu berechnen, wie sich jedes einzelne Wasserteilchen in einem Fluss bewegt, schauen Sie sich nur die durchschnittliche Strömungsgeschwindigkeit an.
  Dadurch haben sie eine „Reduzierte Ordnung" (Reduced-Order) erreicht. Das Modell ist jetzt so einfach, dass es auf einem normalen Computer in Echtzeit laufen kann, aber trotzdem die wichtigsten physikalischen Gesetze (wie Druck und Reibung) beachtet.

3. Das Training: Lernen durch Beobachten

Da sie das Modell nicht aus dem Nichts erschaffen haben, haben sie es mit Hilfe von Super-Computer-Simulationen trainiert.

• Sie haben den Super-Computer tausende Male verschiedene Szenarien durchspielen lassen (schneller Druck, langsamer Druck, schnelle Platte, langsame Platte).
• Dann haben sie ihr einfaches Modell an diese Daten „angepasst" (wie wenn man ein Kind lehrt, indem man ihm viele Beispiele zeigt, bis es das Muster versteht).
• Das Ergebnis? Das einfache Modell konnte die Ergebnisse des Super-Computers fast perfekt nachahmen – aber in einem Bruchteil der Zeit.

Warum ist das wichtig?

Stellen Sie sich vor, Sie drucken ein Haus. Während der Druck läuft, passiert etwas Unerwartetes (vielleicht ist der Beton etwas dicker als gedacht).

• Früher: Der Computer hätte Stunden gebraucht, um zu berechnen, was passiert. Das Haus wäre schon schief gedruckt.
• Jetzt: Mit diesem neuen Modell kann der Computer sofort reagieren. Er sagt: „Achtung, der Beton fließt zu schnell, ich drossle die Pumpe!" oder „Die Platte muss schneller laufen, damit die Schicht dünn genug wird."

Fazit:
Die Forscher haben einen Weg gefunden, die komplexe Physik des Beton-3D-Drucks in eine einfache, schnelle Sprache zu übersetzen. Es ist wie der Unterschied zwischen einem riesigen, langsamen Atlas und einem schnellen, smarten GPS-Navigationsgerät. Dieses neue „GPS" ermöglicht es, in Zukunft Bauprojekte in Echtzeit zu überwachen und zu steuern, was sicherer, schneller und effizienter macht.

Technische Zusammenfassung

Titel: Physik-informierte dynamische Modellierung von extrusionsbasierten 3D-Druckprozessen

Autoren: Mandana Mohammadi Looey, Marissa Loraine Scalise, Amrita Basak, und Satadru Dey
Datum: 24. Dezember 2025

---

1. Problemstellung

Der direkte Ink-Druck (Direct Ink Writing, DIW) ist eine transformative Technologie für den Bau von zementbasierten Strukturen. Ein zentrales Hindernis für die Echtzeit-Optimierung und -Steuerung dieses Prozesses ist der Zielkonflikt zwischen der Modelltreue (Fidelity) und den Rechenkosten.

• Hochgenaue Modelle: Traditionelle Ansätze basierend auf der Kontinuumsmechanik und Finite-Elemente-Methoden (FEM) oder Computational Fluid Dynamics (CFD) bieten detaillierte Einblicke in Strömungs- und Spannungsverteilungen. Sie sind jedoch rechenintensiv und für Echtzeit-Anwendungen ungeeignet.
• Lücke in der Literatur: Während es reduzierte Modelle für Metall-Additiv-Manufacturing (z. B. Laser-Pulverbett-Schmelzen) gibt, fehlen spezifische, physikalisch fundierte dynamische Modelle für die Strömungsdynamik beim DIW von zementbasierten Tinten. Bestehende vereinfachte Modelle erfassen oft nicht die Entwicklung des extrudierten Strangs als explizite Funktion der Steuerungsparameter.

Das Ziel dieser Arbeit ist die Entwicklung eines reduzierten Ordnungsmodells (Reduced-Order Model, ROM), das die transienten Strömungsdynamiken erfasst, physikalisch fundiert ist und dennoch für Echtzeit-Steuerungsanwendungen effizient genug ist.

---

2. Methodik

Die Autoren schlagen einen hybriden Ansatz vor, der physikalische Prinzipien mit datengestützter Systemidentifikation kombiniert.

A. Physikalische Zerlegung des Prozesses

Der Druckprozess wird in drei gekoppelte Subsysteme unterteilt, die als Kaskade modelliert werden:

1. Subsystem 1 (Nozzle Interior): Materialzufuhr durch die Düse. Eingangsgröße: Massendurchsatz ($\dot{m}$). Ausgangsgröße: Mittlere Austrittsgeschwindigkeit ($\bar{v}_1$).
2. Subsystem 2 (Nozzle-Substrate Gap): Der Übergangsbereich zwischen Düse und Bauplatte. Eingangsgröße: $\bar{v}_1$. Ausgangsgröße: Geschwindigkeit am Eingang von Subsystem 3 ($\bar{u}_2$).
3. Subsystem 3 (Deposited Layer): Der extrudierte Strang auf der beweglichen Bauplatte. Eingangsgrößen: $\bar{u}_2$ und Geschwindigkeit der Bauplatte ($U_s$). Ausgangsgröße: Mittlere Geschwindigkeit im Strang ($\bar{u}_3$).

B. Herleitung des Modells (Physics-Informed)

Ausgehend von den Navier-Stokes-Gleichungen (Kontinuitäts- und Impulsgleichungen) wird eine vereinfachte mathematische Struktur abgeleitet:

• Annahmen: Inkompressible, newtonsche Strömung, laminare Strömung, zweidimensionale Betrachtung.
• Methode: Anwendung der konservativen Mittelung (Conservative Averaging Method, CAM) über den räumlichen Bereich, um partielle Differentialgleichungen (PDEs) in gewöhnliche Differentialgleichungen (ODEs) umzuwandeln.
• Struktur: Die resultierenden ODEs behalten die physikalische Struktur bei (z. B. Druckgradient als treibende Kraft, Viskosität als Dämpfung), werden aber parametrisiert.

Die dynamischen Gleichungen lauten (vereinfacht):

• Subsystem 1: $\frac{d\bar{v}_1}{dt} = \beta_1 p_{d1} + \beta_2 \bar{v}_1 + \beta_3 \dot{m}$
• Subsystem 2: $\bar{u}_2 = \beta_4 \bar{v}_1$ (algebraische Kopplung)
• Subsystem 3: $\frac{d\bar{u}_3}{dt} = \beta_5 \bar{u}_2 + \beta_6 \bar{u}_3 + \beta_7 U_s$

C. Eingangsabhängige Parametrisierung

Um die Nichtlinearitäten des Prozesses (z. B. Scherverdünnung, Wechselwirkungen) zu erfassen, werden die Koeffizienten $\beta$ nicht als Konstanten, sondern als lineare Funktionen der Eingangsgrößen definiert:

• $\beta_{1,2,3} \propto \dot{m}$ (abhängig vom Massendurchsatz)
• $\beta_{5,6,7} \propto U_s$ (abhängig von der Plattengeschwindigkeit)

D. Datengenerierung und Identifikation

• Datenquelle: Hochauflösende CFD-Simulationen (ANSYS Fluent) mit einem Multiphase-Modell (Zementtinte/Luft) für 9 verschiedene Szenarien (Kombinationen aus Massendurchsatz und Plattengeschwindigkeit).
• Training: Die Modellparameter ($\beta$ und $\gamma$) werden mittels nichtlinearer Kleinste-Quadrate-Methode (Nonlinear Least Squares) in MATLAB an die CFD-Daten angepasst.
• Validierung: Das Modell wird durch Interpolation (Testen von Bedingungen zwischen Trainingsdaten) und Extrapolation (Testen außerhalb des Trainingsbereichs) bewertet.

---

3. Wichtige Beiträge

1. Erstes physik-informiertes ROM für DIW-Strömung: Das Paper formuliert erstmals ein reduziertes dynamisches Modell speziell für die Strömungsdynamik beim Direct Ink Writing von zementbasierten Materialien.
2. Hybride Architektur: Kombination von physikalisch abgeleiteten ODE-Strukturen (aus Navier-Stokes) mit datengesteuerter Parametrisierung, um sowohl physikalische Konsistenz als auch Anpassungsfähigkeit an reale Daten zu gewährleisten.
3. Modulare Zerlegung: Die Aufteilung in drei physikalisch sinnvolle Subsysteme ermöglicht eine präzise Modellierung der unterschiedlichen Dominanzmechanismen (druckgetrieben in der Düse vs. kinematisch getrieben auf der Platte).
4. Echtzeit-Tauglichkeit: Das resultierende Modell ist algebraisch einfach und rechnerisch effizient, was es für zukünftige geschlossene Regelkreise (Closed-Loop Control) und Echtzeit-Optimierung geeignet macht.

---

4. Ergebnisse

• Genauigkeit: Das Modell zeigt eine starke Übereinstimmung mit den CFD-Simulationsdaten in allen drei Regionen (Düse, Spalt, abgelegter Strang).
  • Subsystem 1 & 3: Sehr hohe Genauigkeit, da diese Bereiche direkt durch physikalische Erhaltungsgleichungen (Impuls/Druck) beschrieben werden. Die Fehlerverteilungen sind scharf um Null zentriert.
  • Subsystem 2: Etwas höhere Fehler, da hier eine vereinfachte algebraische Kopplung verwendet wird, die komplexere Scher- und Dehnungseffekte nur annähernd abbildet. Dennoch bleiben die Fehler innerhalb akzeptabler Grenzen.
• Interpolationsfähigkeit: Das Modell generalisiert hervorragend für Massendurchsätze und Geschwindigkeiten, die zwischen den Trainingsdaten liegen (z. B. Training mit 50 und 70 mm/s, Test mit 60 mm/s).
• Extrapolationsfähigkeit:
  • Niedrige Extrapolation: Das Modell kann Bedingungen unterhalb des Trainingsbereichs gut vorhersagen (da niedrige Geschwindigkeiten oft eine skalierte Version der hohen Geschwindigkeiten sind).
  • Hohe Extrapolation: Die Genauigkeit nimmt bei Bedingungen oberhalb des Trainingsbereichs ab, da hier nichtlineare Effekte und starke Scherung dominieren, die im Trainingsdatensatz nicht vollständig erfasst wurden.
• Robustheit: Bei zufälligen Aufteilungen von Trainings- und Testdaten (bis hin zu nur 33% Trainingsdaten) bleibt das Modell stabil und liefert konsistente Vorhersagen.

---

5. Bedeutung und Ausblick

Diese Arbeit schließt eine signifikante Lücke in der Modellierung von extrusionsbasiertem 3D-Druck.

• Für die Steuerung: Da das Modell rechnerisch effizient ist, kann es als Basis für Echtzeit-Regelungsalgorithmen dienen, um die Qualität des gedruckten Strangs (z. B. Durchmesser, Formtreue) durch Anpassung von Druckgeschwindigkeit und Vorschub zu optimieren.
• Für die Prozessentwicklung: Es ermöglicht eine schnelle Vorhersage des Prozessverhaltens unter verschiedenen Bedingungen ohne den Aufwand von aufwendigen CFD-Simulationen.
• Zukunft: Die Autoren sehen dies als Fundament für "Smart Manufacturing"-Systeme, die eine geschlossene Regelkreiskontrolle (Closed-Loop Control) für zementbasierte Additive Fertigung ermöglichen, was für den automatisierten Bau von Infrastrukturen entscheidend ist.

Zusammenfassend bietet das vorgestellte Modell einen optimalen Kompromiss zwischen physikalischer Genauigkeit und Recheneffizienz, der bisher für die Echtzeitsteuerung von DIW-Prozessen fehlte.