💻 computer science

Hybrid Machine Learning and Physical Modeling of Feedstock Deformation During Robotic 3D Printing of Continuous Fiber Thermoplastic Composites

Dieser Beitrag stellt ein hybrides, physikbasiertes und datengetriebenes Modellierungsframework vor, das Kelvin-Voigt-Viskoelastizität mit stabilisierten neuronalen ODEs kombiniert, um die Verformung von kontinuierlichen Faser-Thermoplast-Vorformlingen während des robotergestützten 3D-Drucks präzise vorherzusagen und zu validieren und dabei eine robuste Generalisierung über die Trainings-Temperaturbereiche hinaus zu demonstrieren.

Ursprüngliche Autoren: Chady Ghnatios, Kazem Fayazbakhsh

Veröffentlicht 2026-05-06

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Chady Ghnatios, Kazem Fayazbakhsh

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie versuchen, eine Wand aus langen, klebrigen Streifen Klebeband zu bauen. Sie möchten sie perfekt nebeneinander ablegen, um eine glatte, feste Oberfläche zu schaffen. Doch hier liegt das Problem: Sobald Sie das Band ablegen, beginnt es zu schrumpfen, sich zu verdrehen und zu kräuseln. Es ist, als wäre das Band ein lebendiges Wesen, das im Moment, in dem es den heißen Boden berührt, seine Meinung über seine Größe ändert.

Genau dieses Problem haben die Forscher Ghnatios und Fayazbakhsh angegangen. Sie arbeiten am robotergestützten 3D-Druck mit speziellen Materialien, die aus kontinuierlichen Kohlefasern (superstarken Fäden) bestehen, die in einen Kunststoffharz eingewickelt sind. Wenn Roboter diese Fasern ablegen, schrumpft und verzieht sich das Material, wodurch Lücken oder Überlappungen entstehen, die das Endteil ruinieren.

Hier ist die einfache Erklärung, wie sie das Rätsel des schrumpfenden Bandes gelöst haben:

1. Das Rätsel des schrumpfenden Bandes

Die Forscher stellten fest, dass das Band, sobald der Roboter einen Streifen dieses Materials ablegt, nicht seine ursprüngliche Breite behält. Es schrumpft von seiner ursprünglichen Größe (etwa 6,35 mm) auf etwa 5,3 mm. Sie wollten wissen, warum und wie stark es schrumpft, damit sie dem Roboter genau sagen konnten, wohin er sich bewegen muss, um Lücken zu vermeiden.

Sie identifizierten drei Haupt„Täter", die das Schrumpfen des Bandes verursachen:

Das „Austrocknen": Das Band enthält eine winzige Menge Feuchtigkeit, die beim Erhitzen verdampft und es schrumpfen lässt.
Das „Abrollen": Das Band war vor dem Druck fest auf einer Spule aufgewickelt. Wenn es heiß wird, löst es diese Spannung, wie eine Feder, die sich abrollt, was seine Form verändert.
Der „Kristall-Verschluss": Der Kunststoff im Inneren des Bandes ist bei Hitze wie eine Flüssigkeit. Während er abkühlt, beginnen die Moleküle, sich in einer starren, kristallinen Struktur anzuordnen (wie Wasser, das zu Eis wird). Dieser Prozess presst das Material zusammen und lässt es noch stärker schrumpfen.

2. Die Detektivarbeit: Die Laborexperimente

Um diese Täter zu verstehen, brachten sie das Band in zwei spezielle Maschinen:

Das „Thermometer" (DSC): Diese Maschine erhitzte das Band und maß, wie viel Wärme es aufnahm oder abgab. Sie sagte ihnen genau, wann der Kunststoff begann, sich in Kristalle umzuwandeln (bei etwa 147 °C).
Der „Dehnungs-Tester" (DMA): Diese Maschine hielt ein Stück Band fest, erhitzte und kühle es ab, während sie genau maß, wie stark es sich dehnte oder zusammenzog. Sie führten dies zweimal durch: einmal auf eine „warme" Temperatur (120 °C) und einmal auf eine „heiße" Temperatur (180 °C).

3. Der hybride Detektiv: Physik + KI

Die Forscher haben nicht nur geraten; sie bauten ein „hybrides" Detektivsystem, um das Schrumpfen vorherzusagen. Stellen Sie sich ein Team aus zwei Experten vor, die zusammenarbeiten:

Experte A (Der Physik-Professor): Dieser Teil verwendet altbewährte Mathematik und physikalische Regeln (ein sogenanntes Kelvin-Voigt-Modell), um zu verstehen, wie sich das Material wie eine Feder und ein Stoßdämpfer verhält. Er weiß, wie das Band auf Hitze und Spannung reagiert, basierend auf den Gesetzen der Natur.
Experte B (Der KI-Schüler): Dieser Teil verwendet eine spezielle Art künstlicher Intelligenz, eine Neurale ODE. Stellen Sie sich einen Schüler vor, der sehr gut darin ist, Muster in einer Geschichte zu erkennen. Die KI betrachtete die Daten aus dem „warmen" Experiment (120 °C) und lernte das Muster, wie das Band aufgrund von Trocknung und Abrollen schrumpft.

Der magische Trick: Die Forscher unterrichteten den KI-Schüler ausschließlich mit den „warmen" Daten. Dann baten sie die KI, vorherzusagen, was im „heißen" Experiment (180 °C) passieren würde, einer Temperatur, die sie noch nie zuvor gesehen hatte.

Das Ergebnis? Die KI lag richtig! Sie erkannte, dass das Schrumpfmuster trotz des fehlenden 180 °C-Datenmaterials stabil und vorhersagbar war. Sie errat sogar korrekt, dass das Schrumpfen bei höheren Temperaturen schließlich aufhören würde (sättigen). Dies beweist, dass das Modell robust ist und auch bei sich ändernden Bedingungen vertrauenswürdig ist.

4. Alles zusammenfügen: Der digitale Zwilling

Schließlich kombinierten sie die Regeln des Physik-Professors mit den Vorhersagen des KI-Schülers, um eine vollständige Simulation zu erstellen. Sie fütterten diese Simulation mit den genauen Bedingungen ihres Roboterdruckers (wie schnell er sich bewegt, wie heiß die Düse ist usw.).

Die Simulation fungierte wie ein „digitaler Zwilling" – eine virtuelle Kopie des realen Druckprozesses. Sie sagte genau voraus, wie stark das Band in Breite und Länge schrumpfen würde. Als sie diese Vorhersage mit einem echten Band verglichen, das sie im Labor gedruckt hatten, stimmten die Zahlen sehr gut überein.

Das Fazit

Die Studie behauptet, dass sie durch diese Mischung aus Physik und intelligenter KI nun genau vorhersagen können, wie stark ein Stück 3D-gedrucktes Band schrumpfen wird, noch bevor sie es überhaupt drucken.

Das ist eine große Sache, denn statt zu raten und Dutzende teurer Tests durchzuführen, um die richtigen Einstellungen zu finden, können Ingenieure dieses Modell nutzen, um dem Roboter genau zu sagen, wo er das Band platzieren muss, damit es perfekt passt, ohne Lücken und ohne Überlappungen. Es verwandelt einen Prozess des Versuchens und Irrtums in einen präzisen und vorhersagbaren.

Technische Zusammenfassung: Hybride maschinelle Lernverfahren und physikalische Modellierung der Verformung von Ausgangsmaterialien beim robotergestützten 3D-Druck

Problemstellung
Die Verformung des Ausgangsmaterials während des 3D-Drucks von kontinuierlich faserverstärkten thermoplastischen Verbundwerkstoffen stellt eine kritische Herausforderung dar, die Fertigungsfehler wie Lücken und Überlappungen verursacht. Obwohl thermische Gradienten und Eigenspannungen als bekannte Faktoren gelten, bleibt die spezifische Verformung eines einzelnen aufgebrachten Bandes – angetrieben durch Spannungsrelaxation, Trocknung und Kristallisation – komplex zu modellieren. Diese Verformung eines einzelnen Pfads wirkt sich direkt auf intrinsische Prozessvariablen wie die Faserorientierung und die robotergestützte Ablagekontrolle aus. Bestehende Ansätze stoßen an Grenzen: rein datengetriebene Modelle fehlt es oft an Zuverlässigkeit außerhalb getesteter Bereiche, während traditionelle physikbasierte Modelle mit der gekoppelten Multiphysik von Kristallisation und Änderungen der mikrostrukturellen Eigenschaften Schwierigkeiten haben. Die Autoren adressieren die Notwendigkeit eines robusten Rahmens, der dimensionsänderungen des Bandes vorhersagen kann, um die Pfadplanung zu optimieren und Fehler zu minimieren.

Methodik
Die Autoren schlagen einen hybriden Modellierungsrahmen vor, der etablierte physikalische Modelle mit datengetriebenen Ansätzen kombiniert, wobei speziell eine stabilisierte Neuronale Gewöhnliche Differentialgleichung (Neural ODE) zum Einsatz kommt. Der Arbeitsablauf durchläuft folgende Stufen:

Experimentelle Charakterisierung:
- Aufbau: Ein robotergestütztes 3D-Drucksystem (ABB IRB 1200) bringt kontinuierliches Kohlenstofffaser-Prepreg-Band (LM-PAEK-Matrix) auf eine Stahl-Bauplatte auf.
- Materialprüfung: Die Differenzkalorimetrie (DSC) identifizierte die Glasübergangstemperatur ( $T_g \approx 147^\circ\text{C}$ ) und den Kristallisationspeak ( $T_{pc} \approx 184^\circ\text{C}$ ). Eine Dynamisch-Mechanische Analyse (DMA) wurde an Bandproben bei zwei Temperaturbereichen durchgeführt: $120^\circ\text{C}$ (unterhalb von $T_g$ ) und $180^\circ\text{C}$ (oberhalb von $T_g$ ). Diese Tests maßen dimensionsänderungen (Dehnung) während Heiz- und Kühlzyklen.
Physikalische Modellierung (Viskoelastizität):
- Ein Kelvin-Voigt-viskoelastisches Modell wurde eingesetzt, um das mechanische Verhalten des Prepregs zu simulieren.
- Das Modell nutzte orthotrope thermische und mechanische Eigenschaften, die aus Herstellerdaten und Homogenisierungsregeln abgeleitet wurden.
- Parameter (Wärmeausdehnungskoeffizienten und viskose Tensor-Komponenten) wurden durch Anpassung der Simulation an die DMA-1-Experimentaldaten ( $120^\circ\text{C}$ ) identifiziert, wobei die initiale Heizphase ausgeschlossen wurde, in der irreversible Trocknung und Spannungsrelaxation auftreten.
Hybride datengetriebene Modellierung:
- Freisetzung der Anfangsdehnung (Trocknung/Eigenspannung): Die Diskrepanz zwischen der viskoelastischen Simulation und den experimentellen Daten während der ersten Heizphase von DMA-1 wurde Trocknung und Spannungsrelaxation zugeschrieben. Eine stabilisierte Neural ODE wurde auf diesen Residualdaten trainiert, um die zeitabhängige Entwicklung dieser Anfangsdehnungen zu erlernen.
- Kristallisationsinduzierte Verformung: Für das DMA-2-Experiment ( $180^\circ\text{C}$ ) wurde die Differenz zwischen der gemessenen Gesamtdehnung, der viskoelastischen Vorhersage und der vorhergesagten Freisetzung der Anfangsdehnung als Kristallisationsdehnung definiert. Eine zweite stabilisierte Neural ODE wurde trainiert, um die Entwicklung dieser Dehnungen zu modellieren, wenn die Temperatur $T_g$ überschreitet.
Integration und Validierung:
- Die identifizierten Modelle (Kelvin-Voigt, Freisetzung der Anfangsdehnung und Kristallisation) wurden in einen ganzheitlichen Simulationsrahmen integriert, der die Proper Generalized Decomposition (PGD) zur Lösung thermischer und mechanischer Probleme verwendet.
- Dieser Rahmen wurde angewendet, um eine 280 mm lange Bandablage unter robotergestützten Druckbedingungen zu simulieren ( $380^\circ\text{C}$ Düse, $160^\circ\text{C}$ Plattform).
- Die Simulationsergebnisse wurden gegen experimentelle Messungen eines physikalisch abgelegten Bandes validiert.

Hauptbeiträge

Hybrider Modellierungsrahmen: Die Arbeit demonstriert eine erfolgreiche Integration physikbasierter Viskoelastizität mit stabilisierten Neuralen ODEs, um komplexe, nichtlineare Phänomene (Trocknung, Spannungsrelaxation, Kristallisation) zu erfassen, die rein analytisch schwer zu modellieren sind.
Extrapolationsfähigkeit: Die Studie hebt die Fähigkeit der stabilisierten Neural ODE hervor, über ihren Trainingsbereich hinaus zu generalisieren. Insbesondere das Modell zur Freisetzung der Anfangsdehnung, das nur auf Daten bis $120^\circ\text{C}$ trainiert wurde, sagte das Verhalten bis $180^\circ\text{C}$ erfolgreich voraus und erreichte ohne Nachtraining eine Sättigung.
Zerlegung der Verformungsmechanismen: Die Arbeit isoliert und quantifiziert die spezifischen Beiträge von thermischer Ausdehnung, Freisetzung der Anfangsdehnung und Kristallisation zur Gesamtverformung des Ausgangsmaterials und liefert ein klareres Verständnis der Fehlerentstehungsmechanismen bei der Ablage einzelner Bänder.

Ergebnisse

Modellgenauigkeit: Das hybride Modell erreichte eine hohe Genauigkeit bei der Vorhersage der Dehnungsentwicklung. Der relative Fehler für die Vorhersage der Freisetzung der Anfangsdehnung betrug im Testset 0,57 %, und für die Kristallisationsdehnung 2,43 % im Testset.
Generalisierung: Das Modell reproduzierte die Sättigung der Dehnungsfreisetzung bei Temperaturen, die signifikant höher waren als die im Training verwendeten ( $180^\circ\text{C}$ gegenüber einem Maximum von $120^\circ\text{C}$ im Training), präzise.
Validierung der robotergestützten Ablage: Bei Anwendung auf das robotergestützte Druckszenario sagte die Simulation die seitliche Verformung des Bandes mit hoher Genauigkeit voraus. Die simulierte Endbreite stimmte eng mit experimentellen Messungen mittels Messschieber überein, was bestätigt, dass das Modell die kombinierten Effekte thermischer Gradienten, Spannungsrelaxation und Kristallisation in einer realen Ablagesituation berücksichtigen kann.

Bedeutung
Die Autoren behaupten, diese Arbeit stelle einen „Meilenstein" für das Verständnis der Verformung von Ausgangsmaterialien beim robotergestützten 3D-Druck von kontinuierlichen Faserthermoplasten dar. Die primäre Bedeutung liegt im vorgeschlagenen „ganzheitlichen Ansatz", der die Erstellung eines digitalen Zwillings für den Druckprozess ermöglicht. Durch die genaue Vorhersage der Endabmessungen eines abgelegten Bandes basierend auf Prozessparametern erlaubt das Modell die Optimierung des Band-Raster-Offsets (TRO), um Lücken und Überlappungen zu verhindern. Diese Fähigkeit reduziert die Abhängigkeit von kostspieligen und zeitaufwändigen experimentellen Versuchen zur Bestimmung optimaler Druckparameter. Darüber hinaus schlagen die Autoren vor, dass die aktuelle Studie zwar auf geraden Pfaden fokussiert ist, der Rahmen jedoch eine Grundlage für zukünftige Arbeiten zu gekrümmten Pfaden und der Herstellung komplexer Strukturteile bietet.