Machine Learning and Digital Twin in Directed Energy Deposition: A Systematic Literature Review

Stel je een fabrieksvloer voor waar enorme metalen onderdelen niet uit een massief blok worden gesneden, maar worden opgebouwd, laag voor laag, vanuit een stroom gesmolten metaal. Dit is directed energy deposition, een hoogtechnologische productiemethode die wordt gebruikt om alles te maken, van componenten voor straalmotoren tot medische implantaten. Het is krachtig en flexibel, in staat om dure machines te repareren of complexe vormen te printen die op geen enkele andere manier gemaakt zouden kunnen worden. Het proces is echter berucht moeilijk te beheersen. Het metaal wordt gesmolten door intense warmtebronnen zoals lasers of elektrische bogen, waardoor een minuscule, verzengende plas vloeistof ontstaat die in een fractie van een seconde afkoelt en stolt. Omdat dit zo snel gebeurt en gepaard gaat met dergelijke extreme temperaturen, is het proces instabiel. Het kan gemakkelijk verborgen scheuren, gaten of zwakke plekken ontwikkelen die het uiteindelijke onderdeel ruïneren. Traditioneel betekende het oplossen van deze problemen een langzaam, duur proces van vallen en opstaan: de machine instellen, een onderdeel bouwen, het open snijden om het te inspecteren, de fout vinden, de instellingen wijzigen en het opnieuw proberen.

Om deze cyclus te doorbreken, richten onderzoekers zich op twee krachtige instrumenten: machine learning en digitale tweelingen. Machine learning is een vorm van computerintelligentie die leert patronen te herkennen uit enorme hoeveelheden data, net zoals een mens leert een defect te herkennen door naar duizenden voorbeelden te kijken. Een digitale tweeling is een virtuele kopie van de fysieke machine en het onderdeel dat wordt gebouwd. Het is niet alleen een statisch 3D-model; het is een levende simulatie die realtime data ontvangt van sensoren die de werkelijke machine in de gaten houden, waardoor het de fysieke wereld weerspiegelt terwijl deze plaatsvindt. Wanneer deze twee technologieën worden gecombineerd, beloven ze de productie te transformeren van een reactief proces, waarbij defecten worden gevonden nadat ze zijn opgetreden, naar een proactief proces, waarbij problemen worden voorspeld en gecorrigeerd voordat het metaal zelfs is afgekoeld.

Een team van onderzoekers aan The University of Texas Rio Grande Valley heeft onlangs geprobeerd de huidige staat van deze technologie in kaart te brengen. Ze voerden een systematische review uit van 130 wetenschappelijke studies gepubliceerd tussen 2016 en 2026, waarbij ze analyseerden hoe machine learning en digitale tweelingen momenteel worden gebruikt bij directed energy deposition. Hun werk, gepubliceerd in een systematische literatuurreview, onthult een veld dat snel vooruitgaat maar nog steeds op de rand van een grote transitie staat. De onderzoekers ontdekten dat hoewel wetenschappers erg goed zijn geworden in het gebruik van camera's en sensoren om het proces te observeren en te voorspellen wanneer er iets mis zou kunnen gaan, ze de vaardigheid om die problemen nog niet volledig beheersen om ze automatisch in realtime op te lossen.

De review benadrukt dat de meest voorkomende materialen die worden bestudeerd specifieke soorten staal en nikkelgebaseerde superlegeringen zijn, die essentieel zijn voor de luchtvaart- en energieindustrie. De meest gebruikte productiemethoden zijn wire arc deposition, waarbij een elektrische boog wordt gebruikt om metaaldraad te smelten, en lasergebaseerde depositie, waarbij een krachtige laser wordt gebruikt om metaalpoeder te smelten. In deze studies lag de primaire focus op het "zien" van het proces. Onderzoekers hebben machines uitgerust met hogesnelheidscamera's en thermische sensoren om beelden van de smeltende plas vast te leggen. Vervolgens voeden ze deze visuele data in machine learning-modellen, vaak gebruikmakend van complexe neurale netwerken die fungeren als digitale ogen. Deze modellen hebben een opmerkelijk succes laten zien bij het identificeren van defecten. Sommige studies rapporteerden dat deze systemen defecten zoals scheuren of gaten konden detecteren met nauwkeurigheidspercentages van meer dan 99 procent, of de vorm van de metaalrups met hoge precisie konden voorspellen.

De auteurs wijzen echter op een kritieke kloof tussen het zien van een probleem en het oplossen ervan. De meeste digitale tweeling-systemen die tot nu toe zijn beoordeeld, functioneren meer als een "digitale schaduw". In een dergelijke opstelling stroomt de data slechts één kant op: van de fysieke machine naar het virtuele model. Het virtuele model kan de operators vertellen: "Kijk, er vormt zich een defect," of "De temperatuur is te hoog." Maar het grijpt zelden zelfstandig in. De verbinding tussen de virtuele voorspelling en de fysieke machine is vaak verbroken. In plaats van dat de computer automatisch het laservermogen of de snelheid van de robotarm aanpast om de fout te herstellen, wacht het systeem meestal tot een menselijke operator ingrijpt. De onderzoekers merken op dat hoewel een enkel aantal geavanceerde studies closed-loop controle heeft aangetoond — waarbij het systeem automatisch het proces aanpast om een fout te herstellen — dit de uitzondering is, niet de regel.

De review identificeert ook belangrijke hindernissen die voorkomen dat deze technologieën breed in de industrie kunnen worden toegepast. Een groot probleem is het gebrek aan data. Het trainen van een machine learning-model vereist duizenden voorbeelden van zowel goede als slechte onderdelen. Bij directed energy deposition is het creëren van deze voorbeelden duur en tijdrovend. Het vereist vaak het vernietigen van het voltooide onderdeel om het op interne gebreken te inspecteren, wat betekent dat onderzoekers niet gemakkelijk de enorme datasets kunnen verzamelen die nodig zijn om de computers te onderwijzen. Om hiermee om te gaan, gebruiken sommige onderzoekers technieken zoals transfer learning, waarbij een model dat getraind is op één type metaal wordt aangepast om met een ander type te werken, of ze gebruiken natuurkundige simulaties om virtuele data te generen. Toch waarschuwen de auteurs dat deze methoden niet perfect zijn. Een model dat getraind is op één machine of één materiaal, heeft vaak moeite om te werken op een andere opstelling, wat de bruikbaarheid in een diverse fabrieksomgeving beperkt.

Verder kwamen de onderzoekers tot de conclusie dat de huidige digitale tweelingen vaak te eenvoudig zijn om de complexiteit van real-world productie aan te kunnen. Een echte digitale tweeling zou in staat moeten zijn om heen en weer te communiceren met de fysieke machine, constant zijn eigen begrip bij te werken op basis van nieuwe data en die kennis te gebruiken om de acties van de machine te sturen. Momenteel zijn veel systemen gefragmenteerd. Ze kunnen uitstekend zijn in het monitoren van temperatuur of het voorspellen van geometrie, maar ze missen het vermogen om al deze informatie te integreren in één enkel, autonoom besluitvormingsproces. De review suggereert dat voor deze technologieën hun volledige potentieel te bereiken, het veld voorbij geïsoleerde experimenten moet gaan. Toekomstig onderzoek moet zich richten op het creëren van gestandaardiseerde systemen die gegevens van meerdere sensoren tegelijk kunnen verwerken, in realtime kunnen opereren zonder vertraging, en, het belangrijkste, de loop kunnen sluiten tussen voorspelling en actie.

De auteurs concluderen dat hoewel het fundament is gelegd, het huis nog niet is gebouwd. Het vermogen om defecten te voorspellen is goed gevestigd, maar het vermogen om ze autonoom te corrigeren blijft incompleet. De volgende stap voor de industrie is het ontwikkelen van robuuste, closed-loop systemen waarbij de machine niet alleen naar zichzelf kijkt, maar ook actief zijn eigen koers bepaalt. Dit vereist niet alleen betere algoritmen, maar ook een diepere integratie van natuurkundige wetten in de computermodellen en een toewijding aan het delen van data over verschillende machines en materialen. Tot die tijd zal directed energy deposition een technologie van groot potentieel blijven, die wordt geremd door de noodzaak om de kloof te overbruggen tussen het observeren van het proces en het werkelijk beheersen ervan.