Διεθνής ομάδα χρησιμοποίησε ερμηνεύσιμη μηχανική μάθηση για νέο 3D‑εκτυπώσιμο κράμα χάλυβα υψηλής αντοχής και ολκιμότητας. Οι προβλέψεις επιβεβαιώθηκαν σε εκτύπωση LPBF, με εξάωρη θερμική κατεργασία που εκτίναξε τις επιδόσεις και την αντοχή στη διάβρωση.
Ερευνητές ανέπτυξαν μοντέλο «ερμηνεύσιμης» μηχανικής μάθησης που αξιολογεί 81 βασικά φυσικοχημικά γνωρίσματα των στοιχείων —από τις ατομικές ακτίνες μέχρι τη συμπεριφορά των ηλεκτρονίων— για να σχεδιάσουν ένα υπερ-ισχυρό, 3D‑εκτυπώσιμο και ανθεκτικό στη διάβρωση κράμα χάλυβα. Το μοντέλο ενσωμάτωσε εξαρχής τον τρόπο που το υλικό αντιδρά στη διαδικασία εκτύπωσης, στοχεύοντας ειδικά στη σύντηξη με δέσμη λέιζερ σε κλίνη σκόνης (LPBF). Τα αποτελέσματα δημοσιεύτηκαν στο International Journal of Extreme Manufacturing.
Σήμερα, πολλά μεταλλικά υλικά στην προσθετική κατασκευή προέρχονται από κράματα που αρχικά αναπτύχθηκαν για σφυρηλάτηση ή χύτευση. Η προσαρμογή τους στο LPBF συχνά φέρνει σφάλματα, εσωτερικές ατέλειες και απώλειες αντοχής λόγω των έντονων θερμικών κύκλων. Η νέα προσέγγιση σχεδιασμού υλικών με AI μεταφέρει το βάρος στην προένταξη: προβλέπει και «κουρδίζει» τη σύσταση του κράματος με βάση τις πραγματικές συνθήκες της 3D εκτύπωσης.
Το παραχθέν κράμα —Fe-15Cr-3.2Ni-0.8Mn-0.6Cu-0.56Si-0.4Al-0.16C— προβλέφθηκε να αντέχει περίπου 1,7 GPa σε εφελκυσμό και να επιμηκύνεται πάνω από 15% πριν τη θραύση. Οι δοκιμές σε εκτυπωτές LPBF επιβεβαίωσαν τις προβλέψεις, ευθυγραμμίζοντας θεωρία και πράξη σε ένα σπάνιο «ταιριαστό» για ταχύ αναπτυσσόμενα κράματα.
Καθοριστικό ρόλο είχε μια σύντομη, εξάωρη θερμική κατεργασία μετά την εκτύπωση: δημιούργησε νανοσωματίδια χαλκού και νικελίου‑αλουμινίου που «καρφώνουν» τις ατέλειες της μικροδομής και εμποδίζουν την εξάπλωσή τους. Το αποτέλεσμα, σύμφωνα με τους ερευνητές, είναι περίπου 30% αύξηση της αντοχής σε σχέση με την ακατέργαστη εκτυπωμένη κατάσταση και ταυτόχρονος διπλασιασμός της ολκιμότητας. Επιπλέον, ο ρυθμός διάβρωσης μετρήθηκε στα 0,105 mm/έτος —επιδόση καλύτερη από ορισμένους κορυφαίους εμπορικούς ανοξείδωτους χάλυβες—, ανοίγοντας πεδίο για εφαρμογές σε αεροδιαστημικά και θαλάσσια περιβάλλοντα.
Οι συγγραφείς περιγράφουν τη στρατηγική PF‑ML (physicochemical feature–machine learning) ως οικονομικό εργαλείο για την ταχύτερη ανακάλυψη κραμάτων ειδικά «κομμένων και ραμμένων» στην προσθετική κατασκευή. Τα επιλεγμένα γνωρίσματα θα χρειάζονται αναπροσαρμογή σε κάθε νέα κλάση υλικών, όμως η πορεία δείχνει έναν πρακτικό δρόμο για ισχυρούς, ανθεκτικούς στη διάβρωση χάλυβες που εκτυπώνονται γρήγορα και με ακρίβεια.
