AI og AM – hvor rykker kunstig intelligens inden for 3D-print?

GTS – AI buldrer frem. Vi ser den kunstige intelligens overalt omkring os – også inden for 3D-print. På teknologisk Institut tror de at de kun har set toppen af isbjerget, og der er allerede rigtig meget støj derude. Derfor er det relevant at kigge på, hvor AI reelt kan skabe værdi, når man snakker om 3D-print – eller additive manufacturing. I dette blogindlæg forsøger de derfor at filtrere støjen fra og har fundet fire områder, som er værd at holde øje med

1. AI og machine learning i selve 3D-printerne
Vi oplever stadig en barriere i forhold til kvalitetssikring, certificering og godkendelse af 3D-printede parter. Her ser jeg et stort potentiale i AI. Der kommer en masse data fra 3D-printerne, og vi kan bruge AI og machine learning til at samle den data op og bruge den til at kvalitetssikre 3D-printet. Så er det ’bare’ et spørgsmål om at gøre det på den bedste og mest omkostningseffektive måde.

På Teknologisk Institut arbejder vi på at komme helt hen til en slags digital certificering. Kvalificering kan vi kalde det – så vi er helt fri for at lave CT-scan og trækprøver, og hvad man nu ellers laver. Det er målet. Vi er stadig et godt stykke fra, og måske kommer vi ikke helt derhen for alle typer af parter – men for nogle skal vi nok nå det.

Som minimum vil vi gerne bruge alle dataene på den mest intelligente måde til at komme så langt som muligt med certificering og godkendelse. Det tror jeg meget på – og netop digital kvalitetssikring er bl.a. noget vi arbejder på i DILAPRO-projektet, som er støttet af EU’s Horizon program.

2. Screening af relevante parter til 3D-print
Her har vi i lang tid set en udfordring i, at virksomhederne har rigtig mange forskellige komponenter og parter i deres part-bibliotek – og hvordan finder man så lige dem, der giver mest mening af 3D-printe?

Hvis det kan laves bedre på en anden måde, fx ved at bukke, fræse eller dreje, så skal man nok bare blive ved med det. Men vi vil jo gerne finde de parter, hvor 3D-print kan tilføre en merværdi og fx optimere ydelse eller reducere vægt.

Der ser vi nu nogle softwares baseret på AI, der som minimum begynder at kunne hjælpe med at kigge part-biblioteket igennem – fx i forhold til hvilke komponenter, der har et passende styktal, en passende kompleksitet, eller en lead time der er længere en ønsket. Så kan man bruge AI til at lave en database over parter, hvor 3D-print kunne skabe noget ekstra værdi. Det kommer vi til at kigge meget mere på i løbet af 2026.

3. 3D-print design og simuleringer
Her er vi ikke lige så langt som på de to andre områder, men vi ser rigtig meget aktivitet. I øjeblikket er det relativt tungt – og videnstungt – arbejde at skulle optimere parter til 3D-print. Vi ser allerede nogle gode softwares, som fx nTop, der kan lave cellestrukturer og topologioptimering baseret på simuleringer.

Men forestil dig, at AI turbochargede det arbejde, så det blev endnu hurtigere og bedre i forhold til hvordan vi fx laver de rigtige kølekanaler rundt i et emne, eller en brændstofdyse der er mere effektiv. Hvis AI kan hjælpe med noget af det, kommer der til at ske rigtig meget.

Så det er en videreudvikling af den mere klassiske beregning inden for topologi, hvor vi giver nogle få randparametre til AI, og så starter den derfra – og så kan den selv resonere sig frem til nogle af de videre steps. Kobler vi det med de andre designmetoder, så kan vi simpelthen prompte os til, at der fx ikke må være nogen overhæng over 45 grader, og at parten kun må veje et halvt kilo.

Så alle de her begrænsninger, som man lægger ind i en relativt avanceret model for materialet, dem kan man i princippet lave mindre avancerede og mere tilgængelige ved hjælp af AI.

Vi ser nogle begyndende eksempler på det, men jeg er stadig i tvivl om, hvorvidt det mere er hype end virkelighed. Men det kunne fx være sådan noget som LEAP 71, der har brugt AI til at designe deres nyeste raketdyse.

Inden for simuleringer ser vi også de første eksempler. Her snakker vi om at bruge AI i stedet for at lave en stor og tung CFD-simulering, som typisk kan tage flere dage. Hvis man lige hurtigt googler det, så lyder svaret, at AI kan gøre det på millisekunder i stedet for dage. Jeg skal lige se det, før jeg tror det. Men hvis vi tager det data, der er, og analyser og kategoriser ved hjælp af AI, så kommer vi i hvert fald et stykke af vejen.

4. AI inden for materialeudvikling
Her ser vi også en del aktivitet, og der er nogle startups, der arbejder med, hvordan vi kan bruge AI til at udvikle helt nye materialer med de rigtige egenskaber. Et eksempel er den danske SMV, PhaseTree, hvis platform er baseret på dyb materialeforståelse. Den kan accelerere udviklingen af materialer på molekylært niveau, hvilket betyder, at den kan opdage forskellige materialekompositioner baseret på de ønskede egenskaber – og 3D-print er et af de områder, som PhaseTree gerne vil udforske mere.

Det kunne jo være spændende at komme derhen, hvor jeg i princippet kunne prompte, at jeg fx gerne vil have et materiale, der er lettere end aluminium og stærkere end stål. Så kan AI bladre al tilgængeligt materialedata igennem – og det er relativt meget – og forhåbentlig være med til at finde på nye materialer.

Så hvad skal den kemiske sammensætning være? Hvad skal mikrostrukturen være? Måske endda optimere det til 3D print materiale, så det får den fleksibilitet, som 3D-print giver, eller så man i hvert fald kan lave det til et pulver, som det er muligt at 3D-printe i.

Der ser vi også nogle rigtig spændende muligheder og noget aktivitet, som vi kommer til at følge tæt.

Hvor langt er vi så?
Som jeg oplever det, er de fire nævnte områder på meget forskellige stadier. Der hvor jeg oplever, at vi er længst, der er inden for analyse af data fra maskinerne. Et eksempel er Euler, som vi også samarbejder med på Teknologisk Institut. Her er vi relativt tæt på, at det bare er i drift.

Det fungerer ved, at systemet tager et billede af hvert lag. AI analyserer, hvad for nogle fejl, der kan være og sender en rapport til operatøren af maskinen, der fx siger: ’Vær lige opmærksom på lag 77 – der kan være en fejl der’. Tidligere skulle vi sidde og bladre alle billeder eller al data igennem, så det blev mere stikprøver. Nu er det simpelthen blevet kompileret til én rapport, så det er meget brugervenligt. Du har alle data fra samtlige lag, fra samtlige byg, og får et highlight.

Her er vi lige nu i gang med at sammenligne det med et CT-scan for at se, om det så også fanger de lidt finere detaljer i, hvor fejlene kan ligge. Kan det fx fange enkelte porøsiteter? Så der er behov for at videreudvikle lidt mere på det, men det ser rigtig lovende ud.

I forhold til AI-baseret partscreening og udvælgelse af meningsfulde parter til 3D-print er vi ikke helt så tæt på. Der er flere leverandører, der siger, at de har det – og det tror jeg også på. Men det skal lige modnes lidt mere, før det giver den rigtige værdi.

Så er der design og simuleringer. Her hører jeg lidt modstand – i hvert fald når jeg snakker med eksperterne. For jeg finder jo online-eksempler, der siger, at du kan simulere på et millisekund i stedet for tre dage. Så siger jeg til vores simuleringseksperter: ’Kunne det ikke være fedt?” Der er de lidt mere tilbageholdende og siger, at det jo kommer an på, hvad der ligger af data, og hvad den pågældende AI-model er trænet på. Og hvis du fx tager en CFD-simulering, der hedder ’hvordan er flowet af luft hen over en bil’, så ligger der rigtig meget data – så her vil AI nok kunne lave noget brugbart. Men hvis vi ser på et værktøj med en indre kølekanal, så er der ikke nødvendigvis så meget data, at AI lige kan lave en meningsfuld simulering. Så indtil træningsmængden for AI bliver større, vil der stadig være nogle huller

Endelig er der materialeudvikling ved hjælp af AI. Det ser jeg også stadig som værende i sin vorden, og der kommer nok til at gå nogle år, før vi ser det bredt kommercielt tilgængeligt.

Vores eget arbejde med AI
På Teknologisk Institut har vi meget stort fokus på AI – både hvordan vi selv bruger det, og hvordan vi hjælper industrien med at bruge det. Vi oplever et stort behov fra virksomheder for at få hjælp på det område, for mange er stadig i tvivl om, hvordan de bruger det meningsfyldt.

Vi har den holdning, at vi gerne vil forstå et område ordentligt, før vi taler alt for meget om det. Derfor har en række medarbejdere – jeg selv inklusive – været igennem et uddannelsesforløb hos MIT, hvor vi har lært, hvordan vi bruger AI, både rent teknisk og inden for forretningsudvikling. Så det er det fundament, vi bygger på, når vi undersøger mulighederne inden for AI.

Inden for vores arbejde med 3D-print ligger AI også rigtig højt på agendaen. Vi rykker hele tiden grænserne for, hvad 3D-print kan, og i den forbindelse skal vi være med til at adoptere AI og introducere det til virksomhederne. Så en del af vores rolle er at skubbe på de områder, jeg har talt om, lave nogle små demonstratorer, og vise det til virksomhederne, så de ved, hvad der er af muligheder. Det er bl.a. noget af det, vi arbejder med i resultatkontrakten ’Industriel 3D-print og fremtidens fremstilling’, som er støttet af Uddannelses- og Forskningsstyrelsen under Uddannelses- og Forskningsministeriet.