TY - JOUR A1 - Marko, A. A1 - Bähring, S. A1 - Raute, J. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Transferability of ANN-generated parameter sets from welding tracks to 3D-geometries in Directed Energy Deposition N2 - Directed energy deposition (DED) has been in industrial use as a coating process for many years. Modern applications include the repair of existing components and additive manufacturing. The main advantages of DED are high deposition rates and low energy input. However, the process is influenced by a variety of parameters affecting the component quality. Artificial neural networks (ANNs) offer the possibility of mapping complex processes such as DED. They can serve as a tool for predicting optimal process parameters and quality characteristics. Previous research only refers to weld beads: a transferability to additively manufactured three-dimensional components has not been investigated. In the context of this work, an ANN is generated based on 86 weld beads. Quality categories (poor, medium, and good) are chosen as target variables to combine several quality features. The applicability of this categorization compared to conventional characteristics is discussed in detail. The ANN predicts the quality category of weld beads with an average accuracy of 81.5%. Two randomly generated parameter sets predicted as “good” by the network are then used to build tracks, coatings,walls, and cubes. It is shown that ANN trained with weld beads are suitable for complex parameter predictions in a limited way. KW - Welding parameter KW - Quality assurance KW - DED KW - Artificial neural network KW - Additive manufacturing PY - 2022 DO - https://doi.org/10.1515/mt-2022-0054 SN - 0025-5300 VL - 64 IS - 11 SP - 1586 EP - 1596 PB - De Gruyter AN - OPUS4-56278 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Marko, A. A1 - Bähring, S. A1 - Raute, J. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Quality Prediction in Directed Energy Deposition Using Artificial Neural Networks Based on Process Signals N2 - The Directed Energy Deposition process is used in a wide range of applications including the repair, coating or modification of existing structures and the additive manufacturing of individual parts. As the process is frequently applied in the aerospace industry, the requirements for quality assurance are extremely high. Therefore, more and more sensor systems are being implemented for process monitoring. To evaluate the generated data, suitable methods must be developed. A solution, in this context, was the application of artificial neural networks (ANNs). This article demonstrates how measurement data can be used as input data for ANNs. The measurement data were generated using a pyrometer, an emission spectrometer, a camera (Charge-Coupled Device) and a laser scanner. First, a concept for the extraction of relevant features from dynamic measurement data series was presented. The developed method was then applied to generate a data set for the quality prediction of various geometries, including weld beads, coatings and cubes. The results were compared to ANNs trained with process parameters such as laser power, scan speed and powder mass flow. It was shown that the use of measurement data provides additional value. Neural networks trained with measurement data achieve significantly higher prediction accuracy, especially for more complex geometries. KW - DED KW - Artificial neural network KW - Process monitoring KW - Quality assurance KW - Data preparation PY - 2022 UR - https://nbn-resolving.org/urn:nbn:de:kobv:b43-547039 DO - https://doi.org/10.3390/app12083955 VL - 12 IS - 8 SP - 1 EP - 13 PB - MDPI AN - OPUS4-54703 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Marko, A. A1 - Bähring, S. A1 - Raute, J. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Quality Prediction in Directed Energy Deposition Using Artificial Neural Networks Based on Process Signals N2 - The Directed Energy Deposition process is used in a wide range of applications including the repair, coating or modification of existing structures and the additive manufacturing of individual parts. As the process is frequently applied in the aerospace industry, the requirements for quality assurance are extremely high. Therefore, more and more sensor systems are being implemented for process monitoring. To evaluate the generated data, suitable methods must be developed. A solution, in this context, was the application of artificial neural networks (ANNs). This article demonstrates how measurement data can be used as input data for ANNs. The measurement data were generated using a pyrometer, an emission spectrometer, a camera (Charge-Coupled Device) and a laser scanner. First, a concept for the extraction of relevant features from dynamic measurement data series was presented. The developed method was then applied to generate a data set for the quality prediction of various geometries, including weld beads, coatings and cubes. The results were compared to ANNs trained with process parameters such as laser power, scan speed and powder mass flow. It was shown that the use of measurement data provides additional value. Neural networks trained with measurement data achieve significantly higher prediction accuracy, especially for more complex geometries. KW - DED KW - Artificial neural network KW - Data preparation KW - Quality assurance KW - Process monitoring PY - 2022 UR - https://nbn-resolving.org/urn:nbn:de:kobv:b43-555063 DO - https://doi.org/10.3390/app12083955 SN - 2076-3417 VL - 12 IS - 8 SP - 1 EP - 13 PB - MDPI CY - Basel AN - OPUS4-55506 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - JOUR A1 - Biegler, M. A1 - Elsner, B. A1 - Graf, B. A1 - Rethmeier, Michael T1 - Geometric distortion-compensation via transient numerical simulation for directed energy deposition additive manufacturing N2 - Components distort during directed energy deposition (DED) additive manufacturing (AM) due to the repeated localised heating. Changing the geometry in such a way that distortion causes it to assume the desired shape – a technique called distortion-compensation – is a promising method to reach geometrically accurate parts. Transient numerical simulation can be used to generate the compensated geometries and severely reduce the amount of necessary experimental trials. This publication demonstrates the simulation-based generation of a distortioncompensated DED build for an industrial-scale component. A transient thermo-mechanical approach is extended for large parts and the accuracy is demonstrated against 3d-scans. The calculated distortions are inverted to derive the compensated geometry and the distortions after a single compensation iteration are reduced by over 65%. KW - DED KW - Welding simulation KW - Dimensional accuracy KW - Additive manufacturing KW - Laser metal deposition KW - LMD PY - 2020 DO - https://doi.org/10.1080/13621718.2020.1743927 SP - 1 EP - 8 PB - Taylor & Francis AN - OPUS4-50877 LA - eng AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Marquardt, R. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Laser-Pulver-Auftragschweißen von funktional gradierten Materialien auf Cobalt-Chrom Basis N2 - Um Bauteile vor Verschleiß und Korrosion zu schützen werden Beschichtungen aus resistenteren Materialien aufgetragen. Hierzu zählen unter anderen die Legierungen auf Cobalt-Chrom Basis. Der diskrete Materialsprung ist jedoch unter thermischen und mechanischen Belastungen häufig Ursache für das Versagen der Beschichtung. In dieser Arbeit werden daher Materialgradierungen von verschiedenen Stahllegierungen zu einer Cobalt-Chrom Basislegierung untersucht. Die Ergebnissen werden dafür auch mit Resultaten zu vorangegangenen Untersuchungen verglichen. Kern der Arbeit bilden geätzte Schliffbilder der Materialpaarungen und Auswertungen mittels Farbeindringprüfung sowie die metallografische Bestimmung der Porosität. Ziel der Arbeit ist ein defektfreier Aufbau der funktional gradierten Materialpaarungen. T2 - 43. Assistentenseminar Fügetechnik CY - Päwesin, Germany DA - 20.09.2023 KW - Directed Enery Deposition KW - Funktionally Graded Material KW - Additive Manufacturing KW - DED KW - FGM KW - AM PY - 2023 SN - 978-3-96144-212-6 SP - 1 EP - 6 PB - DVS Media GmbH AN - OPUS4-59116 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Marquardt, R. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Funktional gradierte Materialien auf Basis von Stellite und Stahl im Laserpulver-Auftragschweißen N2 - Das Hinzufügen von Stellite auf Stahl ist eine typische Vorgehensweise um Bauteile gegen Verschleiß und Korrosion zu schützen. Der Sprung in den Materialeigenschaften kann jedoch zu Rissen und somit zum Versagen der Beschichtung führen. Um die Lebensdauer von Beschichtungen zu erhöhen wird daher ein gradierter Übergang mit verschiedenen Materialpaarungen untersucht. T2 - 13. Fachtagung Verschleiss- und Korrosionsschutz von Bauteilen durch Auftragschweißen CY - Haale (Saale), Germany DA - 22.06.2022 KW - FGM KW - DED KW - AM KW - Functionally Graded Materials KW - Additive Manufacturing KW - Directed Energy Deposition PY - 2022 SP - 66 EP - 73 AN - OPUS4-55504 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Marquardt, R. A1 - Bähring, S. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Künstliche Neuronale Netze zur Qualitätsprognose von Funktional Gradierten Materialien im laserbasierten Directed Energy Deposition N2 - Durch pulverbasiertes Directed-Energy Deposition lassen sich Gradierungen fertigen, um diskrete Materialübergänge zu vermeiden und die Lebensdauer von Hartschichten zu erhöhen. Die Kombination aus Stahl als Basiswerkstoff und einer verschleiß- und korrosionsbeständigen Co-Cr Legierung verspricht durch Vermeiden von Spannungskonzentrationen das Verhindern von Abplatzungen und Rissen in der Schutzschicht. Um die Qualität des gefertigten Bauteils zu beurteilen, liegen für solche Funktional Gradierten Materialien (FGM) wenig Erkenntnisse vor. Daher wird im Rahmen dieser Studie eine Methodik erarbeitet, um die relative Dichte eines Funktional Gradierten Materials auf Stahl und Co-Cr Basis mittels Maschinendaten zu bestimmen. Anschließend wird unter Einsatz eines künstlichen neuronalen Netzes anhand von Sensordaten die relative Dichte vorhergesagt. Das trainierte Netz erreicht eine Vorhersagegenauigkeiten von 99,83%. Abschließend wird eine Anwendung anhand von einem Demonstrator gezeigt. T2 - 3. Fachtagung Additive Manufacturing CY - Halle, Germany DA - 05.10.2023 KW - Directed Enery Deposition KW - Künstliche Neuronale Netze KW - Additive Manufacturing KW - DED KW - KI KW - AM PY - 2023 SP - 1 EP - 8 PB - SLV Halle AN - OPUS4-58692 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Marquardt, R. A1 - Osayi, J. A1 - Kmieciak, S. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Verschleißschutz einer Schneckengeometrie durch funktional gradierte Materialien N2 - Hochbelastete Stahlbauteile lassen sich durch Auftragen von Kobalt-Chrom Legierungen vor Verschleiß schüt-zen. Die plötzliche Änderung der Materialeigenschaften führt jedoch zu Spannungen und Rissen im Anbindungs-bereich. Daraus resultierende Abplatzungen stellen eine Gefahr für die Funktionsfähigkeit der Maschine und damit für Mensch und Umwelt dar. Um die Belastbarkeit der Schutzschicht zu verbessern, kann die Anbindung durch einen gradierten Materialübergang optimiert werden. Diese funktional gradierten Materialien können mit-tels pulverbasiertem Directed Energy Deposition aufgetragen werden. Die Methodik zum Aufbau und zur Quali-tätssicherung solcher Materialien wurde in vorangegangenen Arbeiten für dickwandige Geometrien gezeigt. Für dünnwandige Geometrien ist die Anwendbarkeit bisher unzureichend untersucht worden. Diese Arbeit zeigt am Beispiel einer dünnwandigen gradierten Schneckengeometrie die Einsatzfähigkeit der Methodik. Dafür wird die Gefügestruktur der Gradierung auf Fehler untersucht und der Härteverlauf gemessen. Außerdem wird die relative Dichte anhand eines bereits trainierten neuronalen Netzes vorhergesagt und mit einer Porositätsuntersuchung verglichen. T2 - 14. Tagung Verschleiß- und Korrosionsschutz von Bauteilen durch Auftragschweißen CY - Halle (Saale), Germany DA - 12.06.2024 KW - Directed Enery Deposition KW - Funktionally Graded Material KW - Additive Manufacturing KW - DED KW - FGM KW - AM PY - 2024 AN - OPUS4-62688 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER - TY - CONF A1 - Marquardt, R. A1 - Osayi, J. A1 - Kmieciak, S. A1 - Biegler, M. A1 - Rethmeier, Michael T1 - Verschleißschutz einer Schneckengeometrie durch funktional gradierte Materialien N2 - Hochbelastete Stahlbauteile lassen sich durch Auftragen von Kobalt-Chrom Legierungen vor Verschleiß schützen. Die plötzliche Änderung der Materialeigenschaften führt jedoch zu Spannungen und Rissen im Anbindungsbereich. Daraus resultierende Abplatzungen stellen eine Gefahr für die Funktionsfähigkeit der Maschine und damit für Mensch und Umwelt dar. Um die Belastbarkeit der Schutzschicht zu verbessern, kann die Anbindung durch einen gradierten Materialübergang optimiert werden. Diese funktional gradierten Materialien können mittels pulverbasiertem Directed Energy Deposition aufgetragen werden. Die Methodik zum Aufbau und zur Qualitätssicherung solcher Materialien wurde in vorangegangenen Arbeiten für dickwandige Geometrien gezeigt. Für dünnwandige Geometrien ist die Anwendbarkeit bisher unzureichend untersucht worden. Diese Arbeit zeigt am Beispiel einer dünnwandigen gradierten Schneckengeometrie die Einsatzfähigkeit der Methodik. Dafür wird die Gefügestruktur der Gradierung auf Fehler untersucht und der Härteverlauf gemessen. Außerdem wird die relative Dichte anhand eines bereits trainierten neuronalen Netzes vorhergesagt und mit einer Porositätsuntersuchung verglichen. T2 - 14. Tagung Verschleiß- und Korrosionsschutz von Bauteilen durch Auftragschweißen CY - Halle a. d. Saale, Germany DA - 12.06.2024 KW - Directed Enery Deposition KW - Funktionally Graded Material KW - Additive Manufacturing KW - DED KW - FGM KW - AM PY - 2024 SP - 1 EP - 7 PB - SLV Halle AN - OPUS4-60721 LA - deu AD - Bundesanstalt fuer Materialforschung und -pruefung (BAM), Berlin, Germany ER -