金属印刷における冶金、機械モデリング、機械学習の応用

出典: 江蘇レーザー連盟

この記事では、金属印刷を冶金学でどのように使用できるか、また機械モデルと機械学習を使用して金属付加製造を拡大する方法について説明します。この記事は第2部です。

機械モデル 機械モデルは、付加製造中に測定することが容易ではない温度および速度場、冷却速度および凝固パラメータなどのプロセス変数を計算できます。これらのモデルは、プロセスパラメータが変化したとき、および原材料の熱物理的特性が変化したときに、AM 印刷された部品の微細構造と特性がどのように変化するかを現象論的に説明します。しかし、プロセスと製品のデジタル特性評価は、今日でも依然として大きな課題に直面しています。この複雑さは通常、最も重要なプロセスパラメータを選択し、重要でないプロセスステップを無視することによって特徴付けられます。これらの仮定は基本的に信頼できるものであり、その信頼性はモデルによって予測された結果と実験結果を比較することによって検証されます。さらに、このタスクに使用されるモデルは、通常、溶融溶接や冶金学のモデルから借用されます。

積層造形における機械モデルは、パラメータの変化とコンポーネントの微細構造および特性との関係を予測するために広く使用されています。プロセスパラメータの物理的な変動のほとんどは、特性評価のためにマルチスケールシミュレーションを必要とし、場合によってはクロススケール変動も使用されます。ほとんどのシミュレーションでは、瞬間的な 3D 温度場が必要です。計算効率は、考慮される物理プロセスと計算の規模に応じて変化することが考慮されます。メソスコピックスケールで計算を実行すると、計算は非常に高速に実行されます。ただし、粉末層表面モデルで同じ計算を行うと、数桁長くかかることになります。したがって、時間スケールと長さスケールを組み合わせることは非常に困難な問題であり、さらなる研究が必要です。ここでは、既存の研究の進捗状況をレビューし、金属印刷における機械モデルが直面する機会と課題を紹介します。

熱伝達モデルと金属流動モデル 金属印刷には、加熱、溶融、凝固、固体相転移のプロセスに加え、溶融領域の形状、微細構造、欠陥、機械的特性、残留応力、変形の変化が含まれます。これらの物理的パラメータの変化と部品の微細構造および性能との間の定量的な関係を理解するには、溶融ゾーンの瞬間温度場と液体金属の流れのシミュレーションから始まります。熱伝達と液体金属の流れのシミュレーションは、質量、運動量、エネルギーの保存の原理に基づいており、温度と時間の履歴の変化、溶融ゾーンの形状の変化、凝固速度の変化などの情報を取得します。図 5a は、PBF-L および DED-L プロセスで粉末を原料として使用し、DED-GMA でワイヤを原料として使用した場合の典型的な溶融プールの温度と速度の場を示しています。メソスコピックモデルに基づく輸送現象を通じて、溶融池の 3D 温度場分布や形状変化、原料 (粉末またはワイヤ) の変化が得られます。これらのモデルでは、複数の層が堆積され、各層に複数の溶融チャネルが含まれる状況をシミュレートできます。

積層造形は、原材料の局所的な溶融と凝固に依存します。その結果、溶融池の形状とサイズが、印刷された部品の微細構造と特性に影響します。これらのモデルは、部品の形状特性を計算するだけでなく、製造プロセス中に金属が堆積される際の複数の熱サイクルも計算できます。これらの結果から、さまざまな監視場所の温度 - 時間データプロットが提供されます (図 5b を参照)。熱サイクリングは微細構造のシミュレーションに不可欠です。このような詳細な温度・時間・空間データを実験的に測定することは、積層造形プロセスに固有の複雑さのため、非常に困難です。ただし、一部の地域における温度と時間のデータが利用可能であれば、モデルのテストや調整に非常に役立ちます。熱伝達および流体フローモデルの結果により、微細構造、粒子構造、印刷可能性の定量的な理解が容易になります。

微細構造の進化のシミュレーション 微細構造内のさまざまな成分の変化に伴う相分率のシミュレーションは、熱処理前後の印刷部品の性能を理解するのに役立ちます。熱処理可能な合金はそれぞれ、加熱および冷却時に独自の相変態プロセスを経ます。その結果、微細構造シミュレーションは合金に依存し、微細構造の進化中に各相で起こり得る変態経路を表します。金属部品が複数の熱サイクルにさらされた場合のマルチパス溶融溶接の微細構造の計算に関する文献は比較的多くあります。このプロセスは積層造形に似ています。これらのシステムと積層造形においては、連続冷却相転移図と時間に伴う相分率の変化に関する詳細な運動情報を通じて、信頼性の高い微細構造計算が得られています。

熱履歴と合金組成を考慮するために、相変態のモデリングと微細構造特性のスケーリングが使用されてきました。 Avrami 方程式、Johnson-Mehl に基づく微細構造の計算は、PBF-L Ti6Al4V 合金に非常に有用であり、一方、連続冷却相変態図は、DED-L Ti6Al4V の微細構造の進化を理解し、DED-L In718 合金の析出速度論をシミュレーションするために使用されています。これらの計算は相分率に関して信頼できる結果を提供しますが、形態に関する情報は提供しません。相変態シミュレーションは、小さな長さスケールでの微細構造の特徴を解明するために使用されます。たとえば、アルミニウム合金の微細構造の進化のフェーズフィールドシミュレーションでは、図 5b に示すように、樹枝状結晶の成長が示されます。フェーズフィールドシミュレーションは、ニッケル基超合金の微細構造を計算するためにも使用されます。 DED-L Ti6Al4V 合金における β 相からバスケット織り α 相への固体相変態。粉末スケールでの温度計算に基づくフェーズフィールドモデルを使用してシミュレーションが実行されました。これらのモデルでは、物理モデルの接種、加熱、冷却を 3D メルトフローに組み込むことは非常に困難です。境界条件におけるエネルギー場の定義についても同様です。実験的にも数値的にも、相分率の変化（成分の長さと比較）に関する定量的なデータが不足していることが、困難さを増しています。

図5 金属印刷時のさまざまな機械モデルの結果
粒子構造の進化の計算 粒子の形態、サイズ、および方向は、部品の機械的および化学的特性に影響します。異なる方向の特定の断面を通して、粒子のサイズと形態の空間的変化を観察できます。ただし、選択した平面によっては、柱状結晶が特定の断面で等軸結晶のように見える場合があります。モンテカールベースの結晶粒成長シミュレーションにより、印刷された部品の結晶粒構造を理解することができます。これらのモデルは、柱状結晶から等軸結晶への変態、同じ配向相関下での凝固状態での粒成長方向の変化、複数の熱サイクル中の固体状態での粒成長方向の変化、および複数の熱サイクル中の固体粒の成長など、さまざまな粒形態の遷移状態をシミュレートできます。接種密度が粒子の形態に与える影響の計算では、接種密度が比較的大きい場合、等軸粒子の数は接種密度の CET の増加とともに変化することが示されています。

3D 粒成長モデルは、粒構造の進化を明らかにし、粒の形態、サイズ、方向、テクスチャに関する情報を提供します。これらの計算には、温度場、溶融ゾーンのサイズ、局所的な温度勾配、さまざまな場所での凝固成長速度に関する 3D の瞬間情報が必要ですが、これらはすべて熱および流体シミュレーションを通じて取得できます。粒子は部分的に溶融した粒子からエピタキシャルに成長し、凝固前面での最大熱流の方向に従います。特定の断面には等軸結晶が存在する場合があります。

残留応力と変形のシミュレーション 応力と歪みの変化を実験的に判断することは困難ですが、熱シミュレーションモデルが広く使用されています。これらのモデルは計算集約的であり、溶融池内の典型的な熱伝達メカニズムである液体金属の流れを考慮せずに熱伝達をモデル化します。より正確な計算では、対流熱伝達と、コンピューティングソフトウェアおよびハードウェアの改善が考慮されるようになります。 PBF-L、DED-L、DED-GMA におけるレーザー走査経路の変化に伴う残留応力とひずみの分布は大きく変化します (図 5d を参照)。これらの計算では対流熱伝達が考慮され、PBF-L での残留応力と変形が最小限であることが明らかになりました。これは、溶融池のサイズが小さく、堆積速度が比較的低いためです。計算量が多すぎて実用的ではありません。

欠陥形成のシミュレーション メソスコピックシミュレーションでは、表面粗さなどの小さな特徴はシミュレートされません。粉末スケールのシミュレーションは、通常 1mm3 またはそれより小さいメッシュサイズ (1 ～ 2 ミクロンなど) をシミュレートするため、この問題を解決するのに適しています。時間分布は多くの場合数ナノメートルに制限され、液体金属の高速フローにおける小さなグリッド間隔での計算収束が維持されます。したがって、これらのモデルの実行には 1 日以上かかる場合があります。キーホール不安定性によるボイドの形成は、粉末スケールモデルを使用してシミュレートできます。

気孔、合金元素の焼損、亀裂などのさまざまな欠陥の形成に関する機械的モデルが使用されるようになりました。一般的な積層造形印刷合金では、PBF および DED の気孔の形成は不十分な溶融によって引き起こされます。高エネルギー密度でのキーホール誘起多孔性のシミュレーションにより、キーホール壁の不安定性の性質を捉えることができます。もう一つの重要な問題は、高温堆積中の要素の焼損です。揮発性元素の選択的損失により、原材料と堆積製品の化学組成に大きな違いが生じる可能性があります。組成の変化は、堆積した製品の微細構造と特性にも影響を及ぼします。

多くの合金の印刷の成功は、溶融および凝固中に割れやすいという理由で妨げられています。柱状結晶粒の境界には、多数の亀裂が発生することがよくあります。柱状粒子から等軸粒子への粒子形態の変化により、凝固亀裂の形成が抑制され、合金の印刷性が向上します。柱状結晶から等軸結晶への変態に導入された CET の冶金学に関連して、いくつかのアプローチについて説明します。これらすべてのアプローチでは、凝固中の輸送現象の定量的な評価と結晶構造の進化のモデル化が必要です。

印刷適性評価 印刷中の評価では、変形、構成の変化、融合不足、ひび割れの起こりやすさなどの一般的な欠陥が部品にないか検査します。包括的モデルと低次元モデルが用意されており、タスクの達成に使用できます。理論的なスケールでの分析は、合金の高温変形に対する感受性をテストするために使用できます。合金の溶融不足に対する感受性は、熱伝達と流れの計算の数値モデルによって決定できます。印刷可能なデータベースを使用して実験的に検証されたモデルを使用すると、試行錯誤が減り、部品の認定のための開発時間が短縮されるため、新しい合金を印刷する際の時間とコストを節約できます。

現在、簡単に印刷できる市販の合金はごくわずかで、積層造形印刷用の特定の設計はまだ始まったばかりです。重要な目標は、一般的な欠陥を減らすことで印刷パフォーマンスを向上させることです。例えば、DED-L 後の Cr-Mo-V 工具鋼粉末とマルテンサイト系ステンレス鋼粉末の機械的特性は、従来の製造プロセスよりも優れています。 Ti 粉末と Cr 粉末を混合し、DED-L を使用して印刷すると、より優れた強度と靭性を実現できます。印刷用に 2021、6061、7075 アルミニウム合金に Si を添加すると、微細な Al3Zr 相または Al3Sc 相が析出します。これは結晶粒微細化の接種物として作用し、亀裂の発生を妨げます。新しいニッケルベースの合金ハステロイは、PBF-L 印刷用に設計され、亀裂の発生を抑制します。

機械モデルは、簡単には入手できない洞察を提供できる強力なシミュレーションツールです。しかし、これらの計算には基礎となる物理的メカニズムの深い理解が必要であり、このデータを入手するのは容易ではありません。さらに、機械モデルは複雑な場合が多く、多大な計算リソースとユーザースキルが必要になります。対照的に、機械学習ではプログラミング知識やモデリング技術をあまり必要としないため、幅広い応用が可能です。

金属印刷における機械学習の応用 機械学習により、コンピューターはさまざまなソースから取得したデータから学習して、信頼性の高い予測を行うことができます。現象に関するガイダンスや追加のプログラミングを必要とせずに、より有用な情報と関連する関係がデータから抽出されます。予測の精度により、製品の品質とデータ量が向上します。このテクノロジーの強力なオープンソースプログラミング機能により、機械学習で複雑な問題を解決できるようになります。この複雑な問題は、最初に発生したときには複雑になる可能性があります。ここでは、まずオープンソースのアルゴリズムとコードを紹介し、次にそれらの効果的な使用法と金属印刷への影響について説明します。

機械学習を使用する理由 試行錯誤を通じて高品質の部品を入手するのは、非常に時間がかかるだけでなく、コスト効率も悪くなります。そのため、金属印刷の全プロセスにおいて機械学習が広く利用され始めています（前回の記事の図3を参照）。金属印刷における微細構造、特性、欠陥の進化は、複数の同時物理プロセスに依存します。したがって、現時点では製品統合の現象は予測できません。機械学習は、微細構造、特性、欠陥を予測するツールとして使用できます。この方法では、複雑な数式を使用して問題を解決するために現象を理解する必要はありません。その結果、計算は非常に速くなります。さらに、入力変数の階層と出力データの感度を決定することもできます。最後に、テスト済みで使いやすく、信頼性の高いアルゴリズムが利用できるため、機械学習プログラムの構築は比較的簡単です。

豊富で信頼できるリソース 積層造形における機械学習の応用は、機械学習モデルとオープンソースプログラムの応用に適用されます。決定木、ランダムツリー、K 近傍法などの分類モデルは、印刷された部品内の検出されたまたは検出されていない気孔などのデータ分類の問題に役立ちます。これらのモデルは意思決定にも使用されます。人工ニューラルネットワーク、ベイジアンニューラルネットワーク、サポートベクターマシンなどの回帰モデルは、機能的な意味で入力と出力を関連付けるために使用され、一連の入力パラメータが与えられた場合に可変出力を予測できます。 WekaScikit-learn、TensorFlow、Keras、Theano などのオープンソースプログラミングを非常に簡単に使用できます。広範なマニュアルとテストケースが付属しているためです。次のセクションでは、金属部品を製造するさまざまな段階で製品の品質を向上させるために機械学習を適用できるユースケースを検討します。

金属印刷における応用 金属印刷における機械学習の応用は、複雑なプロセスの管理の効率性と強力なオープンソースコードによって急速に成長しています。最近のアプリケーションは、プロセス計画からパラメータの最適化、センシング制御、溶融ゾーンの寄与の強化、カスタマイズされた微細構造、欠陥の移動などにまで及びます（図 6 を参照）。これらの例は、金属印刷における機械学習が、単独または機械モデルと組み合わせて使用されることの重要性を示しています。

プロセスパラメータの最適化 プロセスパラメータの選択は、部品の品質を制御する上で非常に重要な要素です。機械学習は、理想的な部品を得るためにプロセス条件を予測および最適化する高速で信頼性の高い方法です（図 6a を参照）。たとえば、DED-GMA のニューラルネットワークは、ワイヤ送り速度、スキャン速度、アーク電圧、ノズルとシート材料間の距離を予測し、これらのパラメータを最適化して、部品の目的の幅と高さを実現します。ランダムツリーアルゴリズムを適用してパラメータを最適化し、PBF-L 技術を使用して高品質の In718 部品が得られました。ニューラルネットワークテクノロジーを使用して、粉末塗布ローラーの回転速度と移動速度を予測し、表面粗さを最小限に抑えます。熱力学モデリングと機械学習を組み合わせて使用し、勾配 SS316-純 Cr の DED-L 印刷中に脆い金属間シグマ相の形成を回避するためのプロセス状態を特定します。回帰ベースの機械学習を使用して、粉末供給速度、スキャン間隔、レーザー出力が DED-L の表面特性に与える影響を調べます。前述の機械学習の応用により、付加製造部品の構築やさまざまな付加製造変数の使用が可能になり、与えられたデータに基づいてパラメータを最適化するためにこの技術を使用できることが示されました。最適化されたパラメータは、時間の経過とともに蓄積されたデータに基づいて継続的に改善できます。

検出とプロセス制御 機械学習を使用すると、欠陥の形成を制限し、寸法精度を向上させながら、金属印刷プロセスを監視および制御できます。たとえば、部品のその場カメラ画像を使用して CAD 設計と比較し、欠陥が存在する可能性のある対象領域を検出することができます。これらの領域はさらにいくつかのサブ領域に分割することができ、画像を使用してニューラルネットワークをトレーニングし、リアルタイムで欠陥を検出できるようになります (図 6b を参照)。 3 つの例は、変数の検出と監視のアプローチを示しています。まず、コンピュータービジョンアルゴリズムを使用して取得された粉末特性に関するデータを使用して、プロセス制御用のサポートベクターマシンをトレーニングできます。第二に、産業用監視システムと多層分類により、PBF-L の欠陥の発生を減らすための制御戦略を提供できます。これらのデータは、同じ部品を製造する際に同じ装置によって提供されたデータに基づいています。最後に、光学センサーを使用して取得したデータをサポートベクターマシンを使用して分析し、DED-L の欠陥を検出します。これらの例は、人間の介入を最小限に抑えながら、印刷プロセスをその場でプロービングして監視することの有効性を示しています。

部品形状の制御 印刷工程の不安定性や熱変形により、印刷された部品の形状が設計寸法から外れる場合があり、極端な場合には部品が廃棄される原因となることもあります。機械学習は、印刷プロセス中に部品の寸法を制御するためによく使用されます。例えば、PBF-L SS 316 の場合、異なるレーザー出力とスキャン速度を使用してニューラルネットワークをトレーニングし、高速カメラを使用して堆積の幅を測定しました。その結果は、図 6c の左側の図に示されています。別のケースでは、ニューラルネットワークが特定のスキャン速度とレーザー出力条件下でのスキャントラック幅を予測し、その結果は実験結果と一致しています (図 6c の右側の図を参照)。
図 6 金属印刷における機械学習の応用例。ニューラルネットワークに基づく機械学習を使用して、溶融パスの幅と高さ、および溶融ゾーンの深さを制御します。さらに、レーザー出力、スキャン速度、スポットサイズ、吸収率の決定木を使用して、PBF-L の溶融プールの深さが最適化されました。さらに、ニューラルネットワークを使用して、プロセス中の形状偏差をキャプチャして分析し、寸法公差がより優れた積層造形部品を取得します。これらの例は、元の設計寸法と一致する改善により、コンポーネントの認証が容易になることを示しています。

微細構造と特性の制御 粒径、分布、配向などの微細構造特性や、引張特性、硬度、疲労強度などの特性を利用して機械学習アルゴリズムを開発し、計算処理を迅速に実行して理想的な微細構造と特性を得ることができます。機械学習のトレーニング用の入力データは、調整されたメカニズムモデルから生成できます。たとえば、3D モンテカルロモデルを使用して取得された粒度による周波数の変化は、ニューラルネットワークのトレーニングに使用できます (図 6b を参照)。 PBF-EB 用のニューラルネットワーク対応プロセスモデルと降伏強度を予測する遺伝的アルゴリズムは、PBF プロセス中の構造と特性の関係を理解するのに役立ちます。機械学習を使用して微細構造を定量化する技術はある程度進歩していますが、金属印刷における微細構造と特性を制御するための機械学習の応用はまだ開発の初期段階にあります。

欠陥を減らす 機械学習は、部品の多孔性、融合不足、変形、表面粗さなどの欠陥を最小限に抑えるために使用されます。たとえば、機械学習を使用して、Ti6Al4V を DED-L 印刷するときに多孔性を減らすことができます (図 6e を参照)。具体的には、DED-Lプロセス中の温度場を監視するために赤外線カメラが使用され、固相温度曲線をトレースすることによって溶融プールの境界が抽出されます。上記のデータに基づいて、開発されたサポートベクターマシンを使用してプロセスを正常と異常の2つのカテゴリに分類し、孔形成の可能性に応じて分類を実行しました。気孔の形成に有利な条件下で実験を実施したところ、部品に欠陥が形成されました（図 6e を参照）。別のサンプルでは、マシンビジョンを使用して異常な粉末の拡散を検出しました (プロセス PBF-L)。粉末の拡散と輸送による粉末床の欠陥は、ニューラルネットワークを使用して部品の欠陥と相関させることができます。別の研究では、自動画像分析を使用して欠陥を特定しました。機械学習は、表面欠陥を減らすのに非常に役立つフレームワークを提供します。

その他のアプリケーション 部品製造のさまざまな段階での応用に加えて、金属印刷における機械学習のその他の応用には、粉末の特性評価、部品の故障、部品の現場検査などがあります。たとえば、コンピュータービジョンデータを使用してサポートベクターマシンをトレーニングすると、粉末の特徴の品質を評価できます。機械学習は、機器の故障を予測し、実際の部品が故障する前に積極的に予測して部品を交換するためにも使用できます。同時に、機械学習プラットフォームは高解像度の画像と CT スキャンデータを通じてトレーニングされ、最終的には印刷プロセスにおける問題を予測し、欠陥を検出することを学習できるようになります。コンピュータービジョン技術と機械学習は、すでに業界で部品の検査や印刷されたコンポーネントの微小な亀裂の特定に使用されており、時間とコストを節約しています。

展望 近年、商用付加製造装置の売上は伸び続けており、世界的に認可された特許の数や世界市場収益データを見ると、付加製造の応用範囲は今後さらに拡大していくことが予想されます。積層造形技術の応用範囲のさらなる拡大、特により多くの商用合金を印刷する能力は、積層造形技術の応用におけるボトルネックを克服できるかどうかにかかっています。

付加製造技術に関する最近の文献レビューでは、3 つの明確な傾向があることが指摘されています。 1 つ目は、従来の方法では解決できない、または解決が困難な、積層製造プロセスに存在する問題を解決することです。メカニズムモデルの使用の増加と、パラメータ選択における機械学習の応用は、製品品質の向上、コストの削減、試行錯誤のコストの削減に役立ちます。 2 つ目の傾向は、金属を層ごとに積み重ねて製造する方法です。個々の層は人間の髪の毛よりも薄い場合もあり、その微細構造と特性について解決すべき不可解な科学的疑問が生じています。学際的な研究アプローチは、これらの問題に対処し、高度な AM 実践への応用を可能にすると同時に、冶金学の科学にも貢献します。最後に、3D プリント技術は従来のプロセスの技術レベルをさらに向上させました。たとえば、内部冷却チャネルを備えた 3D プリント射出成形金型は、冷却時間を短縮し、製品の生産能力と品質を向上させることができます。 3Dプリントと機械加工を組み合わせた複合製造は、それぞれの利点を最大限に発揮できます。このように、冶金学、機械モデル、機械学習による金属印刷への貢献は、徐々に従来の製造プロセスに浸透していきます。金属印刷が直面している科学的、技術的、経済的な課題を解決するには、ソフトウェアとハードウェアの両方におけるメカニズムモデリングと機械学習の進歩、印刷可能なデータベースの継続的な改善、微細構造と特性の関係の改良が必要です。これらの技術の進歩を実現するには、世界中で多分野にわたる技術革新が必要です。

さらに読む: 概要: 金属印刷における冶金学、機械モデリング、機械学習の応用 (パート 1)

出典: T. DebRoy、Mukherjee、T.、Wei、HL 他「金属印刷における冶金、機構モデル、機械学習」Nat Rev Mater (2020) https://doi.org/10.1038/s41578-020-00236-1

金属印刷における冶金、機械モデリング、機械学習の応用

メーカーチームがAI生成のビーチバギーデザインを3Dプリント

3Dプリントされた金属ヒートシンクが高性能コンピュータの小型化に貢献

アマゾンが「車載型3Dプリント」サービスの特許を取得、パーソナライズカスタマイズの時代が到来

【事例】貴重な古代エジプトのファラオの頭部の3Dスキャンと複製

3Dプリント材料の分析とテストのための新しい方法

キヤノンSLMセラミック3Dプリントが2023年中国国際先進セラミックス展でデビュー

マキノとドイツのフラウンホーファーが共同で超高速レーザークラッディング技術を5軸CNCプラットフォームに統合

アカデミー会員ダイ・ケロン氏のチーム: 整形外科およびリハビリテーションアクセサリーにおける 3D プリントとデジタル医療の臨床的変革

「Lovers' Journey」が3Dプリントで古代文明を救う「ゴールデンパンダ賞」を受賞

BFF 3Dバイオプリンターが国際宇宙ステーションに常駐し、生物医学および製薬研究の新たな機会を模索

推薦する

3Dプリントの正確な位置決めが神経内視鏡による頭蓋内血腫除去を支援

150レーザービーム金属3Dプリンター、100倍のパワー、VulcanFormsが大規模製造サービスを開始

ナノディメンション、新たな電子機器用3Dプリントインク工場を建設へ

『Genshin Impact』のプレイヤーはどれくらい熱狂的ですか? 3Dプリントされた自家製武器、武器のパターンまで再現

AML3D、防衛3Dプリントアプリケーションに関して米国国防総省と新たな契約を締結

ADDIMETAL、フランス初のK2-2金属バインダージェット3Dプリンターを発売

英国企業が高速道路の端壁の建設に3Dプリント技術をうまく利用し、建設業界におけるその可能性を明らかにした。

イスラエルの企業はコラーゲンバイオ3Dプリントインクを開発しており、政府から数千万ドルの投資を受けている。

3DプリンターメーカーのFlashforgeが2019年中国（金華）デジタルエンターテイメントカーニバルに登場

【分析】軍事分野における3Dプリント技術の応用と発展動向

漂白剤はロケット燃料としては安全ですか?新しい3Dプリント触媒ベッドがヒドラジン代替燃料の開発に貢献

偉大な国の才能は一粒の粉から始まる——AVIC Mateのゼネラルマネージャー、高正江氏へのインタビュー

中国初の商用工業グレード高速光硬化3Dプリンターが登場、Revoは12兆ドル規模の製造市場をターゲットに

ヤン・ダペン独占インタビュー：ファイバーレーザーでインテリジェント製造を実現し、国際的な言論力を獲得

携帯電話の指紋認証から3Dプリンターまで、絶対に安全なシステムは存在しない