Kašaev, NikolaiNikolaiKašaev10676006200000-0001-5969-8560Wang, MengjieMengjieWang2024-07-092024-07-092024Technische Universität Hamburg (2024)https://hdl.handle.net/11420/47916Additive manufacturing has gained considerable attention from both industry and academia in recent years, primarily due to its numerous advantages over conventional subtractive manufacturing technologies. The layer-by-layer deposition process in additive manufacturing offers substantial design freedom, which proves advantageous for weight reduction, improving manufacturability for structures with intricate geometries, and cost-saving. In fusion-based additive manufacturing, materials undergo a process of melting and solidification. The energy sources used for melting materials include laser, arc, and electron beam. Laser-based additive manufacturing has gained widespread popularity due to its ability to operate without a vacuum atmosphere, unlike electron-beam melting, and its superior geometrical accuracy compared with arc-based additive manufacturing. Lightweight materials and designs are in high demand in the automobile and aerospace industries because of their potential to reduce carbon emissions and minimize environmental impacts. Aluminum alloys with a high density-strength ratio are commonly utilized as lightweight materials. However, the range of applicable Al alloys in laser-based additive manufacturing is limited due to various processing challenges. These challenges include issues such as oxidation, high reflectivity, porosity formation, and cracking susceptibility. Therefore, it is crucial to address these challenges and establish an optimal process window for Al alloys in laser-based additive manufacturing. Al-Zn-Mg-Cu alloys, also known as 7XXX series alloys, are precipitation-strengthening alloys that demonstrate superior strength characteristics when subjected to appropriate ageing treatment. The rapid heating and cooling involved in laser-based additive manufacturing can be advantageous for processing 7XXX series alloys. The non-equilibrium solidification resulting from the rapid cooling promotes grain refinement and increases the solubility of solutes in the α-Al matrix, thereby enhancing the precipitation-strengthening effects during ageing treatment. Consequently, it is valuable to explore the processability of 7XXX series alloys in laser-based additive manufacturing. The primary objective of this thesis is to develop an appropriate process window for laser-directed energy deposition (L-DED) in order to process high-strength 7XXX series alloys. Furthermore, the aim is to investigate the relationship between process-microstructure-property. Additionally, considerable attention has been given to understanding the mechanism behind defect formation, specifically porosity and cracks. 7XXX series alloys are processed using wire- and powder-based L-DED, respectively. When it comes to structural integrity, specifically in terms of porosity levels and cracking, wire-based feedstock demonstrates superior processability compared with powder-based feedstock. The high porosity levels observed in structures produced by powder-based L-DED are attributed to two main factors: the presence of intrinsic pores inside powder materials and the evaporation of volatile alloying elements during processing. The installation of a self-designed shielding gas nozzle in wire-based L-DED has been found to greatly improve surface roughness, reduce porosity levels, and enhance processing stability. A delayed hot cracking is noticed in wire-based L-DED processing high-strength Al alloys. The delayed hot cracking is correlated to the deposition length of structures and the number of deposited layers. After conducting a comprehensive analysis of the solidification conditions captured by an infrared thermal camera, microstructural characterization, and residual stress analyzed using high-energy synchrotron X-ray diffraction, it has been determined that the initiation mechanism behind delayed hot cracking in wire-based L-DED is attributed to inadequate backfilling to shrinkage during solidification. This insufficient backfilling results in solidification cracking. Additionally, the competitive growth pattern observed between grains with a preferential growth direction and other misaligned grains relative to the heat flow direction contributes to the occurrence of delayed cracking. Regarding the mechanical properties, as-built structures produced using wire-based L-DED exhibit superior strength while maintaining a satisfactory level of ductility. The superior mechanical properties observed in wire-based L-DED structures can be attributed to two main factors. Firstly, the cyclic heating effects that occur during successive deposition to previously solidified layers act as an ageing treatment leading to the precipitation of strengthening phases. Secondly, the presence of large columnar grains with an epitaxial growth pattern dominates the microstructure, further enhancing the overall strength of the material. Process monitoring and quality control are two prominent areas of research in additive manufacturing, particularly for achieving consistent properties in structures intended for serial production and industrialization. Existing methodologies rely on machine learning algorithms for post-process quality control, which can aid in ensuring quality and optimizing resource utilization. Nevertheless, these methods cannot prevent material waste since they are implemented after the structures have already been produced. Another objective of this thesis is to leverage machine learning algorithms for in-situ adjustment of process parameters in laser-based additive manufacturing, to ensure processing stability. The high-speed camera captures processing images that contain various characteristics, including the melt pool, plume, and spatter. These characteristics exhibit distinct patterns under different processing states. To effectively analyze and classify these images, a convolutional neural network is employed. The convolutional neural network is trained to learn and recognize the specific characteristics of the process images, enabling it to accurately identify the corresponding processing states. The successful categorization of processing states through the identification of processing images using a convolutional neural network has been validated. This enables the in-situ adjustment of process parameters based on the current processing states, thereby ensuring the maintenance of processing stability. As a result, a consistent quantity and distribution of porosity level can be achieved across various deposition layers. It can be concluded through the comprehensive analysis conducted in this thesis regarding the L-DED processing high-strength 7XXX series Al alloys as follows: It has been demonstrated that using wire as the feedstock in L-DED shows better processability than using powder. Crack-free thin-wall structures with low porosity levels can be built in wire-based L-DED while achieving a good combination of strength and ductility in these structures simultaneously. Additionally, a methodology involving process monitoring and machine learning has been proposed and proven to be effective in maintaining processing stability and consistency.In den letzten Jahren hat die additive Fertigung sowohl in der Industrie als auch in der Wissenschaft erhebliche Aufmerksamkeit erlangt. Dies liegt vor allem an den zahlreichen Vorteilen, die sie im Vergleich zu herkömmlichen subtraktiven Fertigungstechnologien bietet. Durch das schichtweise Auftragen ermöglicht die additive Fertigung eine große Gestaltungsfreiheit, was sich positiv auf Gewichtsreduzierung, Herstellbarkeit von Bauteilen mit komplexer Geometrie und Kosteneinsparung auswirkt. Bei der schmelzbasierten additiven Fertigung werden die Materialien geschmolzen und wieder erstarrt. Als Energiequelle für den Schmelzprozess kommen Laser, Lichtbogen und Elektronenstrahl zum Einsatz. Die laserbasierte additive Fertigung ist heute weit verbreitet, da sie im Gegensatz zum Elektronenstrahl keine Vakuumatmosphäre erfordert und eine bessere geometrische Genauigkeit als die lichtbogenbasierte additive Fertigung bietet. Leichtbauwerkstoffe und -konstruktionen sind in der Automobil-, Luft- und Raumfahrtindustrie sehr gefragt, da sie den Kohlenstoffausstoß verringern und negative Umweltauswirkungen minimieren können. Aluminiumlegierungen mit einem hohen Dichte- Festigkeits-Verhältnis gehören zu den typischen Leichtbaumaterialien. Obwohl es zahlreiche Aluminiumlegierungen für spezifische Anwendungen gibt, sind die in der laserbasierten additiven Fertigung verwendbaren Aluminiumlegierungen begrenzt. Al-Zn-Mg-Cu- Legierungen (7XXX-Serie) sind ausscheidungshärtende Legierungen, die nach einer geeigneten Auslagerungsbehandlung eine hohe Festigkeit aufweisen. Schnelle Erwärmung und Abkühlung in der laserbasierten additiven Fertigung bieten Vorteile für die Verarbeitung von Aluminiumlegierungen der 7XXX-Serie. Durch die schnelle Abkühlung kommt es zu einer Nichtgleichgewichtserstarrung, was zu einer Kornfeinung führt und die Löslichkeit von gelösten Stoffen in der α-Al-Matrix erhöht. Dadurch werden die ausscheidungsfestigenden Effekte während der Auslagerungsbehandlung verstärkt. Daher ist es sinnvoll, die Verarbeitbarkeit von Aluminiumlegierungen der 7XXX-Serie in der laserbasierten additiven Fertigung genauer zu untersuchen. Eines der Ziele der vorliegenden Arbeit besteht darin, ein geeignetes Prozessfenster für das Laserauftragschweißen von hochfesten Aluminiumlegierungen der 7XXX-Serie zu entwickeln und die Korrelation zwischen Prozess, Mikrostruktur und Eigenschaft aufzuzeigen. Ein weiterer Schwerpunkt liegt auf dem Verständnis des Mechanismus der Defektbildung, insbesondere von Porosität und Rissen. Die Legierungen der 7XXX-Serie werden mit draht- und pulverbasiertem Laserauftragschweißen verarbeitet. Im Vergleich zu Pulver als Ausgangsmaterial weist Draht eine bessere Verarbeitbarkeit hinsichtlich struktureller Integrität, insbesondere in Bezug auf Porosität und Rissbildung auf. Die hohe Porosität in pulverbasierten laserauftragschweißten Strukturen ist auf die intrinsischen Poren in den Pulverpartikeln und die Verdampfung flüchtiger Legierungselemente während der Verarbeitung zurückzuführen. Durch Installation einer selbst entworfenen Schutzgasdüse für drahtbasiertes Laserauftragschweißen werden Oberflächenrauheit, Porosität und Verarbeitungsstabilität erheblich verbessert. Beim drahtbasierten Laserauftragschweißen von hochfesten Aluminiumlegierungen wird eine VI verzögerte Heißrissbildung beobachtet. Diese verzögerte Heißrissbildung korreliert mit der Spurlänge der Strukturen und der Anzahl der aufgetragenen Schichten. Nach der Analyse wird festgestellt, dass der Mechanismus der verzögerten Heißrissbildung auf eine unzureichende Auffüllung der Volumendefizite bei der Schrumpfung während der Erstarrung zurückzuführen ist, was zur Erstarrungsrissbildung führt. Das konkurrierende Wachstumsmuster zwischen Körnern mit bevorzugter Wachstumsrichtung und anderen ausgerichteten Körnern relativ zur Wärmestromrichtung trägt zur verzögerten Rissbildung bei. In Bezug auf die mechanischen Eigenschaften weisen die mit drahtbasiertem Laserauftragschweißen hergestellten Strukturen eine überlegene Festigkeit auf, ohne dass dies auf Kosten der Duktilität geht. Dies wird auf zwei Gründe zurückgeführt: Zum einen wirken die zyklischen Aufwärmungseffekte während des aufeinanderfolgenden Auftragens auf zuvor erstarrte Lagen wie eine Auslagerungsbehandlung, was zur Ausscheidung von Verfestigungsphasen führt. Zum anderen dominieren große säulenförmige Körner mit epitaxischem Wachstumsmuster die Mikrostruktur. Die Prozessüberwachung und Qualitätskontrolle bei der additiven Fertigung sind zwei wichtige Forschungsthemen, da die Eigenschaftskonsistenz von Strukturen für die Serienproduktion und Industrialisierung entscheidend ist. Aktuelle Methoden, die auf Algorithmen des maschinellen Lernens basieren, werden als Post-Prozess-Qualitätskontrolle eingesetzt. Sie können die Qualitätskontrolle unterstützen und Ressourcen einsparen. Allerdings konnen sie nicht vermeiden, dass Material nach der Herstellung der Strukturen verschwendet wird. Ein weiteres Ziel der vorliegenden Arbeit besteht darin, Algorithmen des maschinellen Lernens zur Aufrechterhaltung der Prozessstabilität durch In-situ-Anpassung der Prozessparameter in der laserbasierten additiven Fertigung einzusetzen. Die von einer Hochgeschwindigkeitskamera aufgenommenen Verarbeitungsbilder enthalten verschiedene Verarbeitungsmerkmale wie Schmelzbad, Fackel und Spritzer. Diese Verarbeitungsmerkmale unterscheiden sich je nach Verarbeitungszustand. Um diese Merkmale zu lernen und die entsprechenden Verarbeitungszustände zu identifizieren, wird ein Convolutional Neural Network zur Klassifizierung eingesetzt. Es hat sich gezeigt, dass die Verarbeitungszustände erfolgreich kategorisiert werden können, indem die Verarbeitungsbilder mithilfe des Neural Network identifiziert werden. Basierend auf den aktuellen Verarbeitungszuständen können die Prozessparameter in Echtzeit angepasst werden, um die Prozessstabilität aufrechtzuerhalten. Dadurch wird eine gleichbleibende Menge und Verteilung der Porosität in den verschiedenen Auftragslagen erreicht. Die in dieser Arbeit durchgeführte umfassende Analyse der L-DED-Verarbeitung von hochfesten Al-Legierungen der 7XXX-Serie lässt folgende Schlussfolgerungen zu: Die Verwendung von Draht als Ausgangsmaterial in der L-DED weist eine bessere Verarbeitbarkeit auf als die Verwendung von Pulver. Rissfreie dünnwandige Strukturen mit geringer Porosität können im drahtbasierten L-DED hergestellt werden, wobei gleichzeitig eine gute Kombination von Festigkeit und Duktilität in diesen Strukturen erreicht wird. Darüber hinaus wurde eine Methodik zur Prozessüberwachung und zum maschinellen Lernen vorgeschlagen, die sich als wirksam für die Aufrechterhaltung der Verarbeitungsstabilität und -konsistenz erwiesen hat.enhttps://creativecommons.org/licenses/by/4.0/high-strength 7XXX aluminum alloyLaser-directed energy depositionmicrostructure and mechanical propertiesporosity and hot crackingprocess developmentprocessing monitoring and controllingTechnology::620: Engineering::620.1: Engineering Mechanics and Materials ScienceTechnology::621: Applied PhysicsDoctoral Thesis10.15480/882.1307810.15480/882.13078Bergmann, Jean PierreJean PierreBergmannOther