Onderzoekers van de Swanson School of Engineering hebben meer dan $ 1 miljoen ontvangen in gecombineerde financiering van het Amerikaanse ministerie van Energie (DoE) en de Universiteit van Pittsburgh. De financiering is bedoeld ter ondersteuning van de ontwikkeling van een effectieve kwaliteitsborgingsmethode voor de additieve productie van gasturbineonderdelen van de nieuwe generatie. Duurde drie jaar, Xiayun (Sharon) Zhao, PhD, assistent-professor in de machinebouw en materialenwetenschappen bij Pitt, zal het project leiden.
De DoE heeft via het University Turbine Systems Research-programma een bedrag van $ 802.400 aan de onderzoekers toegekend en Pitt heeft $ 200.600 extra verstrekt (waarmee de totale subsidie op $ 1.003.000 komt). Bovendien zal ANSYS, een bedrijf voor engineeringsimulatiesoftware, als industriële partner in het project dienen en verdere ondersteuning bieden.
Ontwikkeling van kwaliteitsborging voor laserpoeder-bedfusietechnologie
Naast Dr. Zhao bestaat het onderzoeksteam uit Albert To, universitair hoofddocent Werktuigbouwkunde en Materiaalkunde bij Pitt, en Richard W. Neu, professor aan de School of Mechanical Engineering van Georgia Institute of Technology.
Gebruikmakend van de toegewezen financiering, is het onderzoeksteam op zoek naar een kosteneffectieve methode voor kwaliteitsbewaking voor turbinecomponenten met warm gaspad (HGPTC's), die specifiek zijn gemaakt met laserpoederbedfusie (LPBF) -technologie. Dr. Zhao legt uit dat de efficiënte eigenschappen van LPBF een aantrekkelijke optie zijn voor het ontwikkelen van HGPTC's: "LPBF AM is in staat complexe metaalcomponenten te maken met lagere materiaal- en tijdkosten."
Er zijn echter mogelijke defecten aanwezig in onderdelen die door LPBF-additieven worden gefabriceerd en die nadelig kunnen zijn als ze worden geïmplementeerd in HGPTC's. Daarom is de ontwikkeling van de nieuwe kwaliteitsborgingsmethode een noodzakelijke stap voor de productie van HGPTC's van de volgende generatie met behulp van additieve fabricage. Het team zal gebruik maken van machine learning om snel HGPTC's geproduceerd met behulp van LPBF-additive manufacturing te evalueren.
"Omdat de mogelijkheid bestaat dat de componenten poreuze defecten vertonen en gevoelig zijn voor nadelige thermomechanische vermoeidheid, is het van cruciaal belang om een goede kwaliteitsbewakingsmethode te hebben voordat u ze gaat gebruiken", voegt Dr. Zhao toe.
