Additive manufacturing of copper parts for the space sector: process characterization and in-situ monitoring

Additive Manufacturing (AM) is increasingly recognized as a key technology for the space sector, where copper components play a vital role in propulsion and thermal management. Achieving the stringent requirements of space applications demands zero-defect manufacturing, yet Laser-Powder Bed Fusion (LPBF) of copper remains challenging due to its high reflectivity and thermal conductivity, which hinder energy absorption and promote defect formation. Addressing these challenges requires optimized processing strategies combined with advanced in-situ monitoring. This thesis integrates process characterization, parameter optimization, and spatter monitoring to improve the reliability of pure copper LPBF. First, a process optimization campaign with cubic specimens was performed, supported by an innovative polishing and grinding workflow that enabled accurate porosity and density analysis. Optimized parameters capable of ensuring high consolidation were established. Subsequently, thermal videos from twenty consecutive layers of chamber builds were analyzed to detect and classify spatters, which are key indicators of process stability. Two complementary monitoring approaches were developed and compared: a classical image segmentation workflow and a YOLO-based machine learning model. Quantitative evaluation against manually labeled data highlighted the limitations of image segmentation (precision of about 26%), while the You Only Look Once (YOLO) model achieved a precision of approximately 85%, demonstrating superior robustness and reliability. Overall, this work shows that combining process optimization with machine learning-based monitoring strengthens the path toward zero-defect LPBF of pure copper for space applications. The results contribute to the development of quality-assured additive manufacturing strategies essential for critical aerospace components.

I processi di produzione additiva (Additive Manufacturing, AM) sono sempre più riconosciuti come una tecnologia abilitante per il settore spaziale. In particolare, i componenti in rame rivestono un ruolo cruciale sia nei sistemi di propulsione, sia nelle applicazioni di gestione termica, grazie alle loro proprietà fisiche e funzionali. Il raggiungimento dei rigorosi requisiti richiesti dalle applicazioni spaziali impone una produzione priva di difetti. Tuttavia, il processo di Laser Powder Bed Fusion (LPBF) applicato al rame puro e alle sue leghe presenta ancora criticità rilevanti, legate all’elevata riflettività e conducibilità termica del materiale, che riducono l’assorbimento energetico del fascio laser e favoriscono la formazione di difetti strutturali. Affrontare tali sfide richiede strategie di processo ottimizzate, combinate con avanzate tecniche di monitoraggio in-situ. In questa tesi sono state integrate la caratterizzazione del processo, l’ottimizzazione dei parametri e il monitoraggio degli spatters, con l’obiettivo di migliorare l’affidabilità del processo L-PBF per rame puro. In primo luogo, è stata condotta una campagna di ottimizzazione dei parametri mediante la fabbricazione di provini cubici, supportata da una procedura innovativa di lucidatura e levigatura che ha permesso un’analisi accurata di porosità e densità. Sono così stati individuati parametri ottimali in grado di garantire un’elevata consolidazione del materiale. Successivamente, sono stati analizzati video termici relativi a venti strati consecutivi della costruzione di camere di prova, con l’obiettivo di rilevare e classificare gli spatters, considerati indicatori chiave della stabilità del processo. In parallelo, è stata inoltre valutata l’emissione di scintille durante la stampa, riconosciuta come un’ulteriore possibile firma del comportamento del processo. Sono stati sviluppati e confrontati due approcci di monitoraggio complementari: un flusso di lavoro basato sulla segmentazione classica delle immagini e un modello di machine learning basato su YOLO. La valutazione quantitativa rispetto a dati etichettati manualmente ha evidenziato i limiti della segmentazione (precisione di circa 26%), mentre il modello YOLO ha raggiunto una precisione di circa 85%, dimostrando una maggiore robustezza e affidabilità. Complessivamente, questo lavoro mostra che la combinazione tra ottimizzazione dei parametri di processo e monitoraggio basato su machine learning rafforza il percorso verso il processo L-PBF per rame puro a difetti zero per applicazioni spaziali. I risultati contribuiscono allo sviluppo di strategie di manifattura additiva certificate per la produzione di componenti aerospaziali critici.