In der stetig an Bedeutung gewinnenden laseradditiven Fertigung (Laser Powder Bed Fusion, LPBF) metallischer Komponenten stellt die Maschinenzeit einen grundlegenden Kostentreiber dar, welcher durch die Steigerung der Aufbaurate reduziert werden kann. Hierzu sind die Belichtungszeiten pro Schicht zu reduzieren und gleichzeitig die Schichtdicke zu maximieren. Im produzierenden Umfeld erfolgt eine Fertigung meist mit Prozessparametern welche die höchstmöglichen relativen Dichten und daraus resultierend mechanische Eigenschaften aufweisen, welche mit konventionell hergestellten Komponenten vergleichbar sind. Dabei erfordert nicht jedes zu produzierende Bauteil oder jedweder Bauteilbereich die höchstmöglichen mechanischen Eigenschaften. Über eine bedarfsorientierte Einstellung der Prozessparameter zur Reduktion der relativen Dichte in mechanisch weniger belasteten Bereichen, wie der neutralen Faser, kann so die LPBF-Maschinenzeit reduziert werden, ohne die Nutzbarkeit der Bauteile zu beeinflussen. Mit höherer Porosität geht aufgrund der Kerbwirkung dieser Fehlstellen eine Minderung der mechanischen Eigenschaften einher. Dem kann mit einer angepassten thermischen oder thermomechanischen Nachbehandlung zur Einstellung der benötigten Eigenschaften entgegengewirkt werden.

Zur bedarfsorientierten Anpassung des laseradditiven Fertigungsprozesses zur Erreichung vorgegebener relativer Dichten sind geeignete Prozessparameter zu generieren. Diese Fragestellung entspricht der Definition eines inversen Problems, dessen Lösung einen unendlich großen Lösungsraum aufweisen kann. Basierend auf einer statistischen Versuchsreihe erfolgt die Untersuchung der Einflüsse der Prozessparameter Laserleistung, Schichtdicke, Spurabstand und Belichtungsgeschwindigkeit auf die erreichbare relative Dichte von AlSi10Mg Testkörpern. Aufgrund des komplexen Zusammenspiels dieser Prozessparameter wird ein Modell des maschinellen Lernens entwickelt, welches für gegebene Prozessparameter die resultierenden relativen Dichten vorhersagen kann.  In der vorliegenden Untersuchung ist eine Gleichung mit vier unbekannten Prozessparametern zu lösen. Um diese unterbestimmte Problemstellung zu lösen, wurden zwei Ansätze untersucht: eine Datenbank basierend auf dem trainierten Prädiktionsmodell für die relative Dichte und ein mit letzterem verketteten inversen künstlichen neuronalen Netz. Unter Berücksichtigung weiterer Randbedingungen und der Unsicherheit des laseradditiven Fertigungsprozesses können Parameter für definierte relative Dichten vorhergesagt und so eine Lösung des inversen Problems präsentiert werden.