研究

阿尔贡的科学家们使用机器学习来预测3D打印零件的缺陷

一组来自阿贡国家实验室德州农工大学已经开发了一种创新的方式,以三维打印部分的缺陷检测。使用实时温度数据,连同机器学习算法,科学家们能够使热历史和表面缺陷的过程中激光粉末床熔融工艺形成之间相关链接。

亚伦·格列柯是这项研究的合著者之一,他解释说:“最终你将能够打印一些东西,并在源头收集温度数据,你可以看到是否有一些异常,然后修复它们或重新开始。这是一个大目标。”

3D打印部件的气孔率

如复杂的3D打印,即使较高端工业系统与孔隙率斗争 - 在3D空隙印刷,其中金属粉末没有充分熔融部。这些孔隙度往往会造成“薄弱点”,从而容易出现开裂和断裂的部件。

有许多不同的原因为孔隙度到的形式,包括不一致的粉末和激光强度不足。据诺亚保尔森,纸的主要作者,阿贡工作表明,有一个部件的表面温度,并且孔隙率形成内部之间的不同的相关性。

机器学习和粉末床融合

为了便于研究,科学家们使用了高能x射线Argonne的高级光子源(APS),能源部设施。该团队设计并建造了一个带有现场红外摄像机的试验性PBF平台,该平台将用于由Ti-64粉末制成的3D打印部件。在打印过程中,用相机捕捉温度数据,用x射线从侧面观察打印过程,给出气孔是否形成的指示。

保尔森补充道:“同时拥有的俯视图和侧视图是真的很强大。随着侧视图,这是什么是真正独一无二这里与APS设置,我们可以根据不同的时间和温度的组合形式的孔隙率看,在一定的工艺条件为激光经过“。

实验的LB-PBF设置。图片来自阿尔贡国家实验室。
实验的LB-PBF设置。图片来自阿尔贡国家实验室。

有趣的是,比较所述热历史到它们各自的孔隙率配置文件时,科学家们发现,低温度峰值后逐渐下降可能与孔隙率少有关。另一方面,高温高峰后的温度下降和随后的升高可能导致气孔率的增加。利用他们的数据集,保尔森的团队接着建立了机器学习算法,该算法可以根据打印过程中记录的热历史准确预测孔隙率的形成。

通过红外成像识别孔隙率可能形成的位置是一个非常强大的工具。它消除了昂贵的个别零件检查的需要,这在处理高产量时并不总是可行的。保尔森的研究团队希望,在未来几个月里,随着更多的数据集和更复杂的机器学习模型的出现,这项工作能够得到发展和改进。

三维打印过程的X射线成像。图片来自阿尔贡国家实验室。
三维打印过程的X射线成像。图片来自阿尔贡国家实验室。

该研究的更多细节可以在题为“的文件中找到激光粉末熔床热历史与小孔孔隙率的关系”。它是由合着诺亚·h·保尔森,本杰明·古尔德,莎拉·沃尔夫,马吕斯·斯坦和艾伦·格列柯。

机器学习的预测能力真的开始在添加剂制造的许多方面被利用。研究人员纽约大学最近使用过的机器学习算法逆向工程玻璃和碳纤维的三维印刷部件。通过将三维CT扫描的打印件到他们的模型,科学家们能够“偷”用于制造零件的刀具路径,同时保持,让他们自己的优势和耐久性的复杂性。

在其他地方,在斯威本科技大学在美国,一名研究人员已经使用机器学习来深入了解三维的抗压强度印刷建筑材料。随着显影用于分类不同的3D印刷地质聚合物样品的处理的目的,研究者靶向特定变量,和优化的使用机器学习模型的3D印刷材料的组成。

第四届3D打印行业年度大奖将于2020年11月揭晓,我们需要一个奖杯。有机会赢得一个全新的Craftbot Flow IDEX XL3 d打印机,在这里参加MyMiniFactory奖杯设计比赛。我们很高兴在2020年9月30日之前接受申请。

订阅3D印刷业通讯在添加剂制造的最新消息。您也可以通过保持下面我们连接推特喜欢我们Facebook。

寻找在添加剂制造了职业生涯?访问3 d打印工作为行业中的角色选择。

特色图片展示了3D打印过程的x射线成像。图片来自阿尔贡国家实验室。