研究

Argonne科学家使用机器学习来预测3D印刷部件的缺陷

一个研究人员团队氩气国家实验室德克萨斯州A&M大学已经开发出一种创新的新方法,以在3D印刷零件中缺陷检测。使用实时温度数据,与机器学习算法一起,科学家们能够在激光粉末融合过程中进行热历史和地下缺陷的形成之间的相关联系。

该研究共同作者的Aaron Greco解释说:“最终,您可以在源上打印一些东西并收集温度数据,您可以看到是否存在一些异常,然后修复它们或重新开始。这是大图的目标。“

3D印刷零件的景观

如3D打印的复杂是,即使是高端工业系统的斗争与金属粉末没有充分融合的3D印刷部分中的空隙。这些孔隙症通常会导致“弱点”,使部件容易发生裂缝和骨折。

气孔形成有许多不同的原因,包括粉末不一致和激光强度不足。该论文的主要作者诺亚·保尔森(Noah Paulson)表示,阿贡的研究表明,零件表面温度与内部孔隙形成之间存在明显的相关性。

机器学习和粉床融合

为了促进研究,科学家们使用了高功率的X射线Argonne的先进光子源(APS)是能源设施系。该团队设计并建造了一个实验性PBF钻机,配备了原位红外摄像头,这将继续采用Ti-64粉末3D打印部件。在打印期间,相机用于捕获温度数据,同时使用X射线束从侧面观察打印过程,呈现为是否形成孔隙率。

保尔森补充说:“同时拥有顶部和侧视图真的很强大。通过侧视图,这与APS设置真正唯一的唯一景色,我们可以在某些过程条件下基于不同的时间和温度组合,随着激光通过时的孔隙率形式。“

实验性LB-PBF设置。通过argonne国家实验室的图像。
实验性LB-PBF设置。通过argonne国家实验室的图像。

有趣的是,当比较热历史和他们各自的孔隙度时,科学家们发现低峰值温度随后逐渐减少可能与少量孔隙有关。另一方面,高峰温度随后倾斜,随后的增加可能导致更多的孔隙率。使用他们的数据集,Paulson的团队然后继续构建机器学习算法,可以基于在印刷过程中记录的热历史准确地预测孔隙率形成。

识别孔隙率可能仅从红外成像形成的能力是一个非常强大的工具。它消除了对昂贵的单独部分检查的需求,在处理高产量时,这并不总是可行的。保尔森的研究团队希望通过更多的数据集和未来几个月更复杂的机器学习模型,可以开发和改进工作。

3D打印过程的x射线成像。图片通过Argonne国家实验室。
3D打印过程的x射线成像。图片通过Argonne国家实验室。

该研究的进一步细节可以在标题为“激光粉末融合中热历史与锁孔孔隙率的相关性'。它是共同撰写的Noah H. Paulson,Benjamin Gould,Sarah J. Wolff,Marius Stan和Aaron C. Greco。

在添加剂制造的许多方面,机器学习的预测力实际上是开始使用。研究人员纽约大学最近使用了机器学习算法逆向工程玻璃和碳纤维3D印刷部件。通过将3D印刷部件的CT扫描进入其模型,科学家们能够“窃取”刀具路径,用于制造零件,同时保持赋予他们优势和耐用性的复杂性。

在其他地方,在Swinburne Technology一位研究人员使用机器学习洞察力3D印刷建筑材料的抗压强度。为了开发一种对不同3D打印地质聚合物样品进行分类的过程,研究人员针对特定变量,并使用机器学习模型优化3D打印材料的组成。

第四届3D印刷行业奖颁奖率于2020年11月推出,我们需要奖杯。有一个赢得全新的机会工匠流动IDEX XL3D打印机,在这里输入MyMinifactory奖杯设计竞赛。我们很乐意在2020年9月30日之前接受提交。

订阅3D印刷行业通讯对于添加剂制造的最新消息。您还可以通过以下方式保持联系推特并喜欢我们Facebook。

寻找添加剂制造业的职业?访问3D打印工作在行业中选择角色。

特色图像显示3D打印过程的X射线成像。图片通过Argonne国家实验室。