Tim istraživača iz Nacionalnog laboratorija Argonne i Teksaškog sveučilišta A&M razvio je novi inovativni pristup otkrivanju grešaka u 3D printanim dijelovima.
Koristeći podatke o temperaturi u stvarnom vremenu, zajedno s algoritmima strojnog učenja, znanstvenici su uspjeli uspostaviti korelacijske veze između toplinske povijesti i stvaranja grešaka ispod površine tijekom procesa laserske fuzije praha.
Aaron Greco, koautor rada, objašnjava: “U konačnici mogli biste nešto isprintati i prikupiti podatke o temperaturi na izvoru te biste mogli vidjeti ima li nekih nepravilnosti, a zatim ih ispraviti ili početi ispočetka. To je globalni cilj koji želimo postići. “
Poroznosti u 3D printanim dijelovima
Bez obzira što su sustavi za 3D printanje sofisticirani čak se i industrijski sustavi višeg stupnja bore s poroznostima – prazninama u 3D printanim dijelovima gdje metalni prah nije dovoljno stopljen. Te poroznosti često rezultiraju „slabim točkama“, što komponente čini sklonima pucanju i lomovima.
Postoji nekoliko različitih razloga stvaranja poroznosti, uključujući nekonzistentne prahove i nedovoljnu čvrstoću lasera. Prema Noah Paulsonu, glavnom autoru rada, Argonovo djelo pokazalo je da postoji različita povezanost između temperature površine dijela i stvaranja poroznosti unutar.
Strojno učenje
Da bi olakšali istraživanje, znanstvenici su iskoristili jake rendgenske zrake u Argonneovom naprednom izvoru fotona (APS). Tim je dizajnirao i izgradio eksperimentalni PBF uređaj s in-situ infracrvenim kamerama, koji će ići na 3D dijelove za print izrađene od praha Ti-64.
Tijekom printa kamera je korištena za snimanje podataka o temperaturi dok se rendgenska zraka koristila za pregled procesa printanja sa strane, dajući naznaku da li se stvaraju poroznosti ili ne.
Paulson dodaje: “Istovremeno je pogled s vrha i sa strane zaista moćan. S bočnog prikaza, koji je ovdje zaista jedinstveni kod podešavanja APS-a, mogli bismo vidjeti da se u određenim uvjetima obrade na temelju različitih vremenskih i temperaturnih kombinacija formira poroznost kako laser prolazi. “
Zanimljivo je da su, uspoređujući toplinske povijesti s njihovim profilima poroznosti, znanstvenici otkrili da su niske vršne temperature praćene postupnim smanjenjem vjerojatno povezane s malo poroznosti.
S druge strane, visoke vršne temperature praćene padovima i naknadnim povećanjima vjerojatno će rezultirati većom poroznošću. Koristeći svoje skupove podataka, Paulsonov tim nastavio je s izradom algoritama strojnog učenja koji mogu točno predvidjeti formacije poroznosti samo na temelju toplinske povijesti zabilježene tijekom procesa printanja.
Sposobnost prepoznavanja gdje se poroznosti vjerojatno formiraju upravo iz infracrvenog snimanja vrlo je moćan alat. Eliminira potrebu skupih pregleda pojedinačnih dijelova, koje nisu uvijek izvedive kada se radi o velikim količinama proizvodnje. Paulsonov istraživački tim nada se da će posao u narednim mjesecima moći razvijati i poboljšati s više skupova podataka i sofisticiranijim modelom strojnog učenja.
Prediktivna snaga strojnog učenja zaista se počinje koristiti u mnogim aspektima aditivne proizvodnje. Istraživači sa Sveučilišta u New Yorku nedavno su koristili algoritme strojnog učenja kako bi napravili obrnuti inženjering na 3D printanim komponentama stakla i ugljičnih vlakana. Umetanjem CT skeniranja 3D printanih dijelova u svoje modele, znanstvenici su uspjeli „ukrasti“ putove alata koji su korišteni za izradu dijelova, zadržavajući pritom zamršenosti koje im daju snagu i izdržljivost.
Na Tehnološkom sveučilištu Swinburne, istraživač je koristio strojno učenje kako bi dao uvid u čvrstoću stiskanja 3D printanih građevinskih materijala. S ciljem razvijanja postupka za razvrstavanje različitih 3D uzorka printanih geopolimera, istraživač je ciljao specifične varijable i optimizirao parametre 3D printanih materijala koristeći modele strojnog učenja.