机器学习实时达到100%的增材制造缺陷预测率

由弗吉尼亚大学材料科学与工程副教授孙涛领导的研究团队利用机器学习取得了新发现，可以在航空航天和其他依赖坚固金属部件的行业中扩展增材制造。

他们的同行评审论文于2023年1月6日发表在《科学》杂志上：“机器学习辅助实时检测激光粉末床熔合中的匙孔孔生成。”它解决了检测小孔形成的问题，这是一种称为激光粉末床熔合或LPBF的常见增材制造技术的主要缺陷之一。

LPBF于1990年代推出，使用金属粉末和激光来3D打印金属零件。但孔隙率缺陷对于飞机机翼等疲劳敏感应用来说仍然是一个挑战。一些孔隙率与深而窄的蒸汽凹陷有关，这些凹陷是钥匙孔。

小孔的形成和大小是激光功率和扫描速度以及材料吸收激光能量的能力的函数。如果小孔壁稳定，则可以增强周围材料的激光吸收并提高激光制造效率。

然而，如果壁摇晃或坍塌，材料就会在锁眼周围凝固，将气穴困在新形成的材料层内。这使得材料更脆，更容易在环境压力下开裂。

Sun和他的团队，包括卡内基梅隆大学的材料科学与工程教授AnthonyRollett和威斯康星大学麦迪逊分校的机械工程教授LianyiChen，开发了一种方法来检测打印过程中锁孔形成的确切时刻。

“通过整合原位同步加速器X射线成像、近红外成像和机器学习，我们的方法能够以亚毫秒时间分辨率和100%的预测率捕获与锁孔生成相关的独特热特征，”Sun说。

在开发他们的实时锁孔检测方法时，研究人员还改进了最先进的工具——原位同步加速器X射线成像——的使用方式。利用机器学习，他们还发现了两种锁孔振荡模式。

“我们的发现不仅推进了增材制造研究，而且实际上还可以扩大LPBF在金属零件制造中的商业用途，”Rollett说。Rollett还是卡内基梅隆大学NextManufacturing中心的联席主任。

“金属部件中的孔隙率仍然是一些行业更广泛采用LPBF技术的主要障碍。当使用实验室规模的传感器进行实时检测时，锁孔孔隙率是最具挑战性的缺陷类型，因为它随机发生在表面下方，”Sun说。“我们的方法为锁孔生成的高保真、高分辨率检测提供了一种可行的解决方案，可以很容易地应用于许多增材制造场景。”

该团队的研究由能源部堪萨斯城国家安全园区资助，该园区由霍尼韦尔FM&T管理。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！