Forscher des Argonne National Laboratory des US-Energieministeriums (DOE) haben laut einer Pressemitteilung eine Methode entwickelt, die ihnen dabei hilft, Fehler in 3D-gedruckten Materialien, die den additiven Fertigungsprozess verändern könnten, mit Röntgenstrahlen und maschinellem Lernen zu erkennen und vorherzusagen. Gemeinsam mit Forschern der University of Virginia hat das Forscherteam in der Zeitschrift Science einen Artikel mit dem Titel „Machine learning–aided real-time detection of keyhole pore generation in laser powder bed fusion“ dazu veröffentlicht.
Porenbildung erkennen
Mit verschiedenen Bildgebungs- und maschinellen Lerntechniken konnten die Forscher Poren in 3D-gedruckten Metallen in Echtzeit erkennen und äußerst genau vorhersagen. Sie stellten Proben aus Metall mit LPBF her, einer 3D-Druck-Methode, bei der es häufiger zu Porenbildung kommt, die die Leistung des Teils beeinträchtigen können. Viele 3D-Druck-Systeme haben Wärmebildsensoren, um den Bauvorgang zu überwachen. Diese können jedoch die Porenbildung übersehen, da sie nur die Oberfläche der zu konstruierenden Teile abbilden. Die Verwendung intensiver Röntgenstrahlen ist die einzige bekannte Möglichkeit, Poren in dichten Metallteilen direkt zu erkennen.
Samuel Clark, Assistenzphysiker bei der Advanced Photon Source (APS), einer Benutzereinrichtung des DOE Office of Science in Argonne, erklärte, dass die Röntgenstrahlen, die bei der APS erzeugt werden, so intensiv sind, dass sie mehr als eine Million Bilder pro Sekunde abbilden können. Damit konnten Forscher die Porenbildung in Echtzeit erkennen. Poren, die sich in einer Probe gebildet haben, können deutliche thermische Signaturen an der Oberfläche verursachen, die Wärmebildkameras erfassen.
Porenbildung mit KI vorhersagen
Das Team trainierte ein maschinelles Lernmodell, um die Porenbildung in 3D-Metallen nur anhand von Wärmebildern vorherzusagen. Anhand von Daten aus Röntgenbildern, von denen sie wussten, dass sie die Erzeugung von Poren genau widerspiegeln, validierten sie das Modell. Sie testeten anschließend, ob das Modell thermische Signale erkennen und die Porenbildung nicht markierter Proben vorhersagen konnte.
Tao Sun, außerordentlicher Professor an der UVA, sagte:
„Das APS bot die 100 % genaue Grundwahrheit, die es uns ermöglichte, mit unserem Modell eine perfekte Vorhersage der Porenbildung zu erreichen.“
Kamel Fezzaa, Physiker bei Argonne, sagte:
„Unser Ansatz kann problemlos in kommerzielle Systeme implementiert werden. Nur mit einer Wärmebildkamera sollen die Maschinen erkennen können, wann und wo während des Druckvorgangs Poren entstehen und ihre Parameter entsprechend anpassen.“
Kann eine Maschine früh im Herstellungsprozess einen größeren Fehler erkennen, kann diese den Bau des Teils automatisch stoppen. Der neue Ansatz könnte auch ohne Stoppen darüber Informationen liefern, wo sich Porenfehler im Teil befinden können.
Tao Sun sagte:
„Wenn Sie eine Protokolldatei haben, die Ihnen sagt, dass diese vier Stellen Defekte haben könnten, dann werden Sie einfach diese vier Stellen überprüfen, anstatt sich das gesamte Teil anzusehen.“
Ziel der Forscher ist es, ein System zu schaffen, das Fehler nicht nur erkennt, sondern während des Herstellungsprozesses repariert. Die Forscher werden Sensoren untersuchen, die andere Arten von Fehlern erkennen können, die während des additiven Fertigungsprozesses auftreten.
