Predicción de porosidad en piezas impresas en 3D usando aprendizaje automático

En los últimos años, la fabricación aditiva (AM) ha ganado mucha atención como una nueva forma de crear piezas. Este método, también conocido como impresión 3D, construye objetos capa por capa. Aunque ofrece muchos beneficios, como ahorrar materiales y permitir diseños complejos, también presenta desafíos, especialmente en cuanto a la calidad de las piezas terminadas. Un problema común es la Porosidad, donde se forman pequeños agujeros en el material. Esta investigación se centra en cómo predecir y localizar la porosidad en piezas fabricadas usando fusión de lecho de polvo láser, un tipo específico de fabricación aditiva, utilizando Imágenes térmicas y Aprendizaje automático.

#El Problema de la Porosidad

La porosidad en las piezas impresas en 3D puede llevar a estructuras más débiles y afectar su rendimiento. Puede ser causada por varios factores durante el proceso de impresión. Por ejemplo, si la potencia o la velocidad del láser no están configuradas correctamente, puede resultar en la formación de poros dentro del material. Verificar la porosidad generalmente requiere llevar la pieza terminada a un laboratorio para pruebas, lo cual es costoso y toma tiempo. Por eso, encontrar una forma de detectar la porosidad durante el proceso de impresión podría reducir significativamente el desperdicio y los costos.

#La Solución: Usar Imágenes Térmicas

La termografía es una técnica que captura la temperatura de la superficie que se está imprimiendo. Al monitorear el calor, podemos recopilar información valiosa sobre cómo se está derritiendo y solidificando el material durante la construcción. Estos datos ayudan a entender dónde podría ocurrir la porosidad. La idea es utilizar aprendizaje automático, un tipo de inteligencia artificial, para analizar estas imágenes térmicas y predecir el número y la ubicación de los poros antes de que la pieza esté terminada.

#Aprendizaje Automático en la Fabricación

El aprendizaje automático se basa en algoritmos que aprenden de los datos. En este caso, usamos una Red Neuronal Convolucional (CNN) para analizar secuencias de imágenes térmicas. La CNN fue entrenada para identificar patrones en las imágenes que se correlacionan con la presencia de poros. También utilizamos un modelo de Video Vision Transformer (ViViT) para determinar dónde es probable que se encuentren estos poros. Ambos modelos trabajaron juntos para proporcionar información que puede ayudar a ajustar los parámetros de impresión sobre la marcha.

#Construyendo los Modelos

El modelo CNN fue diseñado para recibir imágenes térmicas y predecir el número de poros en una capa de construcción específica. Aprendió de datos anteriores donde se conocía el número real de poros. El rendimiento del modelo se midió utilizando métricas que mostraban qué tan precisas eran sus predicciones en comparación con los resultados reales de las pruebas de laboratorio.

Para la tarea de localización, el modelo ViViT fue entrenado para identificar áreas dentro de las imágenes que probablemente contenían poros. Esto implicó descomponer las imágenes en secciones más pequeñas y analizarlas en busca de signos de porosidad. Los resultados de ambos modelos nos dan una idea más clara de la calidad de la pieza mientras se está fabricando.

#Recolección de Datos

Para entrenar estos modelos, recopilamos datos de dos conjuntos de muestras fabricadas por fusión de lecho de polvo láser. Un conjunto tenía diferentes espacios de hatch, que se refiere a la distancia entre los caminos que toma el láser, mientras que el otro conjunto variaba la velocidad de escaneo, o qué tan rápido se movía el láser sobre la superficie. Cada muestra estaba hecha de acero inoxidable AISI 316L y tenía configuraciones de potencia láser consistentes.

Durante el proceso de fabricación, capturamos miles de imágenes térmicas que mostraban la temperatura del material en cada paso. Estas imágenes proporcionaron una gran cantidad de datos para entrenar nuestros modelos. Después de imprimir, también usamos tomografía computarizada micro (CT) para analizar las muestras, lo que nos dio información precisa sobre el tamaño y la ubicación de los poros a través de imágenes detalladas.

#Análisis de los Datos

El proceso de entrenamiento implicó limpiar y preparar los datos de ambas imágenes térmicas y escaneos CT. Cada imagen térmica fue recortada y redimensionada para ajustarse a los requisitos de entrada del modelo. Luego, los datos de CT correspondientes fueron procesados para coincidir con las dimensiones de las imágenes térmicas.

Nos enfocamos en poros más grandes para nuestras predicciones, ya que estos se detectaron más fácilmente a partir de imágenes térmicas. Los vacíos más pequeños, aunque también son importantes, eran más difíciles de identificar con precisión. Al establecer un umbral basado en el tamaño de los poros, los modelos fueron ajustados para mejorar la precisión de sus predicciones.

#Resultados de los Modelos

Después de entrenar los modelos, evaluamos su rendimiento en dos áreas principales: el número de poros presentes y sus ubicaciones. El modelo CNN se desempeñó bien al estimar el conteo de poros, logrando una puntuación que indicaba qué tan bien podía predecir el número de poros basado en los datos de entrada. El modelo que utilizó datos de diferentes espacios de hatch fue el que mejor funcionó.

Para la tarea de localización, el modelo ViViT también mostró resultados prometedores. Pudo indicar con precisión qué áreas de una capa de construcción dada eran propensas a contener poros. Esta capacidad es crucial porque saber dónde es probable que ocurran defectos permite hacer ajustes durante el proceso de impresión.

#Importancia del Monitoreo en Tiempo Real

La capacidad de monitorear y predecir la porosidad en tiempo real significa que los fabricantes pueden reaccionar rápidamente a posibles problemas durante el proceso de construcción. Si los modelos indican una alta probabilidad de defectos, los operadores pueden ajustar la configuración de la máquina de inmediato, reduciendo el desperdicio de material y ahorrando tiempo. Este enfoque proactivo es una mejora significativa sobre los métodos tradicionales que solo identifican fallas después de que se han fabricado las piezas.

#Direcciones Futuras

La investigación demuestra el potencial de usar aprendizaje automático con monitoreo térmico in-situ para mejorar el proceso de fabricación aditiva. Sin embargo, todavía hay mucho por explorar. El trabajo futuro podría centrarse en refinar los modelos para obtener una mayor precisión, expandir los tipos de defectos monitoreados e integrar estos sistemas en las prácticas de fabricación estándar.

Otra área de mejora es la creación de un gemelo digital más robusto para el proceso de fabricación, lo que implicaría actualizar continuamente un modelo virtual con datos en tiempo real del entorno de producción. Esto ayudaría a minimizar aún más los defectos y mejorar la calidad general de las piezas.

#Conclusión

En conclusión, la integración de imágenes térmicas y aprendizaje automático ofrece una vía prometedora para mejorar el control de calidad en la fabricación aditiva. Al predecir y localizar la porosidad durante el proceso de impresión, podemos aumentar la eficiencia, reducir costos y asegurar piezas de mejor calidad. A medida que la tecnología sigue evolucionando, hay un gran potencial para hacer de estos avances una práctica estándar en la industria, beneficiando tanto a los fabricantes como a los clientes.