Prevedere la porosità nei pezzi stampati in 3D usando il machine learning

Negli ultimi anni, la manifattura additiva (AM) ha guadagnato molta attenzione come nuovo modo per creare parti. Questo metodo, noto anche come stampa 3D, costruisce oggetti strato dopo strato. Anche se offre molti vantaggi, come il risparmio di materiali e la possibilità di realizzare design complessi, comporta anche delle sfide, soprattutto per quanto riguarda la qualità delle parti finite. Un problema comune è la Porosità, dove si formano piccoli buchi nel materiale. Questa ricerca si concentra su come prevedere e localizzare la porosità nelle parti realizzate con fusione a letto di polveri laser, un tipo specifico di manifattura additiva, utilizzando Immagini Termiche e machine learning.

#Il Problema della Porosità

La porosità nelle parti stampate in 3D può portare a strutture più deboli e influenzare le loro prestazioni. Può essere causata da diversi fattori durante il processo di stampa. Ad esempio, se la potenza del laser o la velocità non sono impostate correttamente, possono formarsi pori all'interno del materiale. Controllare la porosità di solito richiede di portare la parte finita in un laboratorio per dei test, il che è dispendioso in termini di tempo e costi. Quindi, trovare un modo per rilevare la porosità durante il processo di stampa potrebbe ridurre significativamente gli sprechi e i costi.

#La Soluzione: Uso di Immagini Termiche

L'imaging termico è una tecnica che cattura la temperatura della superficie stampata. Monitorando il calore, possiamo raccogliere informazioni preziose su come il materiale si sta fondendo e solidificando durante la costruzione. Questi dati aiutano a capire dove potrebbero verificarsi porosità. L'idea è di utilizzare il machine learning, un tipo di intelligenza artificiale, per analizzare queste immagini termiche per prevedere il numero e la posizione dei pori prima che la parte sia completata.

#Machine Learning nella Manifattura

Il machine learning si basa su algoritmi che apprendono dai dati. In questo caso, abbiamo utilizzato una Rete Neurale Convoluzionale (CNN) per analizzare sequenze di immagini termiche. La CNN è stata addestrata per identificare schemi nelle immagini che correlano con la presenza di pori. Abbiamo anche usato un modello Video Vision Transformer (ViViT) per determinare dove questi pori potrebbero trovarsi. Entrambi i modelli hanno lavorato insieme per fornire indicazioni che possono aiutare a regolare i parametri di stampa in tempo reale.

#Costruire i Modelli

Il modello CNN è stato progettato per prendere in ingresso immagini termiche e prevedere il numero di pori in uno specifico strato di costruzione. Ha appreso da dati precedenti in cui si conosceva il numero reale di pori. Le prestazioni del modello sono state misurate utilizzando metriche che mostrano quanto fossero accurate le sue previsioni rispetto ai risultati effettivi dei test di laboratorio.

Per il compito di localizzazione, il modello ViViT è stato addestrato per identificare aree all'interno delle immagini che probabilmente contenevano pori. Questo ha comportato la suddivisione delle immagini in sezioni più piccole e l'analisi di segni di porosità. I risultati di entrambi i modelli ci danno un quadro più chiaro della qualità della parte mentre viene realizzata.

#Raccolta Dati

Per addestrare questi modelli, abbiamo raccolto dati da due set di campioni fabbricati tramite fusione a letto di polveri laser. Un set aveva diverse distanze di hatch, che si riferisce alla distanza tra i percorsi seguiti dal laser, mentre l'altro set variava la velocità di scansione, ovvero quanto velocemente il laser si muoveva sulla superficie. Ogni campione era fatto di acciaio inossidabile AISI 316L e aveva impostazioni di potenza del laser costanti.

Durante il processo di fabbricazione, abbiamo catturato migliaia di immagini termiche che mostrano la temperatura del materiale ad ogni passaggio. Queste immagini hanno fornito una grande quantità di dati per addestrare i nostri modelli. Dopo la stampa, abbiamo anche utilizzato la tomografia computerizzata micro (CT) per analizzare i campioni, il che ci ha fornito informazioni dettagliate sulla dimensione e posizione dei pori attraverso imaging dettagliato.

#Analizzare i Dati

Il processo di addestramento ha comportato la pulizia e la preparazione dei dati sia dalle immagini termiche che dalle scansioni CT. Ogni immagine termica è stata ritagliata e ridimensionata per adattarsi ai requisiti di input del modello. I dati CT corrispondenti sono stati poi elaborati per corrispondere alle dimensioni delle immagini termiche.

Ci siamo concentrati sui pori più grandi per le nostre previsioni, poiché questi erano più facilmente rilevabili dalle immagini termiche. Vuoti più piccoli, sebbene importanti, erano più difficili da identificare con precisione. Impostando una soglia basata sulla dimensione dei pori, i modelli sono stati regolati per migliorare la precisione delle loro previsioni.

#Risultati dei Modelli

Dopo aver addestrato i modelli, abbiamo valutato le loro prestazioni in due aree principali: il numero di pori presenti e le loro posizioni. Il modello CNN ha funzionato bene nel stimare i conteggi dei pori, raggiungendo un punteggio che indicava quanto bene potesse prevedere il numero di pori in base ai dati di input. Il modello che utilizzava dati da diverse distanze di hatch ha ottenuto il miglior risultato.

Per il compito di localizzazione, il modello ViViT ha anche mostrato risultati promettenti. È stato in grado di indicare con precisione quali aree di uno strato di costruzione erano probabilmente soggette a pori. Questa capacità è cruciale perché sapere dove è probabile che si verifichino difetti consente di apportare regolazioni durante il processo di stampa.

#Importanza del Monitoraggio in Tempo Reale

La possibilità di monitorare e prevedere la porosità in tempo reale significa che i produttori possono reagire rapidamente a potenziali problemi durante il processo di costruzione. Se i modelli indicano un'alta probabilità di difetti, gli operatori possono regolare immediatamente le impostazioni della macchina, riducendo gli sprechi di materiale e risparmiando tempo. Questo approccio proattivo è un miglioramento significativo rispetto ai metodi tradizionali che identificano i difetti solo dopo che le parti sono state realizzate.

#Direzioni Future

La ricerca dimostra il potenziale di utilizzare il machine learning con il monitoraggio termico in situ per migliorare il processo di manifattura additiva. Tuttavia, c'è ancora molto da esplorare. I lavori futuri potrebbero concentrarsi sul perfezionamento dei modelli per una maggiore accuratezza, espandendo i tipi di difetti monitorati e integrando questi sistemi nelle pratiche di produzione standard.

Un'altra area di miglioramento è la creazione di un gemello digitale più robusto per il processo di produzione, che comporterebbe l'aggiornamento continuo di un modello virtuale con dati in tempo reale dall'ambiente di produzione. Questo aiuterebbe a minimizzare ulteriormente i difetti e migliorare la qualità complessiva delle parti.

#Conclusione

In conclusione, l'integrazione di immagini termiche e machine learning offre una via promettente per migliorare il controllo della qualità nella manifattura additiva. Prevedendo e localizzando la porosità durante il processo di stampa, possiamo migliorare l'efficienza, ridurre i costi e garantire parti di migliore qualità. Con l'evoluzione della tecnologia, c'è un grande potenziale per rendere questi progressi una pratica standard nel settore, a beneficio sia dei produttori che dei clienti.