Avanço na Detecção de Poros em Fabricação Aditiva

Fazer produtos sem Defeitos usando a fusão a laser em leito de pó (LPBF) é um baita desafio. Um problema comum é a formação de buracos, conhecidos como Poros, que podem enfraquecer os produtos. Detectar esses poros é crucial pra manter a qualidade, mas geralmente requer métodos complexos e que tomam tempo, como tomografias computadorizadas.

Os métodos existentes que usam dados de Monitoramento em tempo real conseguem identificar quando os poros estão presentes em uma camada, mas têm dificuldade em localizar exatamente onde eles estão. Este artigo fala sobre uma nova forma de determinar onde os poros aparecem em uma única camada usando um método chamado estimativa de densidade de kernel gaussiano. Esse método ajuda os computadores a aprenderem a relação entre os dados de monitoramento e onde os poros provavelmente vão aparecer.

#Importância da Detecção de Poros

Na fabricação aditiva, especialmente com metais, os poros são um defeito comum. Eles costumam acontecer por conta de configurações erradas do laser e podem afetar severamente a resistência e durabilidade do produto final. Por isso, saber onde esses poros se formam e detectá-los cedo é vital para o controle de qualidade.

Muitos pesquisadores focam em usar métodos de monitoramento em tempo real para identificar defeitos à medida que eles ocorrem. Avanços recentes em tecnologia, como a Inteligência Artificial, ajudam a melhorar esses sistemas de detecção, visando uma fabricação sem defeitos.

#Desafios na Detecção de Poros

Um dos maiores problemas é que muitos estudos simplificam a detecção de poros. Em vez de localizar com precisão cada poro, muitas vezes usam um valor médio ou indicam apenas se há poros em uma determinada área. Isso significa que eles perdem as localizações exatas onde os poros estão em uma camada, que é essencial para o controle de qualidade.

Enquanto alguns estudos tentaram localizar poros usando técnicas avançadas, eles frequentemente dependem de métodos offline, como tomografias, que limitam a rapidez e o tamanho das peças. Outros só usam dados de sensores que monitoram o processo, mas não localizam com precisão os lugares dos poros.

Além disso, alguns métodos envolvem criar defeitos intencionalmente para treinar modelos. Isso não é realista, pois não reflete os cenários reais de produção. Assim, essas descobertas podem não se transferir bem para processos de fabricação reais.

#Nossa Abordagem

A gente propõe um novo método que reformula o problema da detecção de poros em estimar a probabilidade de onde os poros podem estar em uma única camada. Em vez de tentar identificar a localização exata de cada poro, sugerimos prever a probabilidade de poros ocorrerem em certas localizações de pixels.

Em vez de depender apenas de técnicas de monitoramento tradicionais, a gente usa uma combinação de diferentes fontes de imagem, o que nos permite criar uma imagem mais clara da distribuição potencial de poros. Usando um método gaussiano para estimar probabilidades, conseguimos produzir uma imagem em escala de cinza que representa onde os poros provavelmente vão se formar.

#Design Experimental

Para validar nosso método, a gente desenhou duas peças de teste diferentes com formas e complexidades variadas. O objetivo era avaliar como nossa abordagem funciona sob diferentes condições de fabricação e observar a eficácia de diferentes sensores de monitoramento durante o processo.

Registramos dados de produção camada por camada e usamos escaneamentos de raios-X para encontrar poros após a fabricação. Ao combinar esses dados, criamos um conjunto de dados abrangente que ajuda a entender a conexão entre os dados de monitoramento e a probabilidade de ocorrência de poros.

#Design das Peças

Escolhemos duas geometrias diferentes para os testes. Uma é complexa, com formas variadas, e a outra é um cubo simples. A forma mais complicada nos permitiu ver como os defeitos podem aparecer de maneira irregular dependendo da complexidade. A forma mais simples proporcionou uma base para entender como diferentes configurações de máquina afetam a formação de defeitos.

As duas peças foram criadas na mesma corrida de produção, garantindo que fossem fabricadas sob as mesmas condições para comparações precisas.

#Configuração de Monitoramento In-situ

A máquina usada nos testes estava equipada com dois sensores. Um sensor registra imagens térmicas no espectro do infravermelho próximo, enquanto o outro captura imagens em alta resolução na luz visível. Essa configuração nos permite coletar dados detalhados camada por camada para análise.

Sincronizando essas imagens com o início e o fim da produção de cada camada, conseguimos acompanhar com precisão as condições sob as quais os poros se formam.

#Fabricação de Amostras

Produzimos várias amostras usando diferentes configurações e parâmetros. Cada amostra foi construída em um ambiente controlado para garantir que nossas observações fossem consistentes. Diferentes potências de laser, velocidades de varredura e distâncias de hachura foram variáveis entre as amostras para ver como esses fatores influenciavam o desenvolvimento de poros.

Documentando essas configurações de forma detalhada, estabelecemos uma correlação clara entre os parâmetros da máquina e a formação de poros.

#Processamento e Rotulagem de Dados

Depois de capturar os dados do nosso sistema de monitoramento, começamos a processá-los para análise. Isso envolveu recortar as imagens para focar em áreas relevantes e organizá-las em um conjunto de dados que relaciona imagens de monitoramento com a distribuição de probabilidade de poros.

Também alinhamos os dados de tomografia com as informações de monitoramento para garantir que nossa pesquisa refletisse com precisão as localizações dos poros nas peças produzidas.

#Previsão de Probabilidade de Poros com Modelos de Segmentação

Com os dados processados, nosso foco mudou para treinar modelos que conseguissem prever onde os poros poderiam ocorrer. Em vez de classificar pixels em categorias fixas, treinamos os modelos para estimar a probabilidade de ocorrência de poros em cada pixel.

Isso foi feito usando vários modelos populares de aprendizado profundo projetados para segmentação de imagens, permitindo uma previsão granular da distribuição de poros nas imagens.

#Resultados e Discussão

Os experimentos mostraram que diferentes modelos tiveram desempenhos semelhantes na estimativa das localizações dos poros. No entanto, ficou claro que as configurações da máquina tiveram um impacto mais significativo no desempenho do modelo em comparação com as formas das peças.

Descobrimos que ajustar os parâmetros da máquina levava a mudanças notáveis na eficácia com que os modelos conseguiam prever a distribuição de poros. Algumas configurações funcionaram melhor que outras, indicando que manter intervalos específicos de parâmetros é essencial para resultados confiáveis.

Avaliações visuais das distribuições de probabilidade de poros previstas confirmaram que a maioria dos modelos forneceu uma precisão razoável, embora algumas vezes mostrassem desalinhamentos significativos.

#Conclusão

Demonstramos uma nova maneira de estimar as localizações de poros em camadas de peças criadas usando fabricação aditiva. Ao mudar de segmentação direta para estimativa de probabilidade, conseguimos treinar modelos que utilizam dados de monitoramento em tempo real para melhorar a detecção de poros.

Nossas descobertas destacam que, embora vários modelos possam prever a ocorrência de poros, os parâmetros da máquina desempenham um papel crítico na melhoria da precisão.

Pesquisas futuras devem se concentrar em refinar a forma como as localizações de poros são identificadas e em melhorar a qualidade geral dos dados utilizados para treinamento de modelos. Avançando nesses métodos, podemos nos aproximar de uma produção consistente e sem defeitos na fabricação aditiva.