Per anni, Gli ingegneri e gli scienziati del Lawrence Livermore National Laboratory hanno utilizzato una serie di sensori e tecniche di imaging per analizzare la fisica e i processi alla base della stampa 3D in metallo in uno sforzo continuo per costruire per la prima volta parti metalliche di qualità superiore, ogni volta. Ora, i ricercatori stanno esplorando l'apprendimento automatico per elaborare i dati ottenuti durante le build 3D in tempo reale, rilevando in pochi millisecondi se una build sarà di qualità soddisfacente.

In un articolo pubblicato online il 5 settembre da Tecnologie avanzate dei materiali , un team di ricercatori del Lab riferisce di aver sviluppato reti neurali convoluzionali (CNN), un tipo popolare di algoritmo utilizzato principalmente per elaborare immagini e video, per prevedere se una parte sarà buona guardando un minimo di 10 millisecondi di video.

"Questo è un modo rivoluzionario di esaminare i dati che puoi etichettare video per video, o meglio ancora, fotogramma per fotogramma, " ha detto il ricercatore principale e ricercatore LLNL Brian Giera. "Il vantaggio è che puoi raccogliere video mentre stai stampando qualcosa e alla fine trarre conclusioni mentre lo stai stampando. Molte persone possono raccogliere questi dati, ma non sanno cosa farne al volo, e questo lavoro è un passo in quella direzione".

Spesso, Giera ha spiegato, l'analisi del sensore eseguita dopo la costruzione è costosa e la qualità della parte può essere determinata solo molto tempo dopo. Con parti che richiedono giorni o settimane per essere stampate, Le CNN potrebbero rivelarsi preziose per comprendere il processo di stampa, imparando prima la qualità della parte e correggendo o regolando la costruzione in tempo reale, se necessario.

I ricercatori LLNL hanno sviluppato le reti neurali utilizzando circa 2, 000 videoclip di tracce laser fuse in condizioni variabili, come velocità o potenza. Hanno scansionato le superfici delle parti con uno strumento che ha generato mappe di altezza 3D, utilizzando tali informazioni per addestrare gli algoritmi ad analizzare sezioni di fotogrammi video (ogni area chiamata convoluzione). Il processo sarebbe troppo difficile e richiederebbe molto tempo per un essere umano da eseguire manualmente, ha spiegato Giera.

Università della California, Lo studente di Berkeley e ricercatore LLNL Bodi Yuan, l'autore principale del giornale, sviluppato gli algoritmi in grado di etichettare automaticamente le mappe di altezza di ogni build e utilizzato lo stesso modello per prevedere la larghezza della pista di build, se la traccia era rotta e la deviazione standard della larghezza. Utilizzando gli algoritmi, i ricercatori sono stati in grado di riprendere video delle build in corso e determinare se la parte mostrava una qualità accettabile. I ricercatori hanno riferito che le reti neurali sono state in grado di rilevare se una parte sarebbe stata continua con una precisione del 93%, fare altre forti previsioni sulla larghezza parziale.

"Poiché le reti neurali convoluzionali mostrano grandi prestazioni nelle attività relative al riconoscimento di immagini e video, abbiamo scelto di usarli per affrontare il nostro problema, " Yuan ha detto. "La chiave del nostro successo è che le CNN possono apprendere da sole molte funzioni utili dei video durante la formazione. Abbiamo solo bisogno di alimentare un'enorme quantità di dati per addestrarlo e assicurarci che impari bene".

Il coautore della carta e ricercatore LLNL Ibo Matthews guida un gruppo che ha trascorso anni a raccogliere varie forme di dati in tempo reale sul processo di stampa 3D in metallo con fusione a letto di polvere laser, compreso video, tomografia ottica e sensori acustici. Mentre lavoravo con il gruppo di Matthews per analizzare le tracce di costruzione, Giera ha concluso che non sarebbe stato possibile eseguire manualmente tutte le analisi dei dati e voleva vedere se le reti neurali potevano semplificare il lavoro.

"Stavamo raccogliendo video comunque, quindi abbiamo semplicemente unito i puntini, " disse Giera. "Proprio come il cervello umano usa la vista e altri sensi per navigare nel mondo, gli algoritmi di apprendimento automatico possono utilizzare tutti i dati dei sensori per navigare nel processo di stampa 3D".

Le reti neurali descritte nel documento potrebbero teoricamente essere utilizzate in altri sistemi di stampa 3D, ha detto Giara. Altri ricercatori dovrebbero essere in grado di seguire la stessa formula, creare parti in condizioni diverse, raccogliere video e scansionarli con una mappa dell'altezza per generare un set di video etichettato che potrebbe essere utilizzato con tecniche di apprendimento automatico standard.

Giera ha affermato che è ancora necessario lavorare per rilevare i vuoti all'interno delle parti che non possono essere previsti con le scansioni della mappa dell'altezza, ma che potrebbero essere misurati utilizzando la radiografia a raggi X ex situ.

I ricercatori cercheranno anche di creare algoritmi per incorporare più modalità di rilevamento oltre a immagini e video.

"Proprio adesso, qualsiasi tipo di rilevamento è considerato una grande vittoria. Se possiamo aggiustarlo al volo, questo è l'obiettivo finale più grande, " ha detto Giera. " Dati i volumi di dati che stiamo raccogliendo che gli algoritmi di machine learning sono progettati per gestire, l'apprendimento automatico svolgerà un ruolo centrale nella creazione di parti giuste la prima volta."