I ricercatori dell’Argonne National Laboratory hanno migliorato l’AM con l’intelligenza artificiale

I ricercatori dell’Argonne National Laboratory del Dipartimento dell’Energia degli Stati Uniti (DOE) hanno sviluppato un nuovo metodo per rilevare e prevedere i difetti nei materiali stampati in 3D, utilizzando i raggi X e l’apprendimento automatico, che potrebbe trasformare il processo di produzione additiva.

Il metodo è stato recentemente pubblicato sulla rivista Science da un gruppo di ricerca guidato da Argonne e dall’Università della Virginia (UVA). Gli scienziati hanno utilizzato varie tecniche di imaging e apprendimento automatico per rilevare e prevedere la formazione di pori nei metalli stampati in 3D in tempo reale con una precisione quasi perfetta.

I campioni di metallo utilizzati nello studio sono stati creati utilizzando LPBF, un approccio che spesso porta alla formazione di pori che possono compromettere le prestazioni di una parte.

Molte macchine AM dispongono di sensori di imaging termico che monitorano il processo di costruzione, ma questi possono perdere la formazione di pori perché visualizzano solo la superficie delle parti in costruzione. L’unico modo noto per rilevare direttamente i pori all’interno di parti metalliche dense è l’utilizzo di intensi fasci di raggi X, come quelli generati dall’Advanced Photon Source (APS), una struttura per utenti del DOE Office of Science ad Argonne.

“I nostri fasci di raggi X sono così intensi che possiamo visualizzare più di un milione di fotogrammi al secondo”, ha affermato Samuel Clark, assistente fisico all’Argonne. Queste immagini hanno permesso ai ricercatori di vedere la generazione dei pori in tempo reale. Correlando i raggi X e le immagini termiche, gli scienziati hanno scoperto che i pori formatisi all’interno di un campione causano distinte firme termiche sulla superficie che le termocamere possono rilevare.

I ricercatori hanno addestrato un modello di apprendimento automatico per prevedere la formazione di pori all’interno di metalli 3D utilizzando solo immagini termiche. Hanno convalidato il modello utilizzando i dati delle immagini a raggi X, che sapevano riflettere accuratamente la generazione dei pori. Quindi, hanno testato la capacità del modello di rilevare segnali termici e prevedere la generazione di pori in campioni non etichettati.

“L’APS ha offerto la verità di base accurata al 100% che ci ha permesso di ottenere una previsione perfetta della generazione dei pori con il nostro modello”, ha affermato Tao Sun, professore associato presso UVA.

“Il nostro approccio può essere facilmente implementato nei sistemi commerciali”, ha affermato Kamel Fezzaa, fisico di Argonne. “Con solo una termocamera, le macchine dovrebbero essere in grado di rilevare quando e dove vengono generati i pori durante il processo di stampa e regolare i loro parametri di conseguenza”.

Ad esempio, se un difetto grave viene rilevato da una macchina all’inizio del processo di produzione, la macchina può interrompere automaticamente la costruzione di una parte. Anche se il processo di costruzione non viene interrotto, il nuovo approccio può fornire informazioni su dove potrebbero trovarsi i difetti dei pori all’interno della parte.

“Se hai un file di registro che ti dice che queste quattro posizioni potrebbero avere difetti, allora controllerai solo queste quattro posizioni invece di guardare l’intera parte”, ha detto Tao Sun.

L’obiettivo finale, secondo l’articolo di Nikki Forrester, è creare un sistema che non solo rilevi i difetti, ma li ripari durante il processo di fabbricazione. Andando avanti, i ricercatori studieranno sensori in grado di rilevare altri tipi di difetti che si verificano durante il processo di produzione additiva. “Alla fine, vogliamo sviluppare un sistema completo che possa dirti non solo dove potresti avere difetti, ma anche qual è esattamente il difetto e come potrebbe essere risolto”, ha affermato Tao Sun.