Detecção de defeitos em peças impressas em 3D

Uma equipe de pesquisadores do Argonne National Laboratory e da Texas A&M University desenvolveu uma abordagem inovadora para a

Usando informações de temperatura em tempo real, juntamente com algoritmos de aprendizado de máquina, os cientistas foram capazes de produzir conexões correlativas entre a história térmica e a criação de falhas de subsuperfície durante o processo de fusão do leito de pó do laser.


Aaron Greco, um co-autor da pesquisa, explica: "Finalmente, você teria a capacidade de publicar algo e coletar dados de temperatura na fonte e poderia ver se havia várias anormalidades e, em seguida, corrigi-las, reinicie. Essa é a objetivo geral. "


Por mais complicada que seja a impressão 3D, os sistemas industriais de ponta lutam com porosidades - espaços vazios da parte impressa em 3D em que o pó metálico não se fundiu suficientemente. Essas porosidades geralmente resultam em pontos fracos, tornando os componentes propensos a rachaduras e fraturas.


Existem várias razões diferentes para a formação de porosidades, como pós inconsistentes e intensidades de laser inadequadas. De acordo com Noah Paulson, principal autor do artigo, o trabalho de Argonne mostrou que existe uma correlação distinta entre a temperatura da superfície de uma peça e a formação de porosidade em seu interior.


Aprendizado de máquina e fusão de colchão de pó


Para facilitar a pesquisa, os cientistas usaram esses raios-X de alto perfil na Fonte Avançada de Fótons de Argonne (APS), uma instalação do Departamento de Energia. O grupo projetou e construiu uma plataforma experimental de PBF com detectores infravermelhos in-situ, que iria imprimir peças em 3D feitas de pó de Ti-64. Durante a impressão, a câmera foi usada para capturar informações de temperatura, enquanto a coluna de raios-X foi utilizada para observar o processo de impressão na lateral, fornecendo uma indicação se porosidades estavam ou não sendo formadas.


Paulson acrescenta: "Juntamente com as melhores visualizações laterais e precisamente ao mesmo tempo é realmente poderoso. Juntamente com a perspectiva lateral, que é o que é verdadeiramente único aqui com a configuração APS, podemos observar que em condições de processamento específicas baseadas em diferentes A porosidade das combinações de tempo e temperatura se forma à medida que o laser passa. "


A configuração experimental do LB-PBF.

Curiosamente, ao comparar as histórias térmicas para seus perfis de porosidade individuais, os cientistas descobriram que temperaturas de pico reduzidas seguidas por declínios lentos estavam relacionados a poucas porosidades. Por outro lado, as altas temperaturas de pico seguidas de quedas e aumentos subsequentes provavelmente levariam a muito mais porosidades. Usando suas coletas de dados, a equipe de Paulson posteriormente construiu algoritmos de aprendizado de máquina que podiam prever com precisão as formações de porosidade, dependendo apenas das histórias térmicas registradas durante o processo de impressão.


A capacidade de detectar onde as porosidades tendem a se formar apenas a partir de imagens infravermelhas é um instrumento poderoso. Elimina a necessidade de dispendiosas inspeções de componentes individuais, que não são necessariamente alcançáveis ​​ao lidar com volumes de produção mais elevados. O grupo de pesquisa de Paulson espera que o trabalho possa ser desenvolvido e aprimorado com mais conjuntos de dados e um modelo de aprendizado de máquina mais sofisticado nos próximos meses.

®

Centro Empresarial de São Paulo CENESP
Av. Maria Coelho Aguiar, 215 - Jardim São Luís, São Paulo - SP, 05804-900
Igloo - Bloco F - 6° andar.

contato@printit3d.com.br