Durante años, Los ingenieros y científicos del Laboratorio Nacional Lawrence Livermore han utilizado una variedad de sensores y técnicas de imágenes para analizar la física y los procesos detrás de la impresión 3D de metal en un esfuerzo continuo por construir piezas de metal de mayor calidad por primera vez. cada vez. Ahora, Los investigadores están explorando el aprendizaje automático para procesar los datos obtenidos durante las compilaciones 3-D en tiempo real, detectando en milisegundos si una construcción será de calidad satisfactoria.

En un artículo publicado en línea el 5 de septiembre por Tecnologías de materiales avanzadas , un equipo de investigadores del laboratorio informa sobre el desarrollo de redes neuronales convolucionales (CNN), un tipo popular de algoritmo que se utiliza principalmente para procesar imágenes y videos, para predecir si una pieza será buena con tan solo 10 milisegundos de video.

"Esta es una forma revolucionaria de ver los datos que puede etiquetar video por video, o mejor aún, cuadro por cuadro, ", dijo el investigador principal e investigador de LLNL Brian Giera." La ventaja es que puede recopilar videos mientras imprime algo y, en última instancia, sacar conclusiones mientras lo imprime. Mucha gente puede recopilar estos datos, pero no saben qué hacer con él sobre la marcha, y este trabajo es un paso en esa dirección ".

A menudo, Giera explicó, El análisis del sensor realizado después de la construcción es costoso y la calidad de la pieza solo se puede determinar mucho después. Con piezas que tardan días o semanas en imprimirse, Las CNN podrían resultar valiosas para comprender el proceso de impresión, aprender la calidad de la pieza antes y corregir o ajustar la construcción en tiempo real si es necesario.

Los investigadores de LLNL desarrollaron las redes neuronales utilizando aproximadamente 2, 000 videoclips de pistas láser fundidas en diferentes condiciones, como velocidad o potencia. Escanearon las superficies de las piezas con una herramienta que generaba mapas de altura en 3D, utilizando esa información para entrenar los algoritmos para analizar secciones de fotogramas de video (cada área se llama convolución). El proceso sería demasiado difícil y llevaría mucho tiempo para que un humano lo hiciera manualmente, Explicó Giera.

Universidad de California, Bodi Yuan, estudiante de Berkeley e investigador de LLNL, el autor principal del artículo, desarrolló los algoritmos que podían etiquetar automáticamente los mapas de altura de cada construcción y utilizó el mismo modelo para predecir el ancho de la pista de construcción, si la pista estaba rota y la desviación estándar de ancho. Usando los algoritmos, los investigadores pudieron tomar videos de las compilaciones en curso y determinar si la pieza presentaba una calidad aceptable. Los investigadores informaron que las redes neuronales pudieron detectar si una parte sería continua con un 93 por ciento de precisión. haciendo otras predicciones sólidas sobre el ancho de la pieza.

"Debido a que las redes neuronales convolucionales muestran un gran rendimiento en tareas relacionadas con el reconocimiento de imágenes y videos, elegimos usarlos para abordar nuestro problema, ", Dijo Yuan." La clave de nuestro éxito es que las CNN pueden aprender muchas características útiles de los videos durante la capacitación por sí mismas. Solo necesitamos alimentar una gran cantidad de datos para entrenarlos y asegurarnos de que aprendan bien ".

El coautor del artículo e investigador de LLNL, Ibo Matthews, lidera un grupo que ha pasado años recopilando diversas formas de datos en tiempo real sobre el proceso de impresión 3D de metal de fusión de lecho de polvo láser. incluyendo video, tomografía óptica y sensores acústicos. Mientras trabajaba con el grupo de Matthews para analizar pistas de compilación, Giera concluyó que no sería posible hacer todo el análisis de datos manualmente y quería ver si las redes neuronales podrían simplificar el trabajo.

"De todos modos, estábamos recopilando vídeos así que conectamos los puntos ", Dijo Giera." Al igual que el cerebro humano utiliza la visión y otros sentidos para navegar por el mundo, Los algoritmos de aprendizaje automático pueden utilizar todos los datos de los sensores para navegar por el proceso de impresión 3D ".

Las redes neuronales descritas en el documento podrían teóricamente usarse en otros sistemas de impresión 3-D, Dijo Giera. Otros investigadores deberían poder seguir la misma fórmula, crear piezas en diferentes condiciones, recopilar videos y escanearlos con un mapa de altura para generar un conjunto de videos etiquetados que podría usarse con técnicas estándar de aprendizaje automático.

Giera dijo que aún se debe trabajar para detectar vacíos dentro de las partes que no se pueden predecir con escaneos de mapas de altura, pero que se pueden medir mediante radiografía de rayos X ex situ.

Los investigadores también buscarán crear algoritmos para incorporar múltiples modalidades de detección además de imágenes y videos.

"Ahora, cualquier tipo de detección se considera una gran ganancia. Si podemos arreglarlo sobre la marcha, ese es el mayor objetivo final, ", Dijo Giera." Dados los volúmenes de datos que recopilamos y que los algoritmos de aprendizaje automático están diseñados para manejar, el aprendizaje automático desempeñará un papel fundamental en la creación de piezas correctamente a la primera ".