如何利用机器学习监测原位金属孔隙的形成？

孔隙率是一个涉及到零件印刷金属粉末床熔合工艺的问题。来自美国能源部阿贡国家实验室和得克萨斯州A&M大学的一组研究人员发表了他们的研究结果，这可能有助于减少这些地下缺陷。

该小组找到了一种新的方法来监测孔隙率的形成，以及在印刷Ti-6Al-4V粉末的瞬间测量一个区域的温度。具体来说，研究人员有兴趣观察小孔孔的形成，这些孔是在金属熔池中集中能量过久时形成的。这些孔隙可以作为应力集中器在最终部分的结构，导致部分不可预测的负荷，和潜在的失败。

通过在激光聚变打印机的建造区域使用自上而下的高速热相机，他们能够在打印过程中记录特定时间的精确温度，并将此与同步x射线成像在同一时刻进行的额外扫描相关联。这有助于绘制熔断件的热历史如何影响印刷金属的微观结构的图片。X射线设备位于阿贡的先进光子源(APS)，是世界上最强大的X射线源之一。

为什么需要快速成像？

这些令人感兴趣的孔隙的形成是随机的，当它们形成时，它们可以从孔内的打印机捕获惰性气体，迫使孔隙不稳定。为此目的，直到最近现场监测的发展，用外部测量来获取这一数据一直是难以捉摸的。

为了将热历史与现场收集的其他参数联系起来，研究小组利用机器学习技术来翻阅数据，并从实验中识别出有统计学意义的反应。论文的主要重点确实是这种机器学习方法，该团队提出了四种统计机器学习模型，将温度历史与地下孔隙率的形成联系起来。实验结果除了为缺陷预测提供了新的机器学习方法外，还证明了表面温度与地下孔隙形成之间确实存在一定的相关性。

“同时看到顶部和侧面是非常强大的。从侧面看，这是APS装置真正独特的地方，我们可以看到，在某些加工条件下，根据不同的时间和温度组合，随着激光的通过，孔隙率形成，“研究论文的主要作者诺亚·保尔森说。

钛粉小孔(图号：Ti-6Al-4V预合金粉末激光熔凝的熔池表征：：Haijun龚等人)

通过这一过程，可以将APS的超灵敏X射线读数与日常金属打印机现成的热读数联系起来，从而有助于在车间进行现场缺陷检测。

这一点很重要，因为目前的缺陷检测方法通常需要在打印后对该部分进行详细检查。一旦打印有缺陷，任何人都无能为力。

“最终你可以打印一些东西并在源上收集温度数据，你可以看到是否有一些异常，然后修复或重新开始，”阿贡的应用材料部门(AMD)的组经理亚伦·格雷科(Aaron Greco)说。“目前，3D打印错误存在风险，因此这意味着要付出一定的代价。”这一成本限制了这项技术的广泛应用。“他继续说。“要充分发挥其潜力，我们需要降低风险，降低成本。”我们将来会看到3D打印中的人工智能故障检测吗？如果我们希望有可重复和可预测的加工或锻制零件，那么这可能确实是朝着正确的方向迈出的一步。