Actualités

Les chercheurs utilisent l’apprentissage automatique pour surveiller la formation de pores métalliques in situ

La porosité et d’autres défauts sont un problème lorsqu’il s’agit de pièces imprimées avec des procédés de fusion sur lit de poudre métallique.

Une équipe de chercheurs du Laboratoire national d’Argonne du Département américain de l’énergie et de l’Université Texas A&M ont publié leurs résultats qui pourraient jouer un rôle dans la réduction de ces défauts souterrains.

L’équipe a trouvé une nouvelle façon de surveiller la formation de la porosité et de mesurer la température d’une région au moment même de l’impression de la poudre Ti-6Al-4V.

Plus précisément, les chercheurs se sont intéressés à l’observation de la formation de pores en trou de serrure, qui se forment lorsqu’un surplus d’énergie est concentré trop longtemps dans le bain de fusion du métal. Ces pores peuvent agir comme des concentrateurs de contraintes dans la structure de la pièce finale, entraînant une imprévisibilité de la pièce sous charge et des pannes potentielles.

En utilisant une caméra thermique haute vitesse descendante dans la zone de construction de l’imprimante à fusion laser, ils sont capables d’enregistrer la température exacte à un certain moment pendant l’impression et de corréler cela avec des balayages supplémentaires de l’imagerie par rayons X synchrotron prise au exactement au même moment. Cela aide à construire une image de la façon dont l’historique thermique de la pièce fondue affecte la microstructure du métal imprimé.

L’équipement à rayons X était situé à la source avancée de photons (APS) d’Argonne, qui abrite l’une des sources de rayons X les plus puissantes au monde.

Pourquoi le besoin d’imagerie rapide?

La formation de ces pores d’intérêt est aléatoire et, à mesure qu’ils se forment, ils peuvent piéger les gaz inertes de l’imprimante à l’intérieur des pores, forçant l’instabilité du pore. À cette fin, la capture de ces données avec des mesures externes a été insaisissable jusqu’aux développements récents de la surveillance in situ.

Pour établir des corrélations entre l’historique thermique et d’autres paramètres recueillis in situ, l’équipe utilise l’apprentissage automatique pour parcourir les données et identifier les réponses statistiquement significatives de leurs expériences.

L’objectif principal de l’article est en effet cette méthodologie d’apprentissage automatique, et l’équipe a présenté quatre modèles statistiques d’apprentissage automatique qui corrélent les historiques de température à la formation de porosité sous la surface.
Les résultats finaux des expériences, en plus de fournir de nouvelles méthodes d’apprentissage automatique pour la prédiction des défauts, ont également démontré qu’il existe effectivement une corrélation entre la température de surface et la formation des pores sous la surface.

«Avoir les vues de dessus et de côté en même temps est vraiment puissant. Avec la vue latérale, ce qui est vraiment unique ici avec la configuration APS, nous avons pu voir que dans certaines conditions de traitement basées sur différentes combinaisons de temps et de température, la porosité se forme lorsque le laser passe au-dessus », a déclaré Noah Paulson, auteur principal de la recherche papier.

Avec ce processus, il peut être possible de corréler les lectures de rayons X super-sensibles de l’APS avec les lectures thermiques facilement disponibles des imprimantes en métal de tous les jours, et ainsi aider à la détection ponctuelle des défauts, comme cela se produit, dans l’atelier.

Ceci est important, car les méthodes actuelles de détection des défauts nécessitent généralement un examen détaillé de la pièce après son impression. Et une fois qu’il a été imprimé avec un défaut, personne ne peut rien y faire.

«En fin de compte, vous seriez en mesure d’imprimer quelque chose et de collecter des données de température à la source et vous pourriez voir s’il y avait des anomalies, puis les corriger ou recommencer», a déclaré Aaron Greco, directeur de groupe au sein du groupe Interfacial Mechanics & Materials d’Argonne. Division des matériaux appliqués (AMD)

«À l’heure actuelle, il existe un risque associé aux erreurs d’impression 3D, ce qui signifie qu’il y a un coût. Ce coût empêche l’adoption généralisée de cette technologie », a-t-il poursuivi.

«Pour réaliser son plein potentiel, nous devons réduire le risque afin de réduire les coûts.»

Allons-nous voir la détection des défauts AI dans l’impression 3D à l’avenir?

Si nous souhaitons avoir la répétabilité et la prévisibilité des pièces usinées ou travaillées, alors cela peut bien être un pas dans la bonne direction.

Vous pouvez lire l’article complet ici.

Tags
Bouton retour en haut de la page
Fermer