LLNL sviluppa reti neuronali convoluzionali (CNN) er prevedere difetti nelle parti stampate in 3D

LLNL utilizza l’apprendimento automatico per prevenire i difetti delle parti stampate in metallo 3D in tempo reale

Ingegneri e scienziati del Lawrence Livermore National Laboratory (LLNL), California, hanno sviluppato reti neuronali convoluzionali (CNN), un tipo diffuso di algoritmo utilizzato principalmente per elaborare immagini e video, per prevedere difetti nelle parti stampate in 3D e rilevare in millisecondi se una build sarà di qualità soddisfacente.

“Questo è un modo rivoluzionario di guardare i dati che puoi etichettare video per video, o meglio ancora, fotogramma per fotogramma”, ha detto il ricercatore principale e ricercatore LLNL Brian Giera. “Il vantaggio è che puoi raccogliere video mentre stai stampando qualcosa e alla fine trarre conclusioni mentre lo stai stampando. Un sacco di persone possono raccogliere questi dati, ma non sanno cosa fare al volo, e questo lavoro è un passo in quella direzione. ”

Spesso, spiega Giera, l’analisi del sensore eseguita post-costruzione è costosa e la qualità della parte può essere determinata solo molto tempo dopo. Con parti che richiedono giorni o settimane di stampa, le CNN potrebbero rivelarsi preziose per comprendere il processo di stampa, apprendere la qualità della parte prima e correggere o adattare la costruzione in tempo reale se necessario.

I ricercatori di LLNL hanno sviluppato le reti neurali utilizzando circa 2.000 videoclip di tracce laser fuso in varie condizioni, come la velocità o la potenza. Hanno scansionato le superfici delle parti con uno strumento che ha generato mappe di altezza 3D, utilizzando tali informazioni per addestrare gli algoritmi per analizzare sezioni di frame video (ciascuna area chiamata convoluzione). Il processo sarebbe troppo difficile e dispendioso in termini di tempo per un essere umano da eseguire manualmente, ha spiegato Giera.

Bodi Yuan, studente dell’Università della California di Berkeley e ricercatore di LLNL, ha sviluppato gli algoritmi che potevano etichettare automaticamente le mappe di altezza di ogni build e utilizzare lo stesso modello per prevedere la larghezza della traccia di costruzione, se la traccia era rotta e la deviazione standard della larghezza. Utilizzando gli algoritmi, i ricercatori sono stati in grado di riprendere video di build in corso e determinare se la parte presentasse una qualità accettabile. Di conseguenza, le reti neurali sono state in grado di rilevare se una parte sarebbe continua con una precisione del 93%.

“La chiave del nostro successo è che le CNN possono imparare molte utili funzioni dei video durante l’allenamento da soli”, ha detto Yuan. “Abbiamo solo bisogno di fornire una grande quantità di dati per addestrarli e assicurarsi che apprendano bene”.

I ricercatori di LLNL hanno passato anni a raccogliere varie forme di dati in tempo reale sul processo di stampa 3D del metallo di fusione laser a letto-polvere, tra cui video, tomografia ottica e sensori acustici.

“Stavamo comunque raccogliendo il video, quindi abbiamo solo collegato i punti”, ha detto Giera. “Proprio come il cervello umano utilizza la visione e altri sensi per navigare nel mondo, gli algoritmi di apprendimento automatico possono utilizzare tutti i dati dei sensori per navigare nel processo di stampa 3D.”

Le reti neurali potrebbero teoricamente essere utilizzate in altri sistemi di stampa 3D, ha detto Giera. Altri ricercatori dovrebbero essere in grado di seguire la stessa formula, creando parti in condizioni diverse, raccogliendo video e scannerizzandoli con una mappa dell’altezza per generare un set video etichettato che potrebbe essere utilizzato con tecniche standard di apprendimento automatico.

Giera ha detto che il lavoro deve ancora essere fatto per rilevare i vuoti all’interno delle parti che non possono essere previsti con le scansioni delle mappe di altezza, ma potrebbero essere misurati utilizzando la radiografia a raggi X ex situ.

I ricercatori cercheranno anche di creare algoritmi per incorporare più modalità di rilevamento oltre a immagini e video.

“In questo momento, qualsiasi tipo di rilevamento è considerato una grande vittoria. Se possiamo risolverlo al volo, questo è l’obiettivo finale più grande “, ha detto Giera. “Dati i volumi di dati che stiamo raccogliendo per gestire gli algoritmi di apprendimento automatico , l’apprendimento automatico giocherà un ruolo centrale nella creazione di parti già al primo tentativo.”

Il progetto è stato finanziato dal programma di ricerca e sviluppo diretto dal laboratorio.

Be the first to comment on "LLNL sviluppa reti neuronali convoluzionali (CNN) er prevedere difetti nelle parti stampate in 3D"

Leave a comment