Wissenschaftler nutzen maschinelles Lernen zur Vorhersage von Defekten in 3D-Druckteilen

Ein Forscherteam vom Argonne National Laboratory und der Texas A&M University hat einen neuen Ansatz zur Fehlererkennung in 3D-Druckteilen entwickelt. Mit Hilfe von Echtzeit-Temperaturdaten in Verbindung mit maschinellen Lernalgorithmen konnten die Wissenschaftler korrelierende Verbindungen zwischen der thermischen Entwicklung und der Bildung von oberflächennahen Defekten während des Laser-Pulverbettschmelzprozesses aufzeigen.

Aaron Greco, ein Koautor der Studie, erläutert: “Letztendlich wäre man in der Lage, etwas auszudrucken und Temperaturdaten an der Quelle zu sammeln, und man könnte sehen, ob es einige Anomalien gibt, und diese dann beheben oder neu beginnen. Das ist das große Ziel”.

So hochentwickelt der 3D-Druck auch ist, selbst die höherwertigen Industriesysteme haben mit Porositäten zu kämpfen – Lücken im 3D-Druckteil, in denen Metallpulver nicht ausreichend aufgeschmolzen ist. Diese Porositäten führen häufig zu “Schwachstellen”, wodurch Komponenten anfällig für Risse und Brüche werden.

Es gibt eine Reihe verschiedener Gründe für die Bildung von Porositäten, einschließlich inkonsistenter Pulver und unzureichender Laserfestigkeiten. Laut Noah Paulson, dem Hauptautor der Arbeit, zeigte die Argonne-Arbeit, dass es eine deutliche Korrelation zwischen der Oberflächentemperatur eines Teils und der Porositätsbildung im Inneren gibt.

Weitere Details zu der Arbeit können Sie in dem Paper “Correlations between thermal history and keyhole porosity in laser powder bed fusion” nachlesen. Die Publikation wurde gemeinsam von Noah H. Paulson, Benjamin Gould, Sarah J. Wolff, Marius Stan und Aaron C. Greco verfasst.