Le logiciel Peregrone d'Oak Ridge National Laboratory, utilisé pour surveiller et analyser les pièces créées par le biais de la fabrication d'additive de lit en poudre, a publié son ensemble de données le plus avancé à ce jour.
L'ensemble de données est intitulé « Données d'imagerie de lumière et de thermique visibles in situ à partir d'un processus de fabrication additif de fusion en poudre laser co-enregistré à la tomodensitométrie et aux données de fatigue. »
Dans son effort continu pour soutenir l'industrie manufacturière additive du pays avec des ensembles de données complets, l'installation de démonstration de fabrication du ministère de l'Énergie a produit ce nouvel ensemble de données dans le cadre d'une étude visant à établir de fortes corrélations entre les anomalies de fabrication, les défauts internes et les performances mécaniques qui en résultent.
Cet ensemble de données contient des données de surveillance de pointe pour la fusion de lit de poudre laser (L-PBF), qui utilise un laser pour fondre et fusionner la poudre métallique pour créer les couches d'une pièce métallique. L'ensemble de données comprend des paramètres de processus machine et des données de capteur, des géométries et des images détaillées du processus 3D-construction capturé à partir d'angles de plusieurs angles et d'éclairage, combinant l'imagerie visible et proche infrarouge à haute résolution avec des scans à rayons X des parties imprimées.
« Peregrine prend des images pendant l'impression, en utilisant l'IA pour rechercher des anomalies », a déclaré Luke Scime, chercheur du groupe d'analyse de systèmes de fabrication chez ORNL.
« Vous le faites pour chaque couche, et vous construisez une carte tridimensionnelle de tous les emplacements qui pourraient avoir des problèmes, puis vous essayez de prédire lequel pourrait causer un problème dans la dernière partie. »
L'algorithme personnalisé du logiciel Peregrine utilise les valeurs de pixels des images pour examiner la composition des bords, des lignes, des coins et des textures, et envoie une alerte aux opérateurs sur tout problème pendant le processus d'impression afin qu'ils puissent effectuer des ajustements rapides.
Grâce à son réseau neuronal de convolution de segmentation multilabel dynamique, ou dmscnn, Peregrine examine les données de plusieurs capteurs pour détecter les problèmes et envoyer une alerte. Par exemple, les impressions L-PBF éprouvent des éclaboussures, où le matériau fondu est éjecté lorsque le laser fait fondre la poudre métallique. Ces particules éclaboussées peuvent atterrir ailleurs de la part, affectant la qualité globale.
Le nouvel ensemble de données comprend tous les résultats de la segmentation DMSCNN et les échantillons testés en fatigue soumis à de telles perturbations induites par des éclaboussures.
Cet ensemble complet d'informations soutient le développement du modèle d'IA pour la qualification numérique des processus AM. En utilisant l'ensemble de données de peregrine open source amélioré, les chercheurs et les fabricants peuvent développer des systèmes d'assurance qualité et de contrôle de qualité encore plus intelligents et plus intelligents pour leurs pièces imprimées en 3D.
Les autres chercheurs de l'ORNL qui ont contribué au nouvel ensemble de données comprennent Zackary Snow, Chase Joslin, William Halsey, Andres Marquez Rossy, Amir Ziabari, Vincent Paquit et Ryan Dehoff.
