I åratal, Lawrence Livermore National Laboratorys ingenjörer och forskare har använt en rad sensorer och bildtekniker för att analysera fysiken och processerna bakom metall 3-D-utskrift i ett pågående arbete för att bygga metalldelar av högre kvalitet första gången, varje gång. Nu, forskare utforskar maskininlärning för att bearbeta data som erhålls under 3D-byggen i realtid, upptäcka inom millisekunder om ett bygge kommer att vara av tillfredsställande kvalitet.

I en tidning publicerad online 5 september av Avancerad materialteknik , ett team av laboratorieforskare rapporterar att de utvecklar konvolutionella neurala nätverk (CNN), en populär typ av algoritm som främst används för att bearbeta bilder och videor, att förutsäga om en del kommer att bli bra genom att titta på så lite som 10 millisekunders video.

"Det här är ett revolutionerande sätt att titta på data som du kan märka video för video, eller ännu bättre, ruta för ruta, ", sa huvudforskaren och LLNL-forskaren Brian Giera. "Fördelen är att du kan samla in video medan du skriver ut något och i slutändan dra slutsatser när du skriver ut det. Många människor kan samla in denna data, men de vet inte vad de ska göra med det i farten, och det här arbetet är ett steg i den riktningen."

Ofta, Giera förklarade, sensoranalys som görs efter bygget är dyrt och delkvaliteten kan bestämmas först långt efter. Med delar som tar dagar till veckor att skriva ut, CNN:er kan visa sig vara värdefulla för att förstå utskriftsprocessen, lära sig kvaliteten på delen tidigare och korrigera eller justera konstruktionen i realtid om det behövs.

LLNL-forskare utvecklade de neurala nätverken med hjälp av cirka 2, 000 videoklipp av smält laserspår under varierande förhållanden, såsom hastighet eller kraft. De skannade delytorna med ett verktyg som genererade 3D-höjdkartor, använda den informationen för att träna algoritmerna för att analysera sektioner av videorutor (varje område kallas en faltning). Processen skulle vara för svår och tidskrävande för en människa att göra manuellt, Giera förklarade.

University of California, Berkeley-studenten och LLNL-forskaren Bodi Yuan, tidningens huvudförfattare, utvecklade algoritmerna som automatiskt kunde märka höjdkartorna för varje byggnad och använde samma modell för att förutsäga byggspårets bredd, om spåret var trasigt och standardavvikelsen på bredd. Med hjälp av algoritmerna, forskare kunde ta video av pågående byggen och avgöra om delen uppvisade acceptabel kvalitet. Forskare rapporterade att de neurala nätverken kunde detektera om en del skulle vara kontinuerlig med 93 procents noggrannhet, göra andra starka förutsägelser om delbredd.

"Eftersom konvolutionella neurala nätverk visar bra prestanda på bild- och videoigenkänningsrelaterade uppgifter, vi valde att använda dem för att lösa vårt problem, " sade Yuan. "Nyckeln till vår framgång är att CNN:er kan lära sig massor av användbara funktioner i videor under utbildningen på egen hand. Vi behöver bara mata in en enorm mängd data för att träna den och se till att den lär sig bra."

Paper medförfattare och LLNL-forskare Ibo Matthews leder en grupp som har ägnat år åt att samla in olika former av realtidsdata om laserpulverbäddsfusionsmetall 3-D-utskriftsprocessen, inklusive video, optisk tomografi och akustiska sensorer. Under arbetet med Matthews grupp för att analysera byggspår, Giera drog slutsatsen att det inte skulle vara möjligt att göra all dataanalys manuellt och ville se om neurala nätverk kunde förenkla arbetet.

"Vi samlade video ändå, så vi kopplade bara ihop prickarna, ", sa Giera. "Precis som den mänskliga hjärnan använder syn och andra sinnen för att navigera i världen, maskininlärningsalgoritmer kan använda all denna sensordata för att navigera i 3D-utskriftsprocessen."

De neurala nätverk som beskrivs i artikeln skulle teoretiskt kunna användas i andra 3D-utskriftssystem, sa Giera. Andra forskare borde kunna följa samma formel, skapa delar under olika förhållanden, samla in video och skanna dem med en höjdkarta för att generera en märkt videouppsättning som kan användas med vanliga maskininlärningstekniker.

Giera sa att arbete fortfarande måste göras för att upptäcka tomrum i delar som inte kan förutsägas med höjdkartskanningar men som kan mätas med ex situ röntgenröntgen.

Forskare kommer också att leta efter att skapa algoritmer för att införliva flera avkänningsmodaliteter förutom bild och video.

"Just nu, alla typer av upptäckt anses vara en enorm vinst. Om vi ​​kan fixa det i farten, det är det större slutmålet, ", sa Giera. "Med tanke på de mängder data vi samlar in som maskininlärningsalgoritmer är designade för att hantera, maskininlärning kommer att spela en central roll för att skapa delar rätt första gången."