LLNL использует машинное обучение для предотвращения дефектов 3D-печати

Инженеры Национальной лаборатории Лоуренса Ливермора (LLNL) разработали сверточные нейронные сети (CNN), популярный тип алгоритма, используемый для обработки изображений и видео. С его помощью они могут прогнозировать качество 3D-печати и определять, насколько изделие соответствует требованиям пользователя.

«Это революционный способ взглянуть на данные кадр за кадром. Преимущество подхода в том, что вы можете снять на камеру процесс 3D-печати и проанализировать его. Конечно, не всякий знает, что делать с такой информацией — и эта работа является шагом в этом направлении», — сказал главный исследователь LLNL Брайан Джиера.

Тщательный анализ детали после 3D-печати слишком дорог, а её качество определяется только в процессе эксплуатации. Если аддитивное производство занимает несколько дней или недель, новый алгоритм на основе CNN может оказаться очень полезным. Пользователь сможет понять, как происходит процесс формирования детали и внести изменения в настройки в реальном времени.

Исследователи LLNL разработали нейронные сети, используя около 2000 видеоклипов работы лазеров разной мощности и скорости. Они сканировали поверхности деталей, используя эту информацию для обучения алгоритмов, который анализировали каждый кадр. Для человека этот процесс будет слишком сложным и трудоемким.

Ученые Калифорнийского университет в Беркли и LLNL разработали алгоритмы, которые строили карту высот и изучали параметры каждого слоя. В дальнейшем они использовали данную модель для прогнозирования ошибок в построении всей детали. На основе изменений ширины слоев и расчета стандартного отклонения, исследователи научились определять качество формируемого изделия. Обученные нейронные сети в состоянии предсказать успешное завершение 3D-печати с точностью до 93 %.

Исследователи LLNL потратили годы чтобы собрать информацию для анализа: видеозаписи лазерного плавления металлического порошка, результаты оптической томографии и акустических датчиков.

Теоретически нейронные сети могут быть использованы в разных системах 3D-печати. Другие ученые могут воспользоваться формулой LLNL, чтобы разработать собственную модель по видеозаписям и картам высот и обучить алгоритм с помощью стандартных методов машинного обучения.

Брайан Джиера отметил, что работа еще не закончена. Исследователи ищут способ находить пустоты внутри деталей, которые не могут быть определены с помощью обычного сканирования — например, посредством рентгенографии.

Оригинал публикации

Понравился пост? Ставьте лайк и подписывайтесь на наш канал, чтобы следить за технологиями будущего!