Zespół badawczy pod kierownictwem Tao Sun, profesora nadzwyczajnego materiałoznawstwa i inżynierii materiałowej na Uniwersytecie Wirginii, dokonał nowych odkryć, które mogą przyczynić się do rozwoju produkcji addytywnej w przemyśle lotniczym i innych gałęziach przemysłu, w których wykorzystuje się mocne części metalowe.
Ich recenzowana praca została opublikowana 6 stycznia 2023 r. w Science Magazine: „Machine learning aided real-time detection of keyhole pore generation in laser powder bed fusion”. Porusza ona kwestię wykrywania powstawania porów w kształcie dziurki od klucza, jednego z głównych defektów w popularnej technice wytwarzania addytywnego, zwanej laserową fuzją w łożu proszkowym (LPBF).
Wprowadzona w latach 90-tych, LPBF wykorzystuje proszek metalowy i lasery do drukowania 3-D części metalowych. Jednak wady porowatości pozostają wyzwaniem dla zastosowań wrażliwych na zmęczenie, takich jak skrzydła samolotów. Niektóre porowatości wiążą się z głębokimi i wąskimi zagłębieniami parowymi, które są dziurkami od klucza.
Powstanie i wielkość dziurki jest funkcją mocy lasera i prędkości skanowania, a także zdolności materiałów do absorbowania energii lasera. Jeżeli ścianki otworów są stabilne, zwiększa to absorpcję lasera przez otaczający materiał i poprawia wydajność produkcji laserowej. Jeżeli jednak ścianki są chwiejne lub zapadają się, materiał zestala się wokół dziurki od klucza, zatrzymując kieszeń powietrzną wewnątrz nowo utworzonej warstwy materiału. W ten sposób materiał staje się bardziej kruchy i bardziej narażony na pęknięcia pod wpływem naprężeń środowiskowych.
Sun i jego zespół, w tym profesor materiałoznawstwa i inżynierii materiałowej Anthony Rollett z Carnegie Mellon University i profesor inżynierii mechanicznej Lianyi Chen z University of Wisconsin-Madison, opracowali metodę wykrywania dokładnego momentu, w którym podczas procesu drukowania tworzy się por w kształcie dziurki od klucza.
„Integrując synchrotronowe obrazowanie rentgenowskie operando, obrazowanie w bliskiej podczerwieni i uczenie maszynowe, nasze podejście może uchwycić unikalną sygnaturę termiczną związaną z tworzeniem się porów w kształcie dziurki od klucza z submilisekundową rozdzielczością czasową i 100% wskaźnikiem przewidywania” – powiedział Sun.
Opracowując metodę wykrywania dziurek w czasie rzeczywistym, badacze udoskonalili również sposób wykorzystania najnowocześniejszego narzędzia – operacyjnego synchrotronowego obrazowania rentgenowskiego. Wykorzystując uczenie maszynowe, odkryli dodatkowo dwa tryby oscylacji dziurki od klucza.
„Nasze odkrycia nie tylko przyczyniają się do rozwoju badań nad produkcją addytywną, ale mogą również praktycznie służyć rozszerzeniu komercyjnego zastosowania LPBF do produkcji części metalowych” – powiedział Rollett. Rollet jest również współdyrektorem NextManufacturing Center na CMU.
„Porowatość w częściach metalowych pozostaje główną przeszkodą w szerszym zastosowaniu techniki LPBF w niektórych branżach. Porowatość otworów jest najtrudniejszym typem defektu, jeśli chodzi o wykrywanie w czasie rzeczywistym za pomocą czujników w skali laboratoryjnej, ponieważ występuje stochastycznie pod powierzchnią” – powiedział Sun. „Nasze podejście zapewnia realne rozwiązanie dla wykrywania porowatości otworów o wysokiej rozdzielczości, które można łatwo zastosować w wielu scenariuszach produkcji przyrostowej”.