Pendant des années, Les ingénieurs et scientifiques du Lawrence Livermore National Laboratory ont utilisé une gamme de capteurs et de techniques d'imagerie pour analyser la physique et les processus derrière l'impression 3D métallique dans un effort continu pour construire des pièces métalliques de meilleure qualité la première fois, à chaque fois. Maintenant, les chercheurs explorent le machine learning pour traiter en temps réel les données obtenues lors des builds 3D, détecter en quelques millisecondes si une construction sera de qualité satisfaisante.

Dans un article publié en ligne le 5 septembre par Technologies avancées des matériaux , une équipe de chercheurs du laboratoire rapporte le développement de réseaux de neurones convolutifs (CNN), un type d'algorithme populaire principalement utilisé pour traiter des images et des vidéos, pour prédire si une partie sera bonne en regardant aussi peu que 10 millisecondes de vidéo.

"C'est une façon révolutionnaire de regarder les données que vous pouvez étiqueter vidéo par vidéo, ou mieux encore, image par image, " a déclaré le chercheur principal et chercheur du LLNL Brian Giera. " L'avantage est que vous pouvez collecter des vidéos pendant que vous imprimez quelque chose et finalement tirer des conclusions pendant que vous l'imprimez. Beaucoup de gens peuvent collecter ces données, mais ils ne savent pas quoi en faire à la volée, et ce travail est un pas dans cette direction."

Souvent, Giera a expliqué, l'analyse des capteurs effectuée après la construction est coûteuse et la qualité des pièces ne peut être déterminée que longtemps après. Avec des pièces qui prennent des jours à des semaines à imprimer, Les CNN pourraient s'avérer précieux pour comprendre le processus d'impression, apprendre plus tôt la qualité de la pièce et corriger ou ajuster la construction en temps réel si nécessaire.

Les chercheurs du LLNL ont développé les réseaux de neurones en utilisant environ 2, 000 clips vidéo de pistes laser fondues dans des conditions variables, comme la vitesse ou la puissance. Ils ont scanné les surfaces des pièces avec un outil qui a généré des cartes de hauteur en 3D, utiliser ces informations pour entraîner les algorithmes à analyser des sections d'images vidéo (chaque zone est appelée convolution). Le processus serait trop difficile et prendrait trop de temps pour un humain à faire manuellement, Giera a expliqué.

Université de Californie, Bodi Yuan, étudiant à Berkeley et chercheur au LLNL, l'auteur principal de l'article, développé les algorithmes qui pourraient étiqueter automatiquement les cartes de hauteur de chaque construction et utilisé le même modèle pour prédire la largeur de la piste de construction, si la piste était cassée et l'écart type de largeur. En utilisant les algorithmes, les chercheurs ont pu filmer les constructions en cours et déterminer si la pièce présentait une qualité acceptable. Les chercheurs ont rapporté que les réseaux de neurones étaient capables de détecter si une pièce serait continue avec une précision de 93%, faire d'autres prédictions fortes sur la largeur de la pièce.

« Parce que les réseaux de neurones convolutifs présentent d'excellentes performances dans les tâches liées à la reconnaissance d'images et de vidéos, nous avons choisi de les utiliser pour résoudre notre problème, " a déclaré Yuan. " La clé de notre succès est que les CNN peuvent apprendre de nombreuses fonctionnalités utiles des vidéos pendant la formation par eux-mêmes. Nous n'avons qu'à alimenter une énorme quantité de données pour l'entraîner et nous assurer qu'il apprend bien."

Le co-auteur de l'article et chercheur au LLNL, Ibo Matthews, dirige un groupe qui a passé des années à collecter diverses formes de données en temps réel sur le processus d'impression 3D de métal de fusion sur lit de poudre laser, y compris la vidéo, tomographie optique et capteurs acoustiques. Tout en travaillant avec le groupe de Matthews pour analyser les pistes de construction, Giera a conclu qu'il ne serait pas possible de faire toutes les analyses de données manuellement et a voulu voir si les réseaux de neurones pouvaient simplifier le travail.

"Nous collections des vidéos de toute façon, donc nous venons de relier les points, " a déclaré Giera. " Tout comme le cerveau humain utilise la vision et d'autres sens pour naviguer dans le monde, les algorithmes d'apprentissage automatique peuvent utiliser toutes ces données de capteurs pour naviguer dans le processus d'impression 3D."

Les réseaux de neurones décrits dans l'article pourraient théoriquement être utilisés dans d'autres systèmes d'impression 3D, dit Giera. D'autres chercheurs devraient pouvoir suivre la même formule, créer des pièces dans différentes conditions, collecter des vidéos et les numériser avec une carte de hauteur pour générer un ensemble vidéo étiqueté qui pourrait être utilisé avec des techniques d'apprentissage automatique standard.

Giera a déclaré qu'il restait encore du travail à faire pour détecter les vides dans les parties qui ne peuvent pas être prédits avec des analyses de carte de hauteur, mais qui pourraient être mesurés à l'aide de radiographies aux rayons X ex situ.

Les chercheurs chercheront également à créer des algorithmes pour incorporer plusieurs modalités de détection en plus de l'image et de la vidéo.

"À l'heure actuelle, tout type de détection est considéré comme une énorme victoire. Si nous pouvons le réparer à la volée, c'est le plus grand objectif final, " a déclaré Giera. " Compte tenu des volumes de données que nous collectons et que les algorithmes d'apprentissage automatique sont conçus pour gérer, L'apprentissage automatique va jouer un rôle central dans la création de pièces dès la première fois."