Das US-Energieministerium erkennt Fehler beim 3D-Druck in Echtzeit

Laut dem US-Energieministerium (US DoE) haben Forscher mithilfe von Diagnosetools und maschinellem Lernen eine neue Methode zur Erkennung und Vorhersage von Defekten in 3D-gedruckten Materialien entwickelt. Die Methode nutzt verschiedene Bildgebungs- und maschinelle Lerntechniken, um die Entstehung von Poren in Echtzeit mit nahezu perfekter Genauigkeit zu erkennen. Die Forscher werden in Kürze Sensortechnologien entwickeln, die andere Arten von Defekten erkennen können, die während des additiven Fertigungsprozesses auftreten, mit dem Ziel, ein System zu schaffen, das nicht nur Defekte erkennt, sondern auch Reparaturen während des AM ermöglicht.

Viele Branchen setzen auf die additive Fertigung von Metallteilen, um komplexe Teile und Komponenten schnell herzustellen – von Raketentriebwerksdüsen über Kolben für Hochleistungsautos bis hin zu maßgeschneiderten orthopädischen Implantaten. Neue fortschrittliche Diagnosetools zur Erkennung und potenziellen Reparatur von Defekten werden den Einsatz von AM in der Luft- und Raumfahrt und anderen Branchen, die auf Hochleistungsmetallteile angewiesen sind, erweitern.

Einer der größten Fehler bei der Laser-Pulverbettfusion ist die Bildung von Schlüssellochporen. Diese Poren oder Strukturfehler können die Leistung der gedruckten Teile beeinträchtigen. Viele 3D-Druckmaschinen verfügen über Wärmebildsensoren, die den Bauprozess überwachen, aber dennoch die Bildung von Poren übersehen können. Die einzige Möglichkeit, Poren in dichtem Metall direkt zu erkennen, ist die Röntgenbildgebung mit hochintensiven Strahlen, wie sie beispielsweise in der Advanced Photon Source, einer Einrichtung des DoE Office of Science, zum Einsatz kommen.

Hier haben Forscher die Röntgenbilder des Probeninneren mit den Wärmebildern des Schmelzbades korreliert und festgestellt, dass die Bildung einer Schlüssellochporen ein deutliches Signal an der Materialoberfläche erzeugt, das mit Wärmebildkameras erfasst werden kann. Zunächst trainierten sie ein maschinelles Lernmodell mit Röntgenbildern, um die Bildung von Poren allein anhand von Wärmebildern vorherzusagen. Anschließend testeten sie die Fähigkeit des Modells, die komplexen thermischen Signale zu entschlüsseln und die Porenbildung in unmarkierten Proben vorherzusagen. Die Forscher fanden heraus, dass mit diesem Ansatz der genaue Zeitpunkt der Porenbildung während des Druckprozesses in Zeiträumen von weniger als einer Millisekunde erkannt werden konnte.