来自阿尔贡国家实验室和德克萨斯A＆M大学的一组研究人员开发了一种创新的3D打印零件缺陷检测新方法。利用实时温度数据以及机器学习算法，科学家们能够在激光粉末床熔融过程中的热历史与表面缺陷的形成之间建立关联关系。

该研究的合著者亚伦·格列柯（Aaron Greco）解释说：“最终，您将能够打印出一些东西并从源头收集温度数据，并且可以查看是否存在某些异常，然后对其进行修复或重新开始。那是大目标。”

3D打印零件中的孔隙

像3D打印一样复杂，即使是高端工业系统也有孔隙，3D打印部件中的空隙中金属粉末没有充分熔化。这些孔隙通常会导致“弱点”，使组件易于破裂和断裂。形成孔隙的原因有很多，包括粉末不一致和激光强度不足。根据该论文的第一作者诺亚·保尔森（Noah Paulson）的说法，阿贡（Argonne）的工作表明，零件的表面温度与内部孔隙形成之间存在明显的相关性。

机器学习和粉末床融合

为了促进研究，科学家们利用了能源部阿贡大学先进光子源（APS）的高功率X射线。该团队设计并建造了带有现场红外摄像头的实验性PBF钻机，该钻机可用于由Ti-64粉末制成的3D打印部件。在打印过程中，使用照相机捕获温度数据，同时使用X射线束从侧面查看打印过程，以指示是否形成了孔隙。据魔猴网了解，同时拥有顶视图和侧视图确实很强大。从侧面看，这是APS装置真正独特的地方，在某些加工条件下，基于不同的时间和温度组合，当激光通过时会形成孔隙。”

实验性LB-PBF设置。图片来自Argonne国家实验室。

有趣的是，当将热历史与各自的孔隙率曲线进行比较时，科学家发现，较低的峰值温度随后逐渐降低的孔隙率可能与孔隙率很少相关。另一方面，高峰值温度接着下降和随后的升高很可能导致更多的孔隙率。保尔森（Paulson）的团队使用他们的数据集继续建立机器学习算法，该算法可以仅基于打印过程中记录的热历史来准确预测孔隙的形成。

能够仅从红外成像中识别出可能形成气孔的能力是一种非常强大的工具。它消除了进行昂贵的单个零件检查的需要，而当处理大量生产时，这并不总是可行的。保尔森（Paulson）的研究小组希望，在未来几个月内，可以通过更多数据集和更复杂的机器学习模型来开发和改进这项工作。

3D打印过程的X射线成像。图片来自Argonne国家实验室。

机器学习的预测能力实际上已开始在增材制造的许多方面得到利用。纽约大学的研究人员最近使用机器学习算法对玻璃和碳纤维3D打印组件进行逆向工程。通过将3D打印零件的CT扫描输入模型中，科学家能够“窃取”用于制造零件的刀具路径，同时又保持了赋予它们强度和耐用性的复杂性。

在其他地方，在斯威本科技大学，研究人员使用机器学习来深入了解3D打印建筑材料的抗压强度。为了开发一种对不同3D打印的地质聚合物样品进行分类的方法，研究人员针对特定变量，并使用机器学习模型优化了3D打印材料的组成。