Học sâu giúp kiểm tra CT các bộ phận in 3D nhanh hơn và chính xác hơn

Một khung học sâu mới được phát triển tại Phòng thí nghiệm quốc gia Oak Ridge (ORNL) của Bộ Năng lượng đang đẩy nhanh quá trình kiểm tra các bộ phận kim loại được sản xuất đắp dần bằng cách sử dụng phương pháp chụp cắt lớp vi tính tia X (CT) đồng thời tăng độ chính xác của kết quả. Việc giảm chi phí về thời gian, nhân công, bảo trì và năng lượng dự kiến ​​sẽ đẩy nhanh việc mở rộng quy mô sản xuất bồi đắp hoặc in 3D.

Amir Ziabari, trưởng nhóm nghiên cứu của ORNL cho biết : “Tốc độ quét giúp giảm đáng kể chi phí . “ Và chất lượng cao hơn nên việc phân tích hậu xử lý trở nên đơn giản hơn nhiều.”

Khung này đã được tích hợp vào phần mềm do đối tác thương mại ZEISS sử dụng trong các máy của họ tại Cơ sở Trình diễn Sản xuất của DOE tại ORNL, nơi các công ty trau dồi phương pháp in 3D.

Các nhà nghiên cứu của ORNL trước đây đã phát triển công nghệ có thể phân tích chất lượng của một bộ phận trong khi nó đang được in. Việc bổ sung mức độ chính xác cao của hình ảnh sau khi in mang lại mức độ tin cậy cao hơn đối với sản xuất bồi đắp đồng thời có khả năng tăng sản lượng.

Pradeep Bhattad, giám đốc phát triển kinh doanh của ZEISS cho sản xuất bồi đắp cho biết: “Với điều này, chúng tôi có thể kiểm tra từng bộ phận của máy in 3D . “ Hiện tại CT chỉ giới hạn ở việc tạo mẫu. Nhưng công cụ này có thể thúc đẩy sản xuất bồi đắp theo hướng công nghiệp hóa.”

Quét CT bằng tia X rất quan trọng để chứng nhận độ chắc chắn của bộ phận được in 3D mà không làm hỏng bộ phận đó. Một đối tượng đặt bên trong tủ được xoay chậm và quét ở mỗi góc bằng tia X mạnh. Các thuật toán máy tính sử dụng chồng các hình chiếu hai chiều thu được để xây dựng hình ảnh 3D thể hiện mật độ cấu trúc bên trong của đối tượng. CT X-quang có thể được sử dụng để phát hiện lỗi, phân tích lỗi hoặc chứng nhận rằng sản phẩm phù hợp với thành phần và chất lượng dự kiến.

Tuy nhiên, CT X-quang không được sử dụng ở quy mô lớn trong sản xuất bồi đắp vì các phương pháp quét và phân tích hiện tại tốn nhiều thời gian và không chính xác. Kim loại hoàn toàn có thể hấp thụ tia X năng lượng thấp hơn trong chùm tia X, tạo ra độ không chính xác của hình ảnh có thể tăng lên gấp bội nếu vật thể có hình dạng phức tạp. Các sai sót trong hình ảnh có thể che khuất các vết nứt hoặc lỗ hổng mà quá trình quét dự định tiết lộ. Một kỹ thuật viên được đào tạo có thể khắc phục những vấn đề này trong quá trình phân tích, nhưng quá trình này tốn nhiều thời gian và công sức.

Đào tạo mạng học sâu có giám sát cho CT thường yêu cầu nhiều phép đo tốn kém. Bởi vì các bộ phận kim loại đặt ra những thách thức bổ sung, nên việc lấy dữ liệu đào tạo phù hợp có thể khó khăn. Phương pháp của Ziabari cung cấp một bước nhảy vọt bằng cách tạo dữ liệu đào tạo thực tế mà không yêu cầu các thử nghiệm mở rộng để thu thập dữ liệu đó.

Phương pháp mạng đối nghịch tổng quát, hay GAN, được sử dụng để tạo tổng hợp một bộ dữ liệu trông thực tế để huấn luyện mạng thần kinh, tận dụng các mô phỏng dựa trên vật lý và thiết kế có sự hỗ trợ của máy tính. “ GAN là một lớp máy học sử dụng các mạng thần kinh cạnh tranh với nhau như trong một trò chơi. Nó hiếm khi được sử dụng cho các ứng dụng thực tế như thế này “, Ziabari nói.

Ziabari cho biết: “Bởi vì khung CT X-quang này cần quét với ít góc độ hơn để đạt được độ chính xác nên nó đã giảm thời gian chụp ảnh xuống 6 lần “, Ziabari cho biết - từ khoảng một giờ xuống còn 10 phút hoặc ít hơn. Hoạt động nhanh như vậy với rất ít góc nhìn thường sẽ tạo thêm 'nhiễu' đáng kể cho hình ảnh 3D. Nhưng thuật toán ORNL được dạy trên dữ liệu đào tạo đã khắc phục điều này, thậm chí còn tăng cường khả năng phát hiện lỗ hổng nhỏ lên hệ số bốn hoặc nhiều hơn.

“Khung do nhóm của Ziabari phát triển sẽ cho phép các nhà sản xuất nhanh chóng tinh chỉnh các bản dựng của họ, ngay cả khi thay đổi thiết kế hoặc vật liệu. Với phương pháp này, việc phân tích mẫu có thể được hoàn thành trong một ngày thay vì sáu đến tám tuần”, Bhattad nói.

Ông nói : “Nếu tôi có thể nhanh chóng kiểm tra toàn bộ bộ phận theo cách tiết kiệm chi phí, thì chúng tôi có thể tin tưởng 100%. “ Chúng tôi đang hợp tác với ORNL để biến CT trở thành một công cụ kiểm tra ngành đáng tin cậy và dễ tiếp cận.”

Các nhà nghiên cứu của ORNL đã đánh giá hiệu suất của khung mới trên hàng trăm mẫu được in với các thông số quét khác nhau, sử dụng các vật liệu phức tạp và dày đặc. Bhattad cho biết: “ Những kết quả này rất tốt và các thử nghiệm đang diễn ra tại MDF đang hoạt động để xác minh rằng kỹ thuật này có hiệu quả như nhau với bất kỳ loại hợp kim kim loại nào” .

Điều đó rất quan trọng, bởi vì phương pháp do nhóm của Ziabari phát triển có thể giúp việc chứng nhận các bộ phận làm từ hợp kim kim loại mới trở nên dễ dàng hơn rất nhiều. Ziabari nói : “Mọi người không sử dụng các vật liệu mới vì họ không biết các thông số in tốt nhất. “Bây giờ, nếu bạn có thể mô tả đặc điểm của những vật liệu này nhanh chóng và tối ưu hóa các thông số, điều đó sẽ giúp chuyển những vật liệu mới này sang sản xuất phụ gia.”

Trên thực tế, Ziabari cho biết, công nghệ này có thể được áp dụng trong nhiều lĩnh vực, bao gồm quốc phòng, sản xuất ô tô, hàng không vũ trụ và in ấn điện tử, cũng như đánh giá không phá hủy pin xe điện.