Por anos, Os engenheiros e cientistas do Laboratório Nacional Lawrence Livermore usaram uma série de sensores e técnicas de imagem para analisar a física e os processos por trás da impressão 3-D de metal em um esforço contínuo para construir peças de metal de alta qualidade pela primeira vez, toda vez. Agora, pesquisadores estão explorando o aprendizado de máquina para processar os dados obtidos durante compilações 3-D em tempo real, detectando em milissegundos se uma construção será de qualidade satisfatória.

Em um artigo publicado online em 5 de setembro por Tecnologias de Materiais Avançadas , uma equipe de pesquisadores de laboratório relatou o desenvolvimento de redes neurais convolucionais (CNNs), um tipo popular de algoritmo usado principalmente para processar imagens e vídeos, para prever se uma parte ficará boa olhando apenas 10 milissegundos de vídeo.

"Esta é uma maneira revolucionária de olhar para os dados que você pode rotular vídeo por vídeo, ou melhor ainda, quadro por quadro, "disse o principal investigador e pesquisador do LLNL Brian Giera." A vantagem é que você pode coletar vídeos enquanto imprime algo e, finalmente, tirar conclusões enquanto o imprime. Muitas pessoas podem coletar esses dados, mas eles não sabem o que fazer com isso na hora, e este trabalho é um passo nessa direção. "

Muitas vezes, Giera explicou, a análise do sensor feita após a construção é cara e a qualidade da peça só pode ser determinada muito tempo depois. Com peças que levam dias a semanas para serem impressas, As CNNs podem ser valiosas para a compreensão do processo de impressão, aprender a qualidade da peça mais cedo e corrigir ou ajustar a construção em tempo real, se necessário.

Os pesquisadores do LLNL desenvolveram as redes neurais usando cerca de 2, 000 clipes de vídeo de faixas de laser derretidas em condições variadas, como velocidade ou potência. Eles escanearam as superfícies da peça com uma ferramenta que gerou mapas de altura 3-D, usar essas informações para treinar os algoritmos para analisar seções de quadros de vídeo (cada área chamada de convolução). O processo seria muito difícil e demorado para um ser humano fazer manualmente, Giera explicou.

Universidade da Califórnia, Bodi Yuan, estudante de Berkeley e pesquisador do LLNL, o autor principal do artigo, desenvolveu os algoritmos que poderiam rotular automaticamente os mapas de altura de cada construção e usaram o mesmo modelo para prever a largura da trilha de construção, se a faixa foi quebrada e o desvio padrão da largura. Usando os algoritmos, os pesquisadores conseguiram fazer um vídeo de construções em andamento e determinar se a peça exibia uma qualidade aceitável. Os pesquisadores relataram que as redes neurais foram capazes de detectar se uma parte seria contínua com 93 por cento de precisão, fazendo outras previsões fortes sobre a largura da peça.

"Como as redes neurais convolucionais apresentam ótimo desempenho em tarefas relacionadas ao reconhecimento de imagem e vídeo, escolhemos usá-los para resolver nosso problema, "Yuan disse." A chave para o nosso sucesso é que as CNNs podem aprender muitos recursos úteis de vídeos durante o treinamento por conta própria. Precisamos apenas alimentar uma grande quantidade de dados para treiná-lo e garantir que aprenda bem. "

O co-autor do artigo e pesquisador do LLNL, Ibo Matthews, lidera um grupo que passou anos coletando várias formas de dados em tempo real sobre o processo de impressão 3-D de metal de fusão a laser em leito de pó, incluindo vídeo, tomografia óptica e sensores acústicos. Enquanto trabalhava com o grupo de Matthews para analisar faixas de construção, Giera concluiu que não seria possível fazer todas as análises de dados manualmente e queria ver se as redes neurais poderiam simplificar o trabalho.

"Estávamos coletando vídeos de qualquer maneira, então apenas conectamos os pontos, "Giera disse." Assim como o cérebro humano usa a visão e outros sentidos para navegar pelo mundo, algoritmos de aprendizado de máquina podem usar todos os dados do sensor para navegar no processo de impressão 3-D. "

As redes neurais descritas no artigo poderiam teoricamente ser usadas em outros sistemas de impressão 3-D, Giera disse. Outros pesquisadores devem ser capazes de seguir a mesma fórmula, criando peças sob diferentes condições, coletar vídeos e digitalizá-los com um mapa de altura para gerar um conjunto de vídeo rotulado que pode ser usado com técnicas de aprendizado de máquina padrão.

Giera disse que um trabalho ainda precisa ser feito para detectar vazios em partes que não podem ser previstos com mapas de altura, mas podem ser medidos usando radiografia ex situ.

Os pesquisadores também procurarão criar algoritmos para incorporar várias modalidades de sensoriamento, além de imagem e vídeo.

"Agora mesmo, qualquer tipo de detecção é considerado uma grande vitória. Se pudermos consertar na hora, esse é o objetivo final maior, "Giera disse." Dados os volumes de dados que estamos coletando e que os algoritmos de aprendizado de máquina são projetados para lidar, o aprendizado de máquina terá um papel central na criação das peças certas na primeira vez. "