Los investigadores de ORNL Luke Scime y Zackary Snow usan el software Peregrine para monitorear y analizar componentes durante la impresión 3D. Crédito: Ornl, Departamento de Energía de los Estados Unidos
Laboratorio Nacional de Oak Ridge Software peregrinoSe utiliza para monitorear y analizar piezas creadas a través de la fabricación de aditivos para lecho de polvo, ha lanzado su conjunto de datos más avanzado hasta la fecha.
El conjunto de datos se titula “Datos de imagen y imágenes térmicas visibles in situ de un proceso de fabricación de aditivos de fusión de lecho de polvo láser co-registrado a tomografía calculada de rayos X y datos de fatiga“
En su esfuerzo continuo por apoyar a la industria de fabricación aditiva de la nación con conjuntos de datos integrales, la instalación de demostración de fabricación del Departamento de Energía produjo este nuevo conjunto de datos como parte de un estudio para establecer fuertes correlaciones entre las anomalías de fabricación, los defectos internos y el rendimiento mecánico resultante.
Este conjunto de datos contiene datos de monitoreo de última generación para la fusión del lecho de polvo láser (L-PBF), que utiliza un láser para derretir y fusionar el polvo de metal para crear las capas de una parte metálica. El conjunto de datos incluye parámetros del proceso de máquina y datos del sensor, geometrías e imágenes detalladas del proceso de construcción 3D capturado desde múltiples ángulos y tipos de iluminación, combinando imágenes visibles de alta resolución e infrarroja casi con escaneos de rayos X de las partes impresas.
“Peregrine toma imágenes durante la impresión, utilizando AI para buscar anomalías”, dijo Luke Scime, investigador del grupo de análisis de sistemas de fabricación en ORNL.
“Lo haces para cada capa, y construyes un mapa tridimensional de todas las ubicaciones que pueden tener problemas, y luego intenta predecir cuál de ellos podría causar un problema en la parte final”.
El algoritmo personalizado del software Peregrine utiliza valores de píxeles de imágenes para analizar la composición de bordes, líneas, esquinas y texturas, y envía una alerta a los operadores sobre cualquier problema durante el proceso de impresión para que puedan hacer ajustes rápidos.
A través de su red neuronal convolucional dinámica de segmentación multilabel, o DMSCNN, Peregrine analiza los datos de múltiples sensores para detectar problemas y enviar una alerta. Por ejemplo, las impresiones de L-PBF experimentan salpicaduras, donde el material fundido se expulsa a medida que el láser derrite el polvo de metal. Estas partículas salpicadas pueden aterrizar en otra parte de la parte, afectando la calidad general.
El nuevo conjunto de datos incluye todos los resultados de segmentación de DMSCNN y muestras probadas por fatiga sometidas a tales perturbaciones inducidas por salpicaduras.
Este conjunto integral de información respalda el desarrollo del modelo de IA para la calificación digital de los procesos AM. Al utilizar el conjunto de datos peregrinos de código abierto mejorado, los investigadores y fabricantes pueden desarrollar aún más inteligentes y sistemas de control de calidad de calidad adaptativos para sus piezas impresas en 3D.
Otros investigadores de ORNL que contribuyeron al nuevo conjunto de datos incluyen Zackary Snow, Chase Joslin, William Halsey, Andrés Márquez Rossy, Amir Ziabari, Vincent Paquit y Ryan Dehoff.
Más información: Zackary Snow et al, datos in situ de luz y imágenes térmicas de un proceso de fabricación aditiva de láser en lecho de polvo se registraron conjuntamente en tomografía computarizada de rayos X y datos de fatiga, Oak Ridge National Laboratory (ORNL), Oak Ridge, TN (Estados Unidos). Facilidad de Computación de Liderazgo de Oak Ridge (OLCF); Oak Ridge National Laboratory (ORNL), Oak Ridge, TN (Estados Unidos) (2025). Doi: 10.13139/ornlnccs/2524534
Proporcionado por el Laboratorio Nacional de Oak Ridge
Cita: Nuevo conjunto de datos para la impresión 3D más inteligente lanzada (2025, 25 de agosto) Consultado el 25 de agosto de 2025 de https://techxplore.com/news/2025-08-dataset-smarter-3d.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
