6 آگوست 2020توسط برت هانسارد ، آزمایشگاه ملی آرگون
تولید مواد قابل افزودن با توانایی تولید قطعات با اشکال پیچیده و حداقل ضایعات ، می تواند انقلابی در تولید اجزای فلزی ایجاد کند. این پتانسیل ، با این حال ، در حال حاضر با یک چالش مهم روبرو است ؛ کنترل نقص در فرآیند که می تواند عملکرد مواد چاپ سه بعدی را به خطر اندازد.
در این باره مقاله جدیدی در مجله افزودنی تولید ، به یک راه حل موفقیت آمیز احتمالی اشاره می کند و آن این است که ، از داده های دما در زمان تولید استفاده کنید تا شکل نواقص زیرسطحی را پیش بینی و بتوانید درست از آنجا و نقایص را برطرف کنید. تیمی از محققان آزمایشگاه ملی آرگون وزارت انرژی ایالات متحده (DOE) ، به همراه یک همکار در دانشگاه A&M تگزاس ، این احتمال را کشف کردند.
Aaron Greco در بخش مواد کاربردی AMD و نویسنده نتایج این مطالعه می گوید :”این هدف با تصویر بزرگ است.” ، مدیر گروه Interfacial Mechanics & Material آرگون ، هم چنین گفت: “در نهایت شما می توانید چیزی را چاپ کنید و داده های دما را در منبع آن جمع آوری کنید و می بینید که برخی ناهنجاری ها وجود داشته است ، و سپس آنها را برطرف می کنید و دوباره شروع می کنید.”
دانشمندان برای تحقیق خود از اشعه X بسیار روشن و پرقدرت در پرتو 32-ID-B از منبع فوتون پیشرفته در آرگون (APS) ، واحد انرژی دفتر کاربری علوم استفاده کردند. آنها یک استند آزمایشی طراحی کردند که به آنها امکان می داد داده های دما را از طریق یک دوربین مادون قرمز استاندارد مشاهده کنند که روند چاپ را از بالا مشاهده می نمود و در حالی که همزمان از یک پرتوی اشعه ایکس برای گرفتن مشخصه تخلخل در زیر سطح استفاده می کردند کارشان را به انجام رساندند.
تخلخل به فضاهای “خالی” های کوچک و غالباً میکروسکوپی اطلاق می شود که می توانند در طی چاپ لیزر اتفاق بیفتند و مؤلفه ای را در معرض ترک خوردگی و خرابی های دیگری قرار دهند.
طبق گفته نوح پاولسون ، دانشمند محاسبات مربوط به بخش کاربردهای مواد و نویسنده می گوید ، این اثر نشان داد که در واقع بین دمای سطح و تشکیل تخلخل در منطقه زیر همبستگی وجود دارد.
“داشتن نمای بالا و جانبی در همان زمان بسیار قدرتمند است. با نمای جانبی ، که واقعاً در اینجا با مجموعه APS بی نظیر است ، می توانیم ببینیم که در شرایط خاص پردازش مبتنی بر ترکیبات مختلف زمان و دما ، تخلخل شکل می گیرد. پالسون گفت: “لیزر عبور می کند.”
به عنوان مثال ، این مطالعه مشاهده کرده است که چنانچه مدت زمان حرارتی که دمای اوج در آن کم است و به دنبال آن یک نزول پایدار وجود دارد ، به احتمال زیاد با تخلخل کم در ارتباط است. در مقابل ، دوره های حرارتی که با درجه زیاد شروع می شوند ، افت کرده و بعداً افزایش می یابند احتمالاً تخلخل بزرگی را نشان می دهد.
دانشمندان از الگوریتم های یادگیری ماشینی برای معقول ساختن داده های پیچیده و پیش بینی شکل گیری تخلخل از تاریخچه اطلاعات حرارتی استفاده کردند. پالسون گفت که در مقایسه با ابزارهای توسعه یافته توسط غول های فناوری که از میلیون ها نقطه داده استفاده می کنند ، این تلاش باید با یک صد مورد انجام شود. وی گفت: “این امر مستلزم ایجاد یک رویکرد سفارشی است که بهترین نوع استفاده از داده های محدود را داشته باشد.”
در حالی که چاپگرهای 3 بعدی به طور معمول مجهز به دوربین های مادون قرمز هستند ، هزینه و پیچیدگی تجهیزات دستگاه تجاری را از نوع فناوری اشعه ایکس موجود در APS که یکی از قدرتمندترین منابع نور اشعه ایکس است ، غیرممکن می کند. در جهان. اما با طراحی یک متدولوژی برای مشاهده سیستم هایی که در حال حاضر در چاپگرهای 3 بعدی وجود دارد ، این امر ضروری نخواهد بود.
بن دانشمند مواد و نویسنده مطالعه توضیح داد: “با همبستگی نتایج حاصل از APS با نتایج کمتری که می توانیم در چاپگرهای واقعی با استفاده از فناوری مادون قرمز بدست آوریم ، می توانیم ادعا کنیم در مورد کیفیت چاپ بدون اینکه واقعاً زیر سطح آن را ببینیم.”.
امکان شناسایی و تصحیح نقص در زمان چاپ می تواند پیامدهای مهمی برای کل صنعت تولید افزودنی داشته باشد زیرا این امر نیاز به بازرسی های پرهزینه و وقت گیر هر یک از اجزای تولید انبوه را از بین می برد. در تولید سنتی ، ثبات فرآیند باعث می شود که هر قطعه فلزی که از خط تولید خارج می شود را اسکن نکنیم.
Greco گفت: “در حال حاضر خطاهای چاپ 3 بعدی وجود دارد ، بنابراین این بدان معنی است که هزینه ای وجود دارد. این هزینه مانع از استقبال گسترده این فناوری است.” “برای تحقق پتانسیل کامل آن ، برای کاهش هزینه باید ریسک را کاهش دهیم.”
این تلاش در شناخت یکی از مهمترین مزایای تولیدبا روش افزودنی نسبت به تولید سنتی بسیار ضروری است. Greco افزود: “ما در پاسخ به همه گیری اخیر دیدیم که چقدر ارزشمند است که بتوانیم به سرعت تولید را با طرح ها و نیازهای جدید تطبیق دهیم. فناوری 3-D با انواع مختلفی از تغییرات سازگار است.”
با نگاهی به جلو ، گولد گفت تیم تحقیقاتی امیدوار است که آنچه او “گام اول بسیار خوب” می نامد ، به آن اجازه دهد تا به بهبود و گسترش مدل بپردازد. “برای یادگیری ماشینی ، برای ساختن مدل های دقیق ، به هزاران و هزاران نقطه داده نیاز دارید. برای این آزمایش ، 200 مورد داشتیم. همانطور که داده های بیشتری را قرار می دهیم ، این مدل دقیق تر و دقیق تر خواهد شد. اما آنچه ما پیدا کردیم بسیار امیدوار کننده است. ” https://techxplore.com
