Un nuevo marco de aprendizaje profundo desarrollado en el Laboratorio Nacional Oak Ridge del Departamento de Energía está acelerando el proceso de inspección de piezas metálicas fabricadas de forma aditiva mediante tomografía computarizada de rayos X, o CT, al tiempo que aumenta la precisión de los resultados. Se espera que los costos reducidos de tiempo, mano de obra, mantenimiento y energía aceleren la expansión de la fabricación aditiva o impresión 3D.
«La velocidad de escaneo reduce significativamente los costos», dijo el investigador principal de ORNL, Amir Ziabari. «Y la calidad es mayor, por lo que el análisis posterior al procesamiento se vuelve mucho más simple».
El marco ya se está incorporando al software utilizado por el socio comercial ZEISS dentro de sus máquinas en las instalaciones de demostración de fabricación del DOE en ORNL, donde las empresas perfeccionan los métodos de impresión 3D.
Los investigadores de ORNL habían desarrollado previamente una tecnología que puede analizar la calidad de una pieza mientras se imprime. Agregar un alto nivel de precisión de imagen después de la impresión proporciona un nivel adicional de confianza en la fabricación aditiva al tiempo que aumenta potencialmente la producción.
«Con esto, podemos inspeccionar cada pieza que sale de las máquinas de impresión 3D», dijo Pradeep Bhattad, gerente de desarrollo comercial de ZEISS para fabricación aditiva. «Actualmente, CT se limita a la creación de prototipos. Pero esta herramienta puede impulsar la fabricación aditiva hacia la industrialización».
La tomografía computarizada de rayos X es importante para certificar la solidez de una pieza impresa en 3D sin dañarla. El proceso es similar a la tomografía computarizada de rayos X médica. En este caso, un objeto colocado dentro de un gabinete se gira lentamente y se escanea en cada ángulo con potentes rayos X. Los algoritmos informáticos utilizan la pila resultante de proyecciones bidimensionales para construir una imagen 3D que muestra la densidad de la estructura interna del objeto. La tomografía computarizada de rayos X se puede utilizar para detectar defectos, analizar fallas o certificar que un producto coincide con la composición y la calidad previstas.
Sin embargo, la tomografía computarizada de rayos X no se usa a gran escala en la fabricación aditiva porque los métodos actuales de escaneo y análisis requieren mucho tiempo y son imprecisos. Los metales pueden absorber totalmente los rayos X de baja energía en el haz de rayos X, creando imprecisiones en la imagen que pueden multiplicarse aún más si el objeto tiene una forma compleja. Los defectos resultantes en la imagen pueden oscurecer las grietas o los poros que el escaneo pretende revelar. Un técnico capacitado puede corregir estos problemas durante el análisis, pero el proceso requiere mucho tiempo y mano de obra.
Ziabari y su equipo desarrollaron un marco de aprendizaje profundo que proporciona rápidamente una reconstrucción más clara y precisa y un análisis automatizado. Presentará el proceso desarrollado por su equipo durante la Conferencia Internacional sobre Procesamiento de Imágenes del Instituto de Ingenieros Eléctricos y Electrónicos en octubre.
Entrenar una red de aprendizaje profundo supervisada para CT generalmente requiere muchas mediciones costosas. Debido a que las piezas de metal plantean desafíos adicionales, puede ser difícil obtener los datos de capacitación adecuados. El enfoque de Ziabari proporciona un gran avance al generar datos de entrenamiento realistas sin requerir extensos experimentos para recopilarlos.
Se utiliza un método de red adversarial generativa, o GAN, para crear sintéticamente un conjunto de datos de aspecto realista para entrenar una red neuronal, aprovechando las simulaciones basadas en la física y el diseño asistido por computadora. GAN es una clase de aprendizaje automático que utiliza redes neuronales que compiten entre sí como en un juego. Rara vez se ha utilizado para aplicaciones prácticas como esta, dijo Ziabari.
Debido a que este marco de tomografía computarizada de rayos X necesita escaneos con menos ángulos para lograr la precisión, ha reducido el tiempo de obtención de imágenes en un factor de seis, dijo Ziabari, de aproximadamente una hora a 10 minutos o menos. Trabajar tan rápido con tan pocos ángulos de visión normalmente agregaría un «ruido» significativo a la imagen 3D. Pero el algoritmo ORNL enseñado en los datos de entrenamiento corrige esto, incluso mejorando la detección de fallas pequeñas por un factor de cuatro o más.
El marco desarrollado por el equipo de Ziabari permitiría a los fabricantes ajustar rápidamente sus construcciones, incluso al cambiar diseños o materiales. Con este enfoque, el análisis de muestras se puede completar en un día en lugar de entre seis y ocho semanas, dijo Bhattad.
«Si puedo inspeccionar muy rápidamente toda la pieza de una manera muy rentable, entonces tenemos un 100 % de confianza», dijo. «Nos asociamos con ORNL para hacer de CT una herramienta de inspección industrial accesible y confiable».
Los investigadores de ORNL evaluaron el rendimiento del nuevo marco en cientos de muestras impresas con diferentes parámetros de escaneo, utilizando materiales complicados y densos. Estos resultados fueron buenos y las pruebas en curso en MDF están trabajando para verificar que la técnica es igualmente efectiva con cualquier tipo de aleación de metal, dijo Bhattad.
Eso es importante, porque el enfoque desarrollado por el equipo de Ziabari podría facilitar mucho la certificación de piezas fabricadas con nuevas aleaciones metálicas. «La gente no usa materiales novedosos porque no conocen los mejores parámetros de impresión», dijo Ziabari. «Ahora, si puede caracterizar estos materiales tan rápidamente y optimizar los parámetros, eso ayudaría a mover estos nuevos materiales a la fabricación aditiva».
De hecho, dijo Ziabari, la tecnología se puede aplicar en muchos campos, incluida la defensa, la fabricación de automóviles, la impresión aeroespacial y electrónica, así como la evaluación no destructiva de las baterías de los vehículos eléctricos.