• Treffer 2 von 2
Zurück zur Trefferliste

From Thermographic In-situ Monitoring to Porosity Detection – A Deep Learning Framework for Quality Control in Laser Powder Bed Fusion

  • In this study, we present an enhanced deep learning framework for the prediction of porosity based on thermographic in-situ monitoring data of laser powder bed fusion processes. The manufacturing of two cuboid specimens from Haynes 282 (Ni-based alloy) powder was monitored by a short-wave infrared camera. We use thermogram feature data and x-ray computed tomography data to train a convolutional neural network classifier. The classifier is used to perform a multi-class prediction of the spatially resolved porosity level in small sub-volumes of the specimen bulk.

Volltext Dateien herunterladen

  • C5.4.pdf
    eng

Metadaten exportieren

Weitere Dienste

Teilen auf Twitter Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Simon OsterORCiD, Nils ScheuschnerORCiD, Keerthana Chand, Philipp Peter BreeseORCiD, Tina BeckerORCiD, F. Heinrichsdorff, Simon AltenburgORCiD
Dokumenttyp:Beitrag zu einem Tagungsband
Veröffentlichungsform:Graue Literatur
Sprache:Englisch
Titel des übergeordneten Werkes (Englisch):SMSI - Sensor and Measurement Science International - Proceedings
Jahr der Erstveröffentlichung:2023
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.0 Abteilungsleitung und andere
Erste Seite:179
Letzte Seite:180
DDC-Klassifikation:Naturwissenschaften und Mathematik / Chemie / Analytische Chemie
Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:In-situ monitoring; Laser powder bed fusion; Machine Learning; Porosity; Thermography
Themenfelder/Aktivitätsfelder der BAM:Chemie und Prozesstechnik
Material
Material / Additive Fertigung
Veranstaltung:SMSI - Sensor and Measurement Science International 2023
Veranstaltungsort:Nürnberg, Germany
Beginndatum der Veranstaltung:08.05.2023
Enddatum der Veranstaltung:11.05.2023
DOI:10.5162/SMSI2023/C5.4
URL:https://www.ama-science.org/proceedings/details/4404
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:07.06.2023
Referierte Publikation:Nein
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.