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.
Autor*innen: | Simon OsterORCiD |
---|---|
Weitere Person: | Nils ScheuschnerORCiD, Keerthana Chand, Philipp Peter BreeseORCiD, Tina BeckerORCiD, F. Heinrichsdorff, Simon AltenburgORCiD |
Dokumenttyp: | Vortrag |
Veröffentlichungsform: | Präsentation |
Sprache: | Englisch |
Jahr der Erstveröffentlichung: | 2023 |
Organisationseinheit der BAM: | 8 Zerstörungsfreie Prüfung |
8 Zerstörungsfreie Prüfung / 8.3 Thermografische Verfahren | |
8 Zerstörungsfreie Prüfung / 8.5 Röntgenbildgebung | |
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: | Sensor and Measurement Science International |
Veranstaltungsort: | Nurnberg, Germany |
Beginndatum der Veranstaltung: | 08.05.2023 |
Enddatum der Veranstaltung: | 11.05.2023 |
Verfügbarkeit des Dokuments: | Datei im Netzwerk der BAM verfügbar ("Closed Access") |
Datum der Freischaltung: | 07.06.2023 |
Referierte Publikation: | Nein |
Eingeladener Vortrag: | Nein |