Machine Learning and Thermography as Tools for Local Porosity Prediction in AM of Metals

  • Quality assurance of metal additive manufacturing (PBF-LB/M) is still a challenge. Offering deep process insights, thermography is a well-suited monitoring technique. Here, we show how machine learning based on thermographic data enables a local part porosity prediction.

Volltext Dateien herunterladen

  • LAC_Vortrag_split.pdf
    eng

Metadaten exportieren

Weitere Dienste

Suche bei Google Scholar Anzahl der Zugriffe auf dieses Dokument
Metadaten
Autor*innen:Simon AltenburgORCiD
Koautor*innen:S. OsterORCiD, Nils ScheuschnerORCiD, Keerthana Chand
Dokumenttyp:Vortrag
Veröffentlichungsform:Präsentation
Sprache:Englisch
Jahr der Erstveröffentlichung:2025
Organisationseinheit der BAM:8 Zerstörungsfreie Prüfung
8 Zerstörungsfreie Prüfung / 8.3 Thermografische Verfahren
8 Zerstörungsfreie Prüfung / 8.5 Röntgenbildgebung
VP Vizepräsident
VP Vizepräsident / VP.2 Informationstechnik
DDC-Klassifikation:Technik, Medizin, angewandte Wissenschaften / Ingenieurwissenschaften / Ingenieurwissenschaften und zugeordnete Tätigkeiten
Freie Schlagwörter:Additive Manufacturing; Feature extraction; In situ monitoring; Machine Learning; PBF-LB/M; Porosity prediction; Process monitoring; Thermography
Themenfelder/Aktivitätsfelder der BAM:Material
Material / Additive Fertigung
Veranstaltung:Laser Applications Conference (LAC)
Veranstaltungsort:Prague, Czech Republic
Beginndatum der Veranstaltung:19.10.2025
Enddatum der Veranstaltung:23.10.2025
Verfügbarkeit des Dokuments:Datei im Netzwerk der BAM verfügbar ("Closed Access")
Datum der Freischaltung:12.11.2025
Referierte Publikation:Nein
Eingeladener Vortrag (wissenschaftliche Konferenzen):Ja
Einverstanden
Diese Webseite verwendet technisch erforderliche Session-Cookies. Durch die weitere Nutzung der Webseite stimmen Sie diesem zu. Unsere Datenschutzerklärung finden Sie hier.