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.
| 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 |

