使用机器学习方法生产的金属增材制造样品

该研究解决了检测锁孔形成的问题，这是一种常见的增材制造技术(称为激光粉末床融合，或LPBF)缺陷。LPBF于20世纪90年代推出，使用金属粉末和激光来3d打印金属部件。但是多孔性缺陷仍然是疲劳敏感零件的一个挑战，比如飞机机翼。一些孔隙度与深而窄的蒸汽凹陷（即锁孔）有关。

锁孔的形成和大小与激光功率、扫描速度以及材料吸收激光能量的能力有关。如果锁孔壁稳定，可以增强周围材料的激光吸收，提高激光制造效率。然而，如果孔壁摇晃或倒塌，材料就会在锁孔周围凝固，将气泡留在新形成的材料层中。这使得材料更脆，更容易在环境应力下开裂。该研究团队开发了一种方法来检测打印过程中钥匙孔形成的确切时刻。

研究人员表示:“通过集成operando同步加速器x射线成像、近红外成像和机器学习，我们的方法可以以亚毫秒的时间分辨率和100%的预测率捕捉与锁孔孔隙生成相关的独特热特征。”

在开发实时锁孔检测方法时，研究人员还改进了operando同步加速器x射线成像（一种最先进的工具）的使用方法。利用机器学习，他们还发现了锁孔振动的两种模式。

这一发现不仅推动了增材制造研究，而且实际上还可以扩大LPBF在金属零件制造中的商业应用。金属零件的多孔性仍然是一些行业广泛采用LPBF技术的主要障碍。当使用实验室规模的传感器进行实时检测时，锁孔孔隙是最具挑战性的缺陷，因为它随机发生在表层以下。该方法为锁眼孔隙生成的高保真、高分辨率检测提供了一种可行的解决方案，可以很容易地应用于许多增材制造场景。