2024年07月31日，澳大利亚昆士兰大学（The University of Queensland）的研究团队在《Additive Manufacturing》期刊发表最新研究文章“Machine learning driven instance segmentation providing new porosity insights into wire arc directed energy deposited Ti-22V-4Al”，研究了利用机器学习驱动的实例分割技术为电弧定向能量沉积的Ti-22V-4Al合金孔隙分析提供新的见解。

该研究探讨了非破坏性X射线方法，如微型计算机断层扫描（micro-CT），在研究增材制造产品中的孔隙缺陷方面的应用。研究通过深度学习基础的实例分割过程对micro-CT切片进行处理，然后进行3D重建，以可靠地检查3D孔隙的空间和形态数据。这项案例研究针对的是电弧定向能量沉积的Ti-22V-4Al合金。系统性数据分析捕获了关于孔隙缺陷的新见解，包括孔隙形成趋势、孔隙大小与孔隙球形度之间的关系、孔隙演变以及无孔区域的发现。提出的工作流程可以转移用于其他增材制造组件的孔隙研究。这些新见解也可能指导未来在孔隙消除和操纵技术方面的进展，以制造机械性能更强的复杂结构组件。

工作亮点

提出了一种涉及深度学习基础实例分割过程的孔隙研究策略，用于micro-CT切片，随后进行3D重建。通过系统性数据分析，捕获了关于孔隙形成趋势、孔隙大小与球形度关系、孔隙演变和无孔区域的新见解。验证了所提出的工作流程可以转移用于其他增材制造组件的孔隙研究。

实验方法

研究选用了通过WAAM工艺生产的亚稳态β-Ti合金Ti22V-4Al作为材料。使用直径为1mm的Ti-22V-4Al线材在Ti-6Al-4V基板上进行沉积。沉积采用气体钨极电弧焊（GTAW），保持恒定的热输入为1648 J/mm。实验中使用了EWM Tetrix 350 GTAW焊枪。在局部氩气屏蔽下进行材料的控制和精确沉积，同时最小化氧化。使用micro-CT扫描技术对孔隙进行可视化分析，并对样本进行微观结构分析和micro-CT扫描。

论文图片

图1. 机器学习驱动的孔隙实例分割工作流程图。

图2. 构建组件的3D重建孔隙图像。

图3. 通过Mask-RCNN基础实例分割模型得到的三个切片的实例分割结果。

图4. 连续原始CT切片中的连接孔隙。

图5. 孔隙在DD-TD截面上的投影以及孔隙球形度和等效直径随构建高度的变化。

图6. 孔隙在ND-TD截面上的分布以及通过量化宏观气孔沿ND方向的坐标变化识别无孔区域。

图7. 构建组件顶层6层的3D孔隙图像以及孔隙面积和孔隙数量在正常沉积方向上的演变。

论文总结

该研究提出了一种可转移的策略，通过机器学习基础的实例分割方法，全面和定量地检查AM组件中的孔隙。通过与语义分割加 watershed 转换方法和小 Fiji 基础的全局阈值分割方法进行比较分析，证明了应用方法在可靠地分割孔隙实例和描绘整个数据集中的连接孔隙方面的优越性。实例分割方法的结果被系统地分析，并捕获了孔隙趋势，包括孔隙形成趋势、孔隙大小与孔隙球形度之间的关系、孔隙演变和无孔区域的发现。这些新见解为未来 AM 过程中的孔隙操纵提供了有价值的信息。

论文地址

本文由Cube整理，元宝发布

发表于微信公众号“焊接科学”

长三角G60激光联盟陈长军转载