In-situ identification of the melt pool by x-ray radioscopy and thermography during additive manufacturing of a metal part
Identification par radioscopie X et thermographie in-situ du bain de fusion lors de la fabrication additive d’une pièce métallique
Abstract
The rapid development of additive manufacturing technologies is driven by the need to meet new demands, such as the production of parts with complex geometries, the repair of damaged objects, or the addition of functionalities to existing parts. The quality of the produced parts is highly dependent on the stability of the melt pool during material deposition, making its monitoring essential. This work presents two experimental setups designed to observe the melt pool: on the surface, using a bichromatic camera, and in-depth, using X-ray radioscopy.
The bichromatic camera, equipped with a Bayer filter, captures images in three color channels, two of which are used for bichromatic measurement to estimate the melt pool temperature. Compact and easily adaptable to additive manufacturing systems, the camera provides excellent spatial resolution and accurate thermal measurements. It was tested in two different configurations: one for laser projection direct manufacturing and the other using the wire-arc additive method. However, these observations are limited to surface information.
To study the melt pool in-depth, an X-ray monitoring system was developed. According to the Beer-Lambert law, with constant thickness, the density difference between the liquid pool and the solid substrate should result in a signal variation in the radioscopic images. The experimental setup includes a mobile X-ray source and a detector. However, the resulting images are weakly contrasted, and the noise inherent to X-ray measurements prevents the detection of the melt pool using conventional image processing methods.
To enable melt pool identification, an encoder-decoder model composed of two convolutional neural networks was trained on a fully simulated dataset. The dataset creation involves three steps: thermal simulation of a Gaussian laser source passing over a surface, discretizing the thermal results in terms of density, and simulating X-ray radioscopic shots of the melt pool. The application of this neural network, trained entirely on simulated data, to experimental radioscopies has shown promising results, successfully identifying the melt pool in just over one-third of the images.
Les technologies de fabrication additive connaissent un essor rapide pour répondre à des besoins croissants, comme la production de pièces aux géométries complexes, la réparation d’objets endommagés ou l'ajout de fonctionnalités à des pièces existantes. La qualité des pièces produites dépend fortement de la stabilité du bain de fusion durant l'apport de matière, rendant sa surveillance essentielle. Ce travail présente deux dispositifs expérimentaux conçus pour observer le bain de fusion : en surface, avec une caméra bichromatique, et en profondeur, par radioscopie X.
La caméra bichromatique, équipée d’un filtre Bayer, capture des images sur trois canaux de couleur, dont deux sont utilisés pour la mesure bichromatique, permettant ainsi d’estimer la température du bain de fusion. Compacte et facilement adaptable aux systèmes de fabrication additive, elle offre une excellente résolution spatiale et une bonne précision thermique. Deux configurations distinctes ont été testées : un dispositif de fabrication directe par projection laser et un autre utilisant la méthode arc-fil. Cependant, ces observations se limitent aux informations de surface.
Pour analyser le bain de fusion en profondeur, un système de contrôle par rayons X a été développé. Selon la loi de Beer-Lambert, à épaisseur constante, la différence de densité entre le bain liquide et le substrat solide se manifeste par une variation de signal sur les radioscopies. Le dispositif expérimental comprend une source de rayons X mobile et un détecteur. Cependant, les images obtenues présentent un faible contraste, et le bruit inhérent aux mesures par rayons X complique la détection du bain de fusion via des méthodes classiques de traitement d'image.
Pour surmonter cette difficulté, un modèle encoder-decoder basé sur des réseaux de neurones convolutifs a été entraîné sur un jeu de données entièrement simulé. La création de ce jeu de données se déroule en trois étapes : une simulation thermique du passage d’une source laser gaussienne sur une surface, suivie de la discrétisation des résultats thermiques en termes de densité, et enfin, une simulation de radioscopies obtenues par tir de rayons X. L’application de ce réseau de neurones, entraîné exclusivement sur des données simulées, aux radioscopies expérimentales montre des résultats prometteurs, avec une identification réussie du bain de fusion sur environ un tiers des images.
Origin | Files produced by the author(s) |
---|