[論文レビュー] Influence of Spattering on In-process Layer Surface Roughness during Laser Powder Bed Fusion

Haolin Zhang, Chaitanya Krishna Prasad Vallabh+1 more|arXiv (Cornell University)|Mar 1, 2023

Additive Manufacturing Materials and Processes被引用数 4

ひとこと要約

本研究では、レーザー粉末床溶融（LPBF）における溶融プールスパッタリングとプロセス中層面粗さの相関を定量的に評価するため、フレアプロジェクションプロファイル計測とオフアクシスイメージングを組み合わせたイン・サイトモニタリングフレームワークを提案する。機械学習を用いてスパッタリング特徴量（スパッタリング数、噴出角度、溶融プール中心位置など）を抽出し、回帰モデリングを適用することで、従来のプロセスパラメータのみを用いたモデルと比較して、スパッタリングを組み込んだ予測では表面粗さの誤差が50%以上低減されることを実証した。

ABSTRACT

Laser powder bed fusion (LPBF) holds promise to efficiently produce metal parts. However, LPBF incurs stochastic melt pool (MP) spattering, which would roughen workpiece in-process surface, thus weakening inter-layer bonding and causing issues like porosity, powder contamination, and recoater intervention. Understanding the consequential effect of MP spattering on layer surface remains difficult due to the lack of process monitoring capability for concurrently tracking MP spatters and characterizing layer surfaces. In this work, using our lab-designed LPBF-specific fringe projection profilometry and an off-axis camera, we quantify the correlation between MP spattering and in-process layer surface roughness for the first time to reveal the influence of MP spatters on process anomaly and part defects. A method of extracting and registering MP spattering metrics is developed by machine learning of the in-situ imaging data. Each image is analyzed to obtain the MP center location and the spatter count and ejection angle. These MP spatter signatures are registered for each monitored MP across each layer. Regression modeling is used to correlate registered MP spatter signature and its processing parameters with layer surface topography measured by the in-situ FPP. We find that the attained MP spatter feature profile can help predict the layer surface roughness more accurately (> 50% less error), in contrast to the conventional approaches that would only use nominal process setting. This is because the spatter information can reflect key process changes including the deviations in actual laser scan parameters and their effects. The results corroborate the importance of spatter monitoring and the distinct influence of spattering on layer surface roughness. Our work paves a foundation to thoroughly elucidate and effectively control the role of MP spattering in defect formation during LPBF.

研究の動機と目的

• LPBFプロセス中における溶融プールスパッタリングと層面トポグラフィーの同時モニタリングの不足に対処すること。
• スパッタリング発生が、空孔や良好な層間結合不良を引き起こす欠陥に与える影響を解明すること。
• イン・サイト画像からスパッタリング特徴量を抽出・登録する、リアルタイムでデータ駆動される手法を開発すること。
• プロセスパラメータに加えてスパッタリングメトリクスを統合することで、表面粗さ予測の精度を向上させ、名目上の設定に依存しない方法を確立すること。

提案手法

• 高分解能でプロセス中層面トポグラフィーを測定可能な、カスタム設計のLPBF対応フレアプロジェクションプロファイル計測（FPP）システムを採用した。
• オフアクシスの高速カメラを用いて、レーザー走査中のイン・サイトでの溶融プールダイナミクスおよびスパッタリング発生を記録した。
• 各画像フレームに対して機械学習を適用し、スパッタリングの主要な特徴量（溶融プール中心位置、スパッタリング数、噴出角度）を抽出した。
• 複数の層およびスキャンパスに跨る個々の溶融プールとそのスパッタリング特性を追跡するための登録手法を開発した。
• 登録済みのスパッタリング特徴量とプロセスパラメータ（例：レーザー出力、走査速度）を、FPPで測定された表面粗さと関連付ける回帰モデルを構築した。
• 名目上のプロセス設定のみに依存する従来モデルと比較して、スパッタリングを組み込んだモデルの予測性能を検証した。

実験結果

リサーチクエスチョン

• RQ1 LPBFプロセス中における溶融プールスパッタリングとプロセス中層面粗さの相関関係はどのように変動するか？
• RQ2 イン・サイトイメージングから抽出したスパッタリング特徴量は、名目上のプロセスパラメータに比べて、表面粗さ予測の精度をどの程度向上させるか？
• RQ3 スパッタリング数、噴出角度、位置などの特定のスパッタリング特徴量の中で、表面粗さの変動を最も効果的に予測できるものは何か？
• RQ4 スパッタリングのリアルタイムモニタリングは、欠陥を引き起こすプロセス異常を早期に検出可能か？
• RQ5 実際のレーザー走査パラメータのずれは、スパッタリング行動および表面品質にどのように現れるか？

主な発見

• イン・サイトでのスパッタリング特徴量とプロセスパラメータを統合した結果、名目上のプロセス設定のみを用いたモデルと比較して、表面粗さ予測誤差が50%以上低減された。
• スパッタリング数と噴出角度は、プロセスの不安定性および表面品質の劣化を示す重要な指標であると特定された。
• 溶融プール中心位置とスパッタリング分布パターンは、層面における局所的な粗さ変動と一貫して相関していた。
• 機械学習を用いたスパッタリング特徴量抽出手法により、複数の層に跨るフレーム単位のスパッタリング発生の追跡が信頼性高く可能となった。
• 本研究では、スパッタリングがランダムな副産物ではなく、実際のレーザー走査行動のずれを反映する測定可能なプロセス指標であることが明らかになった。
• 結果として、リアルタイムでのスパッタリングモニタリングが、LPBFにおける表面整合性の評価および欠陥形成の予測に強力な代替指標として機能することが示された。