اختصاصی شبکه علمی ثریا- یک شیوه جدید یادگیری عمیق، که در آزمایشگاه ملی Oak Ridge وزارت انرژی توسعه یافته است، روند بازرسی قطعات فلزی ساخته شده به روش افزودن را با استفاده از توموگرافی کامپیوتری اشعه ایکس یا CT سرعت می بخشد و در عین حال دقت نتایج را افزایش می دهد. انتظار می‌رود کاهش هزینه‌های زمان، نیروی کار، تعمیر و نگهداری و انرژی، گسترش تولید مواد افزودنی یا چاپ سه بعدی را تسریع کند. امیر ضیاباری، محقق ارشد ORNL می گوید: سرعت اسکن هزینه ها را به میزان قابل توجهی کاهش می دهد و کیفیت بالاتر می‌رود، بنابراین تجزیه و تحلیل پس از پردازش بسیار ساده تر می شود.

این چارچوب در حال حاضر در نرم‌افزار مورد استفاده شریک تجاری ZEISS در ماشین‌هایش در مرکز نمایش تولید DOE در ORNL، جایی که شرکت‌ها روش‌های چاپ سه بعدی را بهبود می‌بخشند، گنجانده شده است. محققان ORNL قبلاً فناوری‌ای را توسعه داده بودند که می تواند کیفیت یک قطعه را در حین چاپ تجزیه و تحلیل کند. افزودن سطح بالایی از دقت تصویربرداری پس از چاپ، سطح اعتماد بیشتری را در تولید مواد افزودنی فراهم می‌کند و در عین حال تولید را افزایش می‌دهد. مدیر توسعه کسب و کار ZEISS برای تولید مواد افزودنی، گفت: با این کار، ما می‌توانیم تک تک قطعاتی که از دستگاه‌های چاپ سه‌بعدی بیرون می‌آیند را بررسی کنیم.در حال حاضر CT به نمونه سازی محدود شده است. اما این یک ابزار می تواند تولید مواد افزودنی را به سمت صنعتی شدن سوق دهد.

اسکن سی تی اسکن اشعه ایکس برای تایید سلامت یک قطعه پرینت سه بعدی بدون آسیب رساندن به آن موضوع مهمی است. این فرآیند مشابه سی تی اشعه ایکس پزشکی است. در این حالت، جسمی که در داخل محفظه قرار دارد به آرامی می چرخد و در هر زاویه توسط اشعه ایکس قدرتمند اسکن می شود. الگوریتم های کامپیوتری از پشته حاصل از برآمدگی های دو بعدی برای ساختن یک تصویر سه بعدی که چگالی ساختار داخلی شی را نشان می دهد، استفاده می کنند. سی تی اشعه ایکس می تواند برای تشخیص عیوب، تجزیه و تحلیل خرابی ها یا تأیید اینکه یک محصول با ترکیب و کیفیت مورد نظر مطابقت دارد استفاده شود.

با این حال، سی تی اشعه ایکس در مقیاس بزرگ در تولید افزونه استفاده نمی شود، زیرا روش های فعلی اسکن و تجزیه و تحلیل زمان‌بر و با دقت پایین هستند. فلزات می توانند پرتوهای پرتو ایکس با انرژی کمتر را به طور کامل جذب کنند و عدم دقت تصویر را ایجاد کنند که اگر جسم دارای شکل پیچیده باشد، این عدم دقت می تواند بیشتر شود. نقص های حاصل در تصویر می تواند شکاف ها یا منافذی را که اسکن قرار است آشکار کند، پنهان کند. یک تکنسین آموزش دیده می تواند این مشکلات را در طول تجزیه و تحلیل تصحیح کند، اما این فرآیند زمان بر و کار فشرده است.

ضیابری و تیمش یک چارچوب یادگیری عمیق ایجاد کردند که به سرعت بازسازی واضح تر، دقیق تر و تجزیه و تحلیل خودکار را ارائه می دهد. او فرآیندی را که تیمش در کنفرانس بین المللی انستیتو مهندسین برق و الکترونیک در مورد پردازش تصویر در اکتبر توسعه داده است ارائه خواهد کرد. آموزش یک شبکه یادگیری عمیق تحت نظارت برای CT معمولاً به اندازه گیری های گران زیادی نیاز دارد. از آنجایی که قطعات فلزی چالش‌های بیشتری ایجاد می‌کنند، دریافت داده‌های آموزشی مناسب می‌تواند دشوار باشد. رویکرد ضیاباری با تولید داده‌های آموزشی واقعی بدون نیاز به آزمایش‌های گسترده برای جمع‌آوری آن، جهشی به جلو را فراهم می‌کند.

یک روش شبکه متخاصم مولد یا GAN برای ایجاد ترکیبی مجموعه داده‌ای با ظاهر واقعی برای آموزش شبکه عصبی، استفاده از شبیه‌سازی‌های مبتنی بر فیزیک و طراحی به کمک رایانه استفاده می‌شود. GAN کلاسی از یادگیری ماشینی است که از شبکه‌های عصبی در رقابت با یکدیگر مانند یک بازی استفاده می کند. ضیابری گفت که به ندرت برای کاربردهای عملی مانند این استفاده شده است. ضیاباری گفت: از آنجایی که این چارچوب سی تی اشعه ایکس برای دستیابی به دقت به اسکن هایی با زوایای کمتر نیاز دارد، زمان تصویربرداری را به میزان شش برابر کاهش داده است - از حدود یک ساعت به 10 دقیقه یا کمتر. کار کردن با این سرعت با زوایای دید کم معمولاً "نویز" قابل توجهی را به تصویر سه بعدی اضافه می کند. اما الگوریتم ORNL که بر روی داده‌های آموزشی آموزش داده می‌شود، این را تصحیح می‌کند، حتی تشخیص نقص‌های کوچک را با ضریب چهار یا بیشتر افزایش می‌دهد.

چارچوبی که توسط این تیم ایجاد شده است به سازندگان اجازه می‌دهد تا به سرعت ساخت‌های خود را حتی در حین تغییر طرح‌ها یا مواد تنظیم کنند. او گفت: با این رویکرد، تجزیه و تحلیل نمونه را می توان به جای شش تا هشت هفته در یک روز کامل کرد. او ادامه داد: اگر بتوانیم خیلی سریع کل قطعه را به روشی بسیار مقرون به صرفه بازرسی کنم، آن وقت است که ما به صد در صد کار اطمینان داریم. ما در حال همکاری با ORNL هستیم تا CT را به ابزار بازرسی در دسترس و قابل اعتماد صنعت تبدیل کنیم. محققان ORNL عملکرد چارچوب جدید را روی صدها نمونه چاپ شده با پارامترهای اسکن مختلف، با استفاده از مواد پیچیده و متراکم ارزیابی کردند.

آنها معتقدند که این نتایج خوب بودند و آزمایشات در حال انجام در MDF در حال کار برای تأیید این است که این روش با هر نوع آلیاژ فلزی به همان اندازه مؤثر است. این هم موضوع مهمی است، زیرا رویکرد توسعه یافته توسط تیم ضیاباری می تواند تأیید قطعات ساخته شده از آلیاژهای فلزی جدید را بسیار آسان تر کند. او گفت: مردم از مواد بدیع استفاده نمی کنند زیرا بهترین پارامترهای چاپ را نمی دانند. اکنون، اگر بتوانید این مواد را به این سرعت مشخص کنید و پارامترها را بهینه کنید، به انتقال این مواد جدید به سمت تولید افزودنی کمک می‌کند. در واقع این فناوری را می توان در بسیاری از زمینه ها از جمله دفاعی، خودروسازی، هوافضا و چاپ الکترونیک و همچنین ارزیابی غیرمخرب باتری خودروهای برقی به کار برد.