通过机器学习，ORNL将金属3D打印部件缺陷检测时间缩短85%

3D打印技术参考注意到，橡树岭国家实验室（ORNL）开发的一款软件算法将核应用3D打印部件的检查时间缩短了85%。目前，研究人员正在为爱达荷国家实验室（INL）训练该算法，以便将类似方法应用于辐照材料和核燃料的检查。

3D打印核部件的质量通常通过计算机断层扫描（CT扫描）进行验证，该技术利用X射线捕捉内部结构中的缺陷或错误图像。ORNL的新软件算法采用机器学习技术，快速重建并分析图像，从而显著降低了检查所需的成本、时间和扫描次数。

借助机器学习快速分析检测样本已经成为研究热点。3D打印技术参考此前介绍过，2023年Science正刊首篇关于3D打印技术的研究就是关于该课题的研究。弗吉尼亚大学材料科学与工程专业孙涛副教授领导的研究团队通过整合原位同步加速器 X 射线成像、近红外成像和机器学习，能够以亚毫秒时间分辨率和100%的预测率捕获与锁孔生成相关的独特热特征。使用经过良好校准的模拟来训练机器学习模型，在对实验数据进行测试时，粉床和样品的预测精度分别为85%和87%。

INL的研究人员应用ORNL的新算法，在不到5小时的扫描时间内分析了30多个3D打印样本部件。此前，如果不使用该软件，每个扫描的完成时间将超过30小时——这为放射性材料和燃料的潜在应用开辟了道路。

出于实验室技术人员安全的考虑，INL的研究人员通常会推迟检查从核反应堆中取出的材料。在长时间的X射线CT扫描过程中，辐射会对探测器造成损耗，从而缩短其使用寿命并降低图像的准确性。缩短扫描时间意味着每次扫描的辐射剂量减少，等待时间缩短，同时能够获得更高质量的数据，并为性能模型提供更快速的反馈。

“如果我们使用这种算法来减少放射性材料和燃料的扫描时间，将提高工作人员的安全性，并加快新材料的评估速度，”INL衍射与成像小组负责人兼仪器科学家比尔·丘拉兹（Bill Chuirazzi）表示。“从长远来看，这将使我们能够加快新核能理念从概念到电网实施的生命周期。”

ORNL研究人员最初开发该算法是为了更快、更准确地扫描3D打印金属部件。ORNL和INL之间的合作有望加快新型反应堆类型的开发和部署，以推动电力行业的脱碳进程。

该软件得到了美国能源部（DOE）先进材料与制造技术（AMMT）计划的支持，旨在通过演示和部署加速新材料和制造技术的商业化。