نموذج اكتشاف فعال مبني على YOLO لاكتشاف عيوب المسامات في التصنيع الإضافي

لماذا تهم الثقوب الصغيرة في المعادن المطبوعة ثلاثية الأبعاد

تتجه الأجزاء المعدنية المصنوعة بالطباعة ثلاثية الأبعاد نحو الاستخدام في الطائرات والسيارات والغرسات الطبية. لكن داخل هذه المكونات اللامعة قد تكمن عيوب غير مرئية: فقاعات وثقوب صغيرة، تسمى مسامات، تضعف المعدن ويمكن أن تؤدي إلى تشققات أو فشل. اليوم، غالباً ما يعني التحقق من هذه العيوب فحصاً يدويًا وبطيئاً لصور الميكروسكوب. تقدم هذه الدراسة طريقة آلية لاكتشاف وقياس هذه المسامات المجهرية وربطها مباشرة بإعدادات الطبعة، مما يفتح طريقًا نحو أجزاء معدنية مطبوعة ثلاثية الأبعاد أكثر أمانًا وموثوقية.

صنع الأجزاء المعدنية طبقة بطبقة

تركز الدراسة على طريقة شهيرة للطباعة المعدنية ثلاثية الأبعاد تُسمى الانصهار بالليزر الانتقائي، حيث يمسح الليزر عبر طبقة رقيقة من مسحوق المعدن ويذيبها لتشكيل كل شريحة من القطعة الصلبة. تتيح هذه المقاربة أشكالاً معقدة واستخدامًا فعالًا للمواد، ولهذا هي جذابة للتطبيقات المطلبة مثل الطيران والأجهزة الطبية. ومع ذلك، يمكن للتسخين والتبريد الشديدين أن يحبسوا الغاز أو يتركوا مناطق غير مذابة تمامًا أو يخلقوا «ثقوب مفاتيح» عميقة في حوض الانصهار. كل هذه المسارات تشكل مسامات—فراغات مجهرية متناثرة في المادة—تزيد تركيز الإجهاد وتقلل المتانة وعمر التعب. لذلك، يعد التحكم في المسامية أمراً أساسياً لإنتاج مكونات مطبوعة يمكن الوثوق بها.

تعليم الحاسوب رؤية العيوب الخفية

بدلاً من مطالبة الخبراء بفحص كل صورة ميكروسكوبية بالعين، بنى المؤلفون نظام تحليل صور آلي مبني على عائلة من نماذج الذكاء الاصطناعي المعروفة باسم YOLO، والمستخدمة على نطاق واسع للكشف السريع عن الأجسام. جمعوا صور ميكروسكوبية ضوئية عالية الدقة من 49 عينة من سبائك الألومنيوم مطبوعة بقوى ليزر وسرعات مسح مختلفة، مكونين مجموعة بيانات من 980 صورة. تم تتبع كل مسامة في هذه الصور يدوياً بعناية لتشكل الحقيقة المرجعية. بالإضافة إلى تصميم YOLOv5 القياسي، أضاف الفريق عدة تحسينات: جدول تعلم أكثر ذكاءً لمعدل تعلم النموذج أثناء التدريب، ووحدة «انتباه» تساعد الشبكة على التركيز على أنماط تشبه المسامات عوضًا عن نسيج الخلفية، ومخطط دمج ميزات خفيف يحافظ على صغر حجم النموذج أثناء دمج المعلومات عبر المقاييس.

من الصور إلى إحصاءات دقيقة عن المسامات

بمجرد تدريبه، يمكن للنموذج المحسّن تحديد موقع كل مسامة وتحديد شكلها في صور الميكروسكوب الجديدة. ثم تقوم البرمجية تلقائيًا بعدّ عدد البكسلات التابعة للمسامات ومقارنة ذلك بإجمالي عدد البكسلات في منطقة المعدن، مما يعطي قيمة مسامية كلية لكل سطح عينة. أظهرت الاختبارات مقابل متغيرات YOLO الحديثة الأخرى أن التصميم الجديد حقق دقة أعلى في تحديد المسامات مع احتفاظه بمتطلبات حوسبة متواضعة، مما يجعله مناسبًا للاستخدام على عتاد صناعي نموذجي. عندما قورنت قياسات مساحة المسامات مع تقديرات يدوية دقيقة، كانت الفروق في حدود نحو خمسة في المئة، ما يشير إلى أن الطريقة الآلية موثوقة بما يكفي للتحليل الكمي الروتيني.

ربط إعدادات الطباعة بتشكّل المسامات

مع توفر قياسات المسامات الآلية، فحص الباحثون كيف تشكل إعدادتان رئيسيتان للطباعة—قوة الليزر وسرعة المسح—المسامية. وجدوا أن زيادة قوة الليزر من مستويات منخفضة جداً تقلل المسامات بسرعة، لأن المسحوق يذوب بشكل أكمل ويُتاح للغاز المحبوس وقت أكبر للهروب. لكن بعد نقطة معينة، تؤدي زيادات القوة الإضافية إلى أحواض انصهار غير مستقرة ومتذبذبة بعنف تولد عيوبًا جديدة فعليًا. تُظهر سرعة المسح مقايضة مشابهة: إذ يمكن أن يؤدي تحريك الليزر ببطء شديد إلى ارتفاع حرارة المادة بشكل زائد، بينما يمنع تحريكه بسرعة كبيرة الانصهار الكامل ويحبس الغاز. لالتقاط هذه الاتجاهات المعقدة، استخدم الفريق أداة رياضية تُدعى كثيرات حدود شِبِشيف لبناء سطح ناعم يربط القوة والسرعة بالمسامية، محققين تطابقًا ممتازًا مع البيانات التجريبية.

نحو معادن مطبوعة ثلاثية الأبعاد أذكى وأكثر أمانًا

بالنسبة لغير المتخصصين، الرسالة الأساسية هي أن الدراسة تحول صور الميكروسكوب إلى قياسات آلية وموثوقة لمقدار "خلو" الجزء المعدني المطبوع من الثقوب، ثم تربط تلك القياسات بمقابض الطباعة التي يمكن للمهندسين ضبطها عمليًا. لا تكتفي الطريقة بكشف وتحديد المسامات فحسب، بل تقيس أيضًا مقدارها الإجمالي وتحدد أي تراكيب من قوة الليزر وسرعة المسح تحافظ على انخفاض المسامية. وعلى الرغم من أن العمل الحالي يعتمد على عينات مصقولة مخبرية وميكروسكوبات ضوئية، إلا أن نفس الأفكار يمكن توسيعها نحو مراقبة على أرضية المصنع وتحسين العملية. على المدى الطويل، ستساعد مثل هذه الأدوات الآلية والمعتمدة على البيانات على جعل الطباعة المعدنية ثلاثية الأبعاد أكثر قابلية للتنبؤ، وأقل هدرًا، وأكثر أمانًا للتطبيقات الحرجة.

الاستشهاد: Ni, R., Xu, S., Chen, H. et al. An effective detection model based on YOLO for pore defects in additive manufacturing. Sci Rep 16, 14379 (2026). https://doi.org/10.1038/s41598-026-43970-2

الكلمات المفتاحية: التصنيع الإضافي, الانصهار بالليزر الانتقائي, كشف العيوب, التعلّم العميق, تحليل المسامية