AM-DefectNet: Additive Manufacturing Defect Classification Using Machine Learning -- A comparative Study

Este estudo introduz o AM-DefectNet, uma estrutura abrangente que avalia 15 modelos de aprendizado de máquina para classificação de defeitos na manufatura aditiva, revelando que o algoritmo CatBoost supera os demais com 92,47% de precisão na caracterização da poça de fusão.

O essencial

Imagine que você está assando o pão perfeito. Nos velhos tempos, você confiaria em seus sentidos: observando a crosta, cheirando o aroma e sentindo a textura. Mas no mundo de alta tecnologia da Manufatura Aditiva (MA), ou impressão 3D, o "pão" é construído camada por camada a partir de pó metálico usando lasers intensos. O problema? É difícil ver o que está acontecendo dentro do metal quente e fundido (chamado de poça de fusão) enquanto o laser se move rapidamente. Se o calor for muito alto, você obtém um "keyhole" (uma bolha profunda e instável); se for muito baixo, as camadas não aderem ("falta de fusão"); ou, se estiver apenas certo, você obtém uma peça perfeita e sólida.

Este artigo apresenta uma nova ferramenta chamada AM-DefectNet. Pense no AM-DefectNet como um "super-provador" para impressoras 3D. Em vez de um chef humano adivinhar se o pão está queimado, esta ferramenta usa Aprendizado de Máquina (ML) para provar os dados e dizer instantaneamente se a peça metálica é perfeita ou defeituosa.

Aqui está uma explicação simples de como eles construíram essa ferramenta e o que descobriram:

1. Reunindo os Ingredientes (Os Dados)

Para ensinar um computador a detectar defeitos, você precisa de um livro de receitas massivo de exemplos. Os pesquisadores não realizaram apenas um experimento; foram à biblioteca e coletaram dados de dezenas de outros estudos científicos.

• A Receita: Eles reuniram informações sobre os "ingredientes" (como o tipo de liga metálica, quão quente estava o laser, quão rápido ele se movia e quão espessas eram as camadas).
• O Resultado: Eles acabaram com cerca de 2.000 pontos de dados. Cada ponto era uma instantânea de um momento de impressão 3D, classificado como "Desejável" (perfeito), "Balling" (o metal rolou em pequenas bolas em vez de uma camada plana), "Keyhole" (muita energia) ou "Falta de Fusão" (pouca energia).

2. O Teste de Prova (Os Modelos)

Os pesquisadores não usaram apenas uma receita para prever o resultado. Eles prepararam 15 modelos diferentes de Aprendizado de Máquina para ver qual era o melhor chef.

• Os Chefs "Lineares": Estes eram modelos simples (como Regressão Logística) que tentavam traçar uma linha reta para separar peças boas de ruins. Imagine tentar separar bolinhas vermelhas e azuis com uma única régua reta. O artigo descobriu que esses chefs lutavam porque a relação entre as configurações do laser e os defeitos é bagunçada e curva, não reta.
• Os Chefs "Baseados em Árvores": Estes modelos (como Árvores de Decisão, Florestas Aleatórias e Gradient Boosting) são como um fluxograma. Eles fazem uma série de perguntas de sim/não: "A potência do laser era alta?" -> "Sim." -> "A velocidade era lenta?" -> "Sim." -> "Resultado: Keyhole."
• O Chef "Rede Neural Profunda": Este é um cérebro complexo e multicamadas que tenta aprender padrões por conta própria, semelhante à forma como um humano aprende a reconhecer um rosto.

3. Os Resultados: Quem Venceu o Concurso de Culinária?

Depois de alimentar todos os dados nesses 15 modelos, os resultados foram claros:

• O Campeão: CatBoost ocupou o primeiro lugar com uma precisão de 92,47%. Foi o melhor em identificar corretamente todos os quatro tipos de resultados (perfeito, balling, keyhole ou falta de fusão).
• Os Vice-Campeões: Dois outros chefs baseados em árvores, LGBM e XGBoost, ficaram em segundo e terceiro lugares, marcando cerca de 91% e 90%.
• O Concorrente de Aprendizado Profundo: A complexa Rede Neural Profunda (DNN) fez um trabalho decente (88,55%), mas não derrotou os modelos baseados em árvores. Na verdade, o artigo observa que, para este conjunto de dados específico, os modelos baseados em árvores mais simples foram mais eficientes e precisos.
• Os Perdedores: Os modelos "Lineares" simples e alguns métodos mais antigos (como certos tipos de Máquinas de Vetores de Suporte) performaram mal, frequentemente ficando confusos pela física complexa do metal derretido.

4. O Que as "Curvas de Aprendizado" Contaram a Eles

Os pesquisadores também analisaram "Curvas de Aprendizado", que são como gráficos mostrando o quanto um aluno melhora à medida que estuda mais páginas de um livro didático.

• Eles descobriram que, para os modelos de melhor desempenho (como CatBoost), a curva ainda não havia se achatado completamente. Isso significa que, se eles alimentassem o modelo com ainda mais dados, ele poderia ficar ainda melhor.
• No entanto, para alguns outros modelos, a curva mostrou que eles estavam "sobreajustando" — essencialmente memorizando as respostas do livro didático em vez de aprender os conceitos, o que os fazia falhar em problemas novos e não vistos.

A Conclusão

O artigo conclui que a Manufatura Aditiva é um quebra-cabeça complexo e multifísico que é difícil demais para uma lógica simples e de linha reta resolver. No entanto, modelos de Aprendizado de Máquina não lineares e baseados em árvores (especificamente CatBoost) são excelentes em resolver este quebra-cabeça.

Ao usar o AM-DefectNet, os engenheiros agora podem confiar nesses algoritmos inteligentes para prever defeitos em peças metálicas impressas em 3D com alta precisão, atuando como um inspetor de controle de qualidade digital confiável que aprende com milhares de exemplos passados. O estudo prova que não precisamos adivinhar se uma peça é boa; podemos deixar os dados nos dizer.

Resumo técnico

Resumo Técnico: AM-DefectNet

Declaração do Problema
A Manufatura Aditiva (AM), particularmente processos como Fusão em Leito de Pó a Laser (LPBF) e Deposição de Energia Direcionada, enfrenta desafios significativos em garantir a qualidade da produção devido à natureza complexa e multifísica da dinâmica da poça de fusão. Defeitos como falta de fusão (LOF), porosidade de keyhole e fenômenos de balling comprometem a integridade estrutural das peças impressas. Embora o monitoramento tradicional dependa de técnicas in-situ (por exemplo, sensores acústicos, termografia) e ex-situ (por exemplo, raios X, TC), esses métodos podem ser custosos, demorados e exigir calibração extensa. Além disso, as relações intrincadas entre parâmetros de processo (potência do laser, velocidade de varredura, espaçamento de hachura), propriedades do material e geometria da poça de fusão tornam difícil estabelecer modelos preditivos baseados em física confiáveis. Há uma necessidade crítica de abordagens orientadas a dados que possam classificar com precisão defeitos com base em conjuntos de dados experimentais para otimizar parâmetros de processo e melhorar a qualidade das peças.

Metodologia
Os autores introduzem o AM-DefectNet, uma estrutura abrangente de benchmarking projetada para avaliar a eficácia de vários modelos de Aprendizado de Máquina (ML) na classificação de defeitos de AM. A metodologia envolve as seguintes etapas principais:

• Coleta e Curadoria de Dados: O estudo utiliza um conjunto de dados compilado a partir de literatura revisada por pares, referenciando principalmente o trabalho de Akbari et al. O conjunto de dados compreende aproximadamente 2.019 pontos de dados, divididos em 1.514 para treinamento e 505 para teste. As características de entrada incluem parâmetros de processamento (potência do laser, velocidade de varredura, espessura da camada, diâmetro do feixe, espaçamento de hachura) e propriedades do material (condutividade térmica, calor específico, ponto de fusão, composição química). A saída alvo é uma classificação de quatro classes: Desejável (sem defeito), Keyhole, Falta de Fusão (LOF) e Balling.
• Engenharia de Características e Pré-processamento: Variáveis categóricas (por exemplo, tipo de processo: SLM vs. EBM) são convertidas usando codificação one-hot. Tanto as entradas categóricas quanto numéricas passam por escalonamento min-max. O conjunto de dados é particionado usando uma estratégia de validação cruzada de 11 dobras para mitigar o sobreajuste e garantir uma estimativa robusta de desempenho.
• Seleção de Modelo: O estudo avalia 15 modelos distintos de ML, categorizados em:
  • Algoritmos Lineares: Regressão Logística e Máquinas de Vetor de Suporte (SVM) com kernel linear.
  • Algoritmos Não Lineares Baseados em Árvores: Árvores de Decisão, Random Forest, AdaBoost, Bagging, Voting e variantes de Gradient Boosting (XGBoost, LGBM, CatBoost).
  • Redes Neurais: Perceptrons de Múltiplas Camadas (MLP/DNN) e vários kernels de SVM (RBF, Polinomial, Sigmoid).
  • Aprendizado Baseado em Instâncias: k-Vizinhos Mais Próximos (k-NN).
• Métricas de Avaliação: O desempenho do modelo é avaliado usando Acurácia, Precisão, Revocação e Pontuação F1, calculadas por meio de médias macro, micro e ponderadas para levar em conta a distribuição de classes. Curvas de aprendizado também são empregadas para analisar a convergência do modelo e os requisitos de dados.

Principais Contribuições

1. Estrutura AM-DefectNet: O artigo estabelece um benchmark padronizado para comparar modelos de ML especificamente para caracterização da poça de fusão e classificação de defeitos em AM, uma comparação não explorada anteriormente desta maneira abrangente.
2. Comparação Abrangente de Modelos: O estudo avalia sistematicamente 15 algoritmos, variando de classificadores lineares tradicionais a métodos de ensemble avançados e aprendizado profundo, fornecendo uma hierarquia clara de desempenho para este domínio específico.
3. Identificação de Algoritmos Ótimos: A pesquisa identifica que métodos de ensemble não lineares baseados em árvores, especificamente CatBoost, LGBM e XGBoost, superam significativamente modelos lineares e outros classificadores neste contexto.
4. Análise de Curva de Aprendizado: Os autores fornecem insights sobre o comportamento do modelo em relação ao tamanho do conjunto de dados, destacando quais modelos atingiram convergência e quais podem se beneficiar de dados adicionais.

Resultados
Os resultados de benchmarking demonstram uma hierarquia de desempenho clara entre os modelos testados:

• Melhores Desempenhos: O CatBoost alcançou a maior acurácia de 92,47%, seguido pelo LGBM com 91,08% e pelo XGBoost com 90,89%. Esses modelos também exibiram precisão, revocação e pontuações F1 superiores entre as classes de defeitos.
• Desempenho de Aprendizado Profundo: A Rede Neural Profunda (DNN/MLP) demonstrou desempenho competitivo com uma acurácia de 88,55%, embora tenha exigido ajuste cuidadoso de hiperparâmetros (incluindo normalização de lote e dropout) para mitigar o sobreajuste.
• Modelos com Desempenho Inferior: Modelos lineares, como Regressão Logística (62,17% de acurácia) e SVM com kernel linear (70,29% de acurácia), lutaram para capturar as relações complexas e não lineares inerentes aos processos de AM. SVMs com kernels não lineares (RBF, Polinomial) mostraram melhoria, mas não igualaram o desempenho dos principais ensembles baseados em árvores.
• Análise da Matriz de Confusão: A análise visual das matrizes de confusão confirmou que o CatBoost e o LGBM minimizaram efetivamente as classificações incorretas entre os tipos de defeitos em comparação com outros algoritmos.

Significado e Alegações
O artigo afirma que o estudo destaca a eficácia do Aprendizado de Máquina, particularmente algoritmos não lineares baseados em árvores como o CatBoost, no enfrentamento dos desafios da detecção de defeitos na Manufatura Aditiva. Ao estabelecer o benchmark AM-DefectNet, os autores fornecem uma base validada para otimização de processo. Os resultados sugerem que abordagens orientadas a dados podem servir como uma alternativa econômica e eficiente ao monitoramento experimental tradicional para prever características da poça de fusão e identificar defeitos como LOF, balling e formação de keyhole. O estudo conclui que esses modelos de ML estabelecem as bases para melhorar a repetibilidade e reduzir as taxas de defeitos na produção de AM, embora note modestamente que mais dados podem ainda ser necessários para fazer convergir completamente certos modelos e que a complexidade da física de AM permanece um desafio para abordagens lineares.