Autor: WILKINSON, Toby

Título: Applications of Data-Driven Methods to Process Optimisation of Laser Powder Bed Fusion Additive Manufacturing

Fecha: 2026

Materia: ---

Escuela: E.T.S.I. AERONÁUTICA Y DEL ESPACIO

Departamento: MATERIALES Y PRODUCCION AEROESPACIAL

Acceso electrónico: https://oa.upm.es/94001/

Director/a(s):

• Director/a: BARBA CANCHO, Daniel

Resumen: Laser powder bed fusion (LPBF) additive manufacturing (AM) has reached a key point in its development. Many academic and industrial partners demanding higher quantities of larger, and more complex parts to meet the growing demand. However, one of the main barriers to the widespread adoption of LPBF AM is the lack of scalable quality assurance methods. Recent research has shown that in-situ monitoring of the build process can reveal hidden insight about the formation of defects at various scales, but many of these methods are limited to small test parts, or single laser scan vectors. For LPBF AM to make the next step forward in reaching wider industrial adoption, it is essential to develop more robust and scalable in-situ monitoring techniques that can be applied to larger and more complex parts. This thesis presents a selection of methods for process optimisation in LPBF AM, both ex-situ and in-situ, that aim to address this challenge. The focus is primarily on the use of data-driven methods, such as machine learning and neural networks, to efficiently analyse the immense quantities of data generated during LPBF processing and provide valuable insight. The work begins by investigating ex-situ methods for process mapping, training a convolutional neural network to identify the melting mode of single tracks printed in different materials from optical microscope images. Then, the thesis moves onto in-situ methods, introducing a detailed analysis of the different signals available from the machine sensors, noise reduction methods, and an anomaly detection workflow using signal processing. The insight gained from this work lead to the development of a volumetric method for the analysis of the build data, which not only provides a machine-agnostic method for data analysis, but also a way to visualise the data in 3D and reduce the data size using statistical reduction functions. This volumetric data was successfully correlated to porosity data from computed tomography (CT) scans, demonstrating the potential of the method for defect detection. The thesis concludes with an investigation into the use of a U-net neural network to better interpret the statistical features generated from the volumetric data and map them to the high resolution CT data. This study shows that neural networks are able to interpret the statistical features and quickly identify the most likely locations of defects in a build. RESUMEN La fabricación aditiva (AM) mediante fusión por lecho de polvo láser (LPBF) ha alcanzado un punto clave en su desarrollo, con una creciente demanda por parte de socios académicos e industriales de piezas más grandes, complejas y en mayores cantidades. Sin embargo, una de las principales barreras para la adopción generalizada de la LPBF AM es la falta de métodos escalables de aseguramiento de la calidad. Investigaciones recientes han demostrado que la monitorización in-situ del proceso de fabricación puede revelar información valiosa sobre la formación de defectos a diferentes escalas, pero muchos de estos métodos están limitados a piezas de prueba pequeñas o a vectores de escaneo individuales. Para que la LPBF AM avance hacia una adopción industrial más amplia, es esencial desarrollar técnicas de monitorización \emph{in-situ} más robustas y escalables que puedan aplicarse a piezas más grandes y complejas. Esta tesis presenta una selección de métodos para la optimización de procesos en LPBF AM, tanto ex-situ como in-situ, que buscan abordar este desafío. El enfoque principal está en el uso de métodos basados en datos, como el machine learning y las redes neuronales, para analizar eficientemente las enormes cantidades de datos generados durante el procesamiento LPBF y proporcionar información valiosa. El trabajo comienza investigando métodos ex-situ para el mapeo de procesos, entrenando una red neuronal convolucional para identificar el modo de fusión de pistas individuales impresas en diferentes materiales a partir de imágenes de microscopía óptica. Posteriormente, la tesis aborda métodos \emph{in-situ}, introduciendo un análisis detallado de las diferentes señales disponibles de los sensores de la máquina, métodos de reducción de ruido y un flujo de trabajo de detección de anomalías mediante procesamiento de señales. El conocimiento obtenido de este trabajo condujo al desarrollo de un método volumétrico para el análisis de los datos de fabricación, que no solo proporciona un método independiente de la máquina para el análisis de datos, sino también una forma de visualizar los datos en 3D y reducir su tamaño mediante funciones estadísticas de reducción. Estos datos volumétricos se correlacionaron exitosamente con datos de porosidad obtenidos mediante tomografía computarizada (CT), demostrando el potencial del método para la detección de defectos. La tesis concluye con una investigación sobre el uso del U-net red neuronal para interpretar mejor las características estadísticas generadas a partir de los datos volumétricos y mapearlas con los datos de CT de alta resolución. Este estudio demuestra que las redes neuronales pueden interpretar las características estadísticas e identificar rápidamente las ubicaciones más probables de defectos en un componente.