根據3D科學谷《人工智慧減少缺陷-3D列印過程控制 l 人工智慧賦能3D列印》一文，人工智慧在每個特定領域發揮著越來越重要的作用，包括：缺陷檢測和糾正、在構建過程中和構建之後減少殘餘應力和故障、原位計量和設計精度、微結構設計、合金設計和優化。
目前人工智慧用於3D列印過程控制主要是聚焦於控制孔隙（密度）、局部缺陷、過程中產生的內應力、設計和尺寸精度、微觀結構變化等。
根據3D科學谷《增材製造的過程監測 l 基於雷射的金屬增材製造過程監控和機器學習》一文，AM增材製造的熱監測可以使用熱像儀和高溫計實現，熱像儀在實現上類似於可見光相機，但圖像以假色顯示溫度分布，這些圖像可以包含與熱梯度和結構特徵相關的信息，這些信息可以由基於圖像的 ML人工智慧算法（例如 CNN）解釋。
日前，卡內基梅隆大學推出商用相機的熔池測量方法進行金屬3D列印過程的高解析度熔池熱成像。
高速相機和光學裝置安裝在卡內基梅隆大學 TruPrint 3000 雷射粉末床熔融 (PBF-LB) 增材製造設備頂部
卡耐基梅隆大學
根據3D科學谷，熱過程控制是金屬增材製造的關鍵，整個零件和周圍材料的複雜熱傳遞會影響零件的微觀結構。監測零件的溫度特性可提供有關這些狀態和潛在缺陷（例如分層、飛濺和孔隙率）的一些信息。
/ 更好的了解熔池
卡內基梅隆大學和國家標準與技術研究所的新研究已在《增材製造》上發表，介紹了使用單個商用彩色相機測量熔池溫度的實驗方法。熔池的精確溫度測量可用於預測和識別缺陷特徵，例如鎖孔，鎖孔可能導致裂紋和孔隙，從而導致零件缺陷。
根據卡內基梅隆大學機械工程教授 Jack Beuth ，這些熔池溫度場測量技術和測量本身是完全獨特的，卡內基梅隆大學的方法可以應用於任何彩色相機，以監控和更好地了解熔池，從而為各種增材製造工藝生產高質量零件。
根據3D科學谷，由於分層或裂縫導致的熱流變化可以在熱監測圖像中得到分析，並且已經通過ML人工智慧算法成功識別，熱梯度、極端溫度和幾何信息等信息也可以從熱圖像中提取，然後饋送到基於矢量數據的ML人工智慧算法，例如SVM支持向量機算法，然而，熱成像相機的像素解析度通常低於可見光相機，限制了對小特徵的檢測能力。
金屬增材製造缺陷
3D科學谷白皮書
根據3D科學谷的了解，卡內基梅隆大學使用了傳感器上內置拜耳濾光片的商用彩色相機來感測可見顏色。每個像素僅感測一種顏色的光，使團隊能夠獲得每個像素的獨特測量結果。卡內基梅隆大學研究團隊使用一種稱為「去馬賽克」的技術重建了全彩圖像，並測量了每種顏色之間的比率以計算溫度。這種輻射測量方法避免了與表面特性和視角因素相關的複雜性，這些複雜性對傳統紅外成像在增材製造工藝中的應用提出了挑戰。
卡內基梅隆大學利用實驗結果確定了計算流體動力學模型中的未知參數，以獲得更多關於熔池微觀尺度上發生的情況信息。
/ 更好的質量控制
研究熔池的峰值溫度可以幫助研究人員了解生產過程中的材料蒸發情況。而朝向熔池尾部的梯度有助於研究人員了解最終零件的微觀結構。了解熔池中的物理特性對於確保零件質量至關重要，因為如果太多材料蒸發或熔池變得不穩定，製造過程最終可能會出現完全不同的材料特性和缺陷，從而導致零件無法使用。
金屬增材製造原位監測技術
3D科學谷白皮書
卡內基梅隆大學的方法為更全面、更根本地理解工藝參數如何影響熔池物理學打開了大門，是增材製造工藝開發的核心問題。展望未來，卡內基梅隆大學的研究人員報告稱，他們計劃使用該技術來了解不同的3D列印工藝，例如電弧增材製造 (WAAM) 和定向能量沉積 (DED)3D列印技術。