01 Papir Uvod
Aditivna proizvodnja (AM), kao osnovni pravac napredne proizvodne tehnologije, pokazuje značajne prednosti u proizvodnji metalnih komponenti po meri i izradi složenih struktura. Međutim, tokom metalnog AM procesa, složena interakcija između lasera i materijala lako proizvodi defekte kao što su prskanje i poroznost zbog neravnoteže apsorpcije energije, ograničavajući njegovu industrijsku primjenu visoke{1}}nosti. Laserska apsorpcija, kao ključni parametar koji povezuje ulaz laserske energije i reakciju materijala, ključna je za prevazilaženje ovog uskog grla kroz preciznu kvantifikaciju i predviđanje u stvarnom-vremenu. Laserska apsorpcija direktno određuje distribuciju temperature u bazenu taline; previsoka apsorpcija može dovesti do prskanja, dok preniska može uzrokovati nedostatak-defekta-fuzije. Da bi se ovo pozabavilo, mogu se uvesti algoritmi dubokog učenja, koristeći svoje moćno nelinearno mapiranje i mogućnosti izdvajanja karakteristika slike. Koristeći in situ sinkroniziranu rendgensku sliku eksperimenata urušavanja ključaonice (uključujući odgovarajuću izmjerenu apsorpciju) kao osnovne podatke, pogodne konvolucione neuronske mreže (ResNet-50, ConvNeXt-T), modele semantičke segmentacije (UNeg) i mogu se dizajnirati geometrijske karakteristike za ekstrakciju jakih geometrijskih karakteristika. kolaps ključaonice (dubina, odnos širine i visine, itd.) i upijanje. Ovo može konstruirati precizan prediktivni model 'X-apsorpcije rendgenskih zraka do laserske apsorpcije' (i kraj-do-i modularni pristup), omogućavajući-kvantificiranje apsorpcije lasera u stvarnom vremenu i pružanje podrške za podatke za kontrolu dinamike bazena taline i smanjenje defekta u industrijskoj primjeni visoke prepreke metala.
02 Pregled punog teksta
Ovaj rad konstruiše skupove podataka o apsorpciji i segmentaciji koristeći podatke dobijene iz in-situ sinhronog-brzog X-sistema za snimanje X-zraka na 32-ID-B snopu naprednog izvora fotona (APS) na ANL-u, uključujući skupove podataka koji su primijenjeni bez sloja praha i sloja praha s obzirom na sloj praha, s obzirom na sloj praha. end-to-end i modularne metode. End{9}}to-metoda koristi dvije konvolucione neuronske mreže, ResNet-50 i ConvNeXt-T, da automatski nauči implicitne karakteristike direktno iz unaprijed-obrađenih X-slika, izlazeći stopu apsorpcije kroz potpuno povezan regresijski sloj{12} ConvNeXt{15} unaprijed-obučeni na ImageNet-u pokazujući najbolje performanse, postižući testni gubitak od 2,35±0,35 i prosječnu apsolutnu grešku manju od 3,3% na testnom setu od -bez praha Ti-6Al-4V. Modularna metoda prvo izdvaja geometrijske karakteristike udubljenja pare (kao što su dubina, površina i omjer) koristeći UNet model semantičke segmentacije, a zatim predviđa stopu apsorpcije koristeći klasične regresijske modele kao što je Random Forest; UNet je postigao najveći testni srednji presek preko spoja (mIoU) od 93,5% u zadacima segmentacije od više-materijala (npr. Ti64, SS316, IN718), a model Random Forest imao je gubitak testa od 3,30±0,02. Među njima, end-to-end metoda je visoko automatizirana i brza u zaključivanju, pogodna za industrijsko praćenje u realnom vremenu, ali sa slabom interpretativnošću i većim greškama predviđanja za obrasce provodljivosti (mala udubljenja pare); modularna metoda ima snažnu interpretabilnost (kvantificiranje važnosti karakteristika kroz SHAP vrijednosti, jasno identificiranje omjera, dubine i površine kao ključnih karakteristika), ali se oslanja na preciznu segmentaciju, sa ograničenom primjenjivošću u scenarijima koji sadrže prah zbog poteškoća u identifikaciji granica depresije.
Slika 03 prikazuje grafičku analizu.
Na slici 1 prikazani su predviđeni rezultati laserske apsorpcije bez sloja praha. Podfigure a i b koriste end-do-kraj ResNet-50 model, koji može precizno pratiti promjene u stopi apsorpcije lasera tokom skeniranja i trendove u stacionarnom laserskom stepenu duboke ključaonice, ali postoje velike greške u prva dva stupnja stacionarnog lasera. Podfigure c i d koriste model end-do-end ConvNeXt-T, sa greškama laserskog scenarija skeniranja manjim od 3%, a također može precizno predvidjeti fazu plitkog ključaonice stacionarnog lasera, sa odstupanjima samo u fazi bez-depresije. Podfigure e i f koriste modularni pristup (UNet + nasumična šuma), sa performansama u laserskom skeniranju blizu-do-metoda; međutim, u fazi bez depresije stacionarnog lasera, predviđanje je segmentirano kao 0 (veoma veliko odstupanje), a tačnost se poboljšava nakon formiranja plitke ključaonice.
Slika 2 prikazuje performanse treninga različitih modela, gdje od kraja-do-kraja ResNet-50 modela unaprijed-(ImageNet težine) smanjuje broj epoha konvergencije za 19% u poređenju sa nasumičnom inicijalizacijom sa blagim smanjenjem gubitka}, kona~ni{8T{7} model{9} pre-obuka rezultira smanjenjem epoha konvergencije za 69% i značajnim smanjenjem gubitka (gubitak testa smanjen za 76%), dok pre{15}}obuka modela segmentacije UNet smanjuje samo epohe konvergencije za 16% uz minimalan uticaj na gubitak. Ova slika jasno pokazuje da unaprijed{16}}obučene težine značajno poboljšavaju optimizaciju od kraja{17}}do{18}}modela (posebno ConvNeXt-T), ali imaju ograničen učinak na modele segmentacije, pružajući ključne smjernice za odabir strategije treninga modela.
Figure 3 presents explanations and error analysis centered on the ConvNeXt-T model, comprising three subfigures: Subfigure a shows the attention distribution at different convolution stages through Grad-CAM heatmaps, illustrating the transition from dispersed attention in shallow layers to focused attention on the core region of the steam depression in deep layers, confirming the effectiveness of the end-to-end model in autonomously extracting key features; Subfigure b uses a 40% laser absorption rate as the threshold (distinguishing between conduction mode and keyhole mode) to analyse that samples with an absorption rate >40% (keyhole mode) ima grešku predviđanja od samo 2,54, dok uzorci manji ili jednaki 40% (kondukcijski režim) imaju grešku od 12,6, naglašavajući značajnu grešku modela u režimu provodljivosti; Podslika c, kroz statičke laserske eksperimente pri 94W (mala snaga, način provodljivosti) i 106W (veća snaga, način rada ključaonice), dalje potvrđuje da se predviđanja modela blisko podudaraju sa stvarnim vrijednostima u načinu rada ključaonice, ali ne uspijevaju uhvatiti stvarne fluktuacije u modu provodljivosti, potvrđujući nalaze podfigure b.
04 Zaključak
Studija se fokusira na trenutno predviđanje apsorpcije lasera u proizvodnji metalnih aditiva. Na osnovu sinhrotronskog X-snimanja i integrisanih mjerenja zračenja sfere, konstruisani su skupovi podataka Ti-6Al-4V apsorpcije bez i sa prahom, kao i skupovi podataka segmentacije ključaonica od više- materijala. Predložene su dvije metode dubokog učenja: end-do-(ResNet-50, ConvNeXt-T) i modularni (UNet + slučajna šuma), obje postižu visoko precizna predviđanja s MAE<3.3%, among which the pre-trained ConvNeXt-T end-to-end model performed best (test loss 2.35±0.35). ImageNet pre-trained weights significantly improved the convergence speed and accuracy of end-to-end models (ConvNeXt-T convergence rounds reduced by 69%, test loss reduced by 76%). Fine-tuning with a small amount of powder-containing data (5%) can effectively adapt to industrial scenarios. The end-to-end method is suitable for industrial real-time monitoring, while the modular method (explicitly considering aspect ratio, depth, and area as key features) is suitable for academic research and offline analysis.
