01 Вступ до паперу
Адитивне виробництво (AM), як основний напрям передових виробничих технологій, демонструє значні переваги у індивідуальному виробництві металевих компонентів і виготовленні складних конструкцій. Однак під час обробки металу AM складна взаємодія між лазером і матеріалом легко створює такі дефекти, як розбризкування та пористість через дисбаланс поглинання енергії, що обмежує його високо{1}}точне промислове застосування. Коефіцієнт поглинання лазера, як ключовий параметр, що зв’язує вхідну енергію лазера та реакцію матеріалу, має вирішальне значення для подолання цього вузького місця завдяки точному кількісному визначенню та прогнозу-в реальному часі. Коефіцієнт поглинання лазера безпосередньо визначає розподіл температури басейну розплаву; надто високий коефіцієнт поглинання може призвести до розбризкування, а надто низький може спричинити відсутність--дефектів плавлення. Щоб вирішити цю проблему, можна запровадити алгоритми глибокого навчання, використовуючи їх потужні можливості нелінійного відображення та вилучення ознак зображення. Використовуючи in situ синхронізоване рентгенівське зображення експериментів з обрушенням замкової щілини (включно з відповідним виміряним коефіцієнтом поглинання) як основні дані, відповідні згорточні нейронні мережі (ResNet-50, ConvNeXt-T), моделі семантичної сегментації (UNet) і стратегії навчання переносу можуть бути розроблені для вилучення особливостей, сильно корельованих із геометричними характеристиками колапс замкової щілини (глибина, співвідношення сторін тощо) і поглинання. Це може побудувати точну прогностичну модель «рентгенівського-зображення до лазерного поглинання» (як від -до-кінцевого, так і модульного підходу), уможливлюючи-кількісне{18}}часове визначення лазерного поглинання та забезпечуючи підтримку даних для контролю динаміки басейну розплаву та зменшення дефектів, тим самим сприяючи високоточному промисловому застосуванню металу AM.
02 Повний огляд тексту
У цьому документі створено набори даних про поглинання та сегментацію, використовуючи дані, отримані з-синхронної високошвидкісної рентгенівської-системи візуалізації in situ на лінії променя 32-ID-B Advanced Photon Source (APS) в ANL, включаючи набори даних без шару порошку, із шаром порошку та з сегментацією за депресією пари, які були застосовані відповідно до end{6}}to-end{8}}and модульні методи. Метод -to-end використовує дві згорткові нейронні мережі, ResNet-50 і ConvNeXt-T, щоб автоматично вивчати неявні ознаки безпосередньо з попередньо-оброблених рентгенівських-зображень, виводячи швидкість поглинання через повністю пов’язаний регресійний рівень за допомогою ConvNeXt-T попередньо-навчання на ImageNet показало найкращу продуктивність, досягнувши втрат під час тестування 2,35±0,35 і середньої абсолютної похибки менше 3,3% на тестовому наборі-без порошку Ti-6Al-4V. Модульний метод спочатку виділяє геометричні характеристики парової депресії (такі як глибина, площа та співвідношення сторін) за допомогою моделі семантичної сегментації UNet, а потім прогнозує швидкість поглинання за допомогою класичних регресійних моделей, таких як Random Forest; UNet досягла найвищого тестового середнього перетину за об’єднанням (mIoU) у 93,5% у завданнях сегментації з кількох -матеріалів (наприклад, Ti64, SS316, IN718), а модель Random Forest мала втрату при тестуванні 3,30±0,02. Серед них наскрізний метод є високоавтоматизованим і швидким у висновках, придатним для промислового моніторингу в режимі реального часу, але зі слабкою інтерпретацією та більшими похибками прогнозування для моделей провідності (невеликі парові депресії); модульний метод має сильну інтерпретацію (кількісна оцінка важливості ознак через значення SHAP, чітке визначення співвідношення сторін, глибини та площі як ключових характеристик), але покладається на точну сегментацію з обмеженою застосовністю в сценаріях, що містять порошок, через труднощі з визначенням меж депресії.
На малюнку 03 показано графічний аналіз.
На рисунку 1 представлені прогнозовані результати лазерного поглинання без порошкового шару. На підмалюнках a і b використовується модель ResNet-50-to{3}}end-50, яка може точно відстежувати зміни у швидкості поглинання лазера під час сканування та тенденції на етапі стаціонарного лазера з глибокою замковою щілиною, але є великі похибки на перших двох етапах стаціонарного лазера. Підфігури c і d використовують модель ConvNeXt-T від -to{8}}end-T із помилками сценарію лазерного сканування менше 3%, і вона також може точно передбачити стадію дрібної замкової щілини стаціонарного лазера з відхиленнями лише на стадії без-депресії. Підфігури e і f використовують модульний підхід (UNet + випадковий ліс) із продуктивністю скануючого лазера, наближеного до методу end-to-end; однак на стадії без депресії стаціонарного лазера передбачення сегментується як 0 (дуже велике відхилення), і точність покращується після формування неглибокої замкової щілини.
На малюнку 2 зображено ефективність навчання різних моделей, де попередньо навчена--модель ResNet-50 (ваги ImageNet) зменшує кількість епох конвергенції на 19% порівняно з випадковою ініціалізацією з незначним зменшенням втрат, модель ConvNeXt-T від кінця-до{8}} попереднє-навчання призводить до скорочення епох конвергенції на 69% і значного зменшення втрат (втрати при тестуванні зменшено на 76%), тоді як попереднє-навчання моделі сегментації UNet зменшує епохи конвергенції лише на 16% з мінімальним впливом на втрати. Цей малюнок чітко показує, що попередньо{16}}підготовлені ваги значно покращують оптимізацію кінцевих--моделей (особливо ConvNeXt-T), але мають обмежений вплив на моделі сегментації, надаючи ключове керівництво для вибору стратегії навчання моделі.
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% (режим замкової щілини) мають похибку передбачення лише 2,54, тоді як зразки Менше або дорівнює 40% (режим провідності) мають похибку 12,6, підкреслюючи значну похибку моделі в режимі провідності; Підмалюнок c, за допомогою статичних лазерних експериментів на 94 Вт (низька потужність, режим провідності) і 106 Вт (більша потужність, режим замкової щілини), додатково підтверджує, що прогнози моделі точно відповідають реальним значенням у режимі замкової щілини, але не в змозі зафіксувати фактичні коливання в режимі провідності, підтверджуючи результати підфігури b.
04 Висновок
Дослідження зосереджено на миттєвому прогнозуванні лазерного поглинання при виробництві металевих добавок. На основі синхротронного рентгенівського-зображення та інтегрованих вимірювань сферичного випромінювання було створено набори даних коефіцієнта поглинання Ti-6Al-4В без порошку та з порошком, а також набори даних сегментації замкової щілини з кількох-матеріалів. Було запропоновано два методи глибокого навчання: end-to-end (ResNet-50, ConvNeXt-T) і модульний (UNet + випадковий ліс), обидва забезпечують високоточні прогнози за допомогою 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.
