01 Úvod do papiera
Aditívna výroba (AM), ako hlavný smer pokročilej výrobnej technológie, vykazuje významné výhody v zákazkovej výrobe kovových komponentov a výrobe zložitých štruktúr. Počas procesu kovového AM však komplexná interakcia medzi laserom a materiálom ľahko vytvára defekty, ako je rozstrek a pórovitosť v dôsledku nerovnováhy absorpcie energie, čo obmedzuje jeho vysoko presné priemyselné použitie. Laserová absorpcia, ako kľúčový parameter spájajúci vstup energie lasera a odozvu materiálu, je kľúčová na prekonanie tohto úzkeho miesta prostredníctvom presnej kvantifikácie a predpovede v-reálnom čase. Laserová absorpcia priamo určuje distribúciu teploty v bazéne taveniny; príliš vysoká nasiakavosť môže viesť k rozstrekovaniu, zatiaľ čo príliš nízka môže spôsobiť nedostatok--poruchy fúzie. Na vyriešenie tohto problému je možné zaviesť algoritmy hlbokého učenia, ktoré využívajú ich výkonné nelineárne mapovanie a možnosti extrakcie obrazových prvkov. Pomocou in situ synchronizovaného röntgenového zobrazovania experimentov zrútenia kľúčovej dierky (vrátane zodpovedajúcej nameranej absorpcie) ako základných údajov možno navrhnúť vhodné konvolučné neurónové siete (ResNet-50, ConvNeXt-T), modely sémantickej segmentácie (UNet) a stratégie učenia prenosu na extrahovanie vlastností, geometrických charakteristík, silne korelovaného pomeru kľúčov, kolapsu atď.) a nasiakavosť. Takto je možné zostaviť presný prediktívny model „absorpcie röntgenového žiarenia k laseru“ (oba prístupy-do{17}}koncového a modulárneho prístupu), čo umožňuje kvantifikáciu laserovej absorpcie v reálnom čase{18} a poskytuje podporu údajov na riadenie dynamiky tavného bazéna a znižovanie defektov, čím sa posúva vysoko presná priemyselná aplikácia kovov AM.
02 Prehľad v plnom znení
Tento článok vytvára súbory údajov o absorpcii a segmentácii pomocou údajov získaných z -in situ synchrónneho vysokorýchlostného{1}} röntgenového zobrazovacieho systému s lúčom 32-ID{5}}B Advanced Photon Source (APS) v ANL, vrátane súborov údajov bez práškovej vrstvy, s práškovou vrstvou a s{8} segmentáciou{6} na konci{6} segmentácie}} modulárne metódy. Metóda end-to{11}}end to end využíva dve konvolučné neurónové siete, ResNet{12}}50 a ConvNeXt{13}}T, aby sa automaticky naučili implicitné funkcie priamo z pred-spracovaných röntgenových snímok, pričom výstupná miera absorpcie cez plne prepojenú regresnú vrstvu{4}T s Contra19}on{4}T ImageNet vykazuje najlepší výkon a dosahuje testovaciu stratu 2,35 ± 0,35 a priemernú absolútnu chybu menej ako 3,3 % na testovacej súprave -bez prášku Ti-6Al-4V. Modulárna metóda najprv extrahuje geometrické znaky depresie pár (ako je hĺbka, plocha a pomer strán) pomocou modelu sémantickej segmentácie UNet, potom predpovedá mieru absorpcie pomocou klasických regresných modelov, ako je napríklad Random Forest; UNet dosiahol najvyšší priemerný priesečník testu cez spojenie (mIoU) 93,5 % v úlohách segmentácie viacerých materiálov (napr. Ti64, SS316, IN718) a model Random Forest mal testovaciu stratu 3,30 ± 0,02. Medzi nimi je end-to-end metóda vysoko automatizovaná a rýchla vo vyvodzovaní, vhodná na priemyselné monitorovanie v reálnom čase, ale so slabou interpretovateľnosťou a väčšími chybami predikcie pre vzory vedenia (malé poklesy pár); modulárna metóda má silnú interpretovateľnosť (kvantifikuje dôležitosť funkcie prostredníctvom hodnôt SHAP, jasne identifikuje pomer strán, hĺbku a plochu ako kľúčové vlastnosti), ale spolieha sa na presnú segmentáciu s obmedzenou použiteľnosťou v scenároch obsahujúcich prášok kvôli ťažkostiam pri identifikácii hraníc depresie.
Obrázok 03 znázorňuje grafickú analýzu.
Obrázok 1 predstavuje predpokladané výsledky laserovej absorpcie bez práškovej vrstvy. Podfigury a a b používajú koncový-k-koncový model ResNet-50, ktorý dokáže presne sledovať zmeny v rýchlosti absorpcie lasera počas skenovania a trendy v stacionárnom laserovom stupni s hlbokými kľúčovými dierkami, ale v prvých dvoch fázach stacionárneho lasera sú veľké chyby. Podfigury c a d používajú model ConvNeXt{10}T typu end{7}}to{8}} s chybami scenára skenovacieho lasera menšími ako 3 % a dokážu tiež presne predpovedať štádium plytkej kľúčovej dierky stacionárneho lasera s odchýlkami iba v štádiu bez-depresie. Podfigury e a f používajú modulárny prístup (UNet + náhodný les) s výkonom v metóde skenovania laserom blízko konca{14}}do{15}}; avšak v štádiu bez depresie stacionárneho lasera je predpoveď segmentovaná ako 0 (veľmi veľká odchýlka) a presnosť sa zlepšuje po vytvorení plytkej kľúčovej dierky.
Obrázok 2 znázorňuje tréningový výkon rôznych modelov, kde predtrénovaný model ResNet{4}}50{4}}od konca do konca (váhy ImageNet) znižuje počet epoch konvergencie o 19 % v porovnaní s náhodnou inicializáciou s miernym znížením straty, model konca-na{9}TT{8}} predbežné{12}}trénovanie má za následok 69 % zníženie epoch konvergencie a podstatné zníženie strát (strata pri teste znížená o 76 %), zatiaľ čo predbežné trénovanie segmentačného modelu UNet znižuje epochy konvergencie len o 16 % s minimálnym vplyvom na straty. Tento obrázok jasne ukazuje, že vopred{16}}predtrénované váhy výrazne zlepšujú optimalizáciu koncových{17}}koncových{18} modelov (najmä ConvNeXt-T), ale majú obmedzený vplyv na segmentačné modely a poskytujú kľúčový návod na výber stratégie tréningu modelov.
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 % (režim kľúčovej dierky) má chybu predikcie iba 2,54, zatiaľ čo vzorky menšie alebo rovné 40 % (režim vedenia) majú chybu 12,6, čo zvýrazňuje významnú chybu modelu v režime vedenia; Podobrázok c prostredníctvom statických laserových experimentov pri 94 W (nízky výkon, vodivostný režim) a 106 W (vyšší výkon, režim kľúčovej dierky) ďalej overuje, že predpovede modelu sa veľmi zhodujú so skutočnými hodnotami v režime kľúčovej dierky, ale nedokážu zachytiť skutočné výkyvy v režime vodivosti, čo potvrdzuje zistenia podobrázku b.
04 Záver
Štúdia sa zameriava na okamžitú predikciu laserovej absorpcie pri výrobe kovových prísad. Na základe synchrotrónového röntgenového-zobrazovania a integrujúcich meraní sférického žiarenia boli skonštruované súbory údajov o absorpcii Ti-6Al-4V bez prášku a s práškom, ako aj súbory údajov o segmentácii kľúčovou dierkou z viacerých materiálov. Boli navrhnuté dve metódy hlbokého učenia: end-to{11}}end (ResNet-50, ConvNeXt-T) a modulárne (UNet + náhodný les), pričom obe dosahujú vysoko presné predpovede pomocou 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.
