01 Paber Sissejuhatus
Lisandite tootmine (AM), mis on arenenud tootmistehnoloogia põhisuund, näitab olulisi eeliseid metallkomponentide kohandatud tootmisel ja keerukate struktuuride valmistamisel. Metalli AM-protsessi käigus tekitab laseri ja materjali vaheline keerukas interaktsioon aga energia neeldumise tasakaalustamatuse tõttu kergesti defekte, nagu pritsmed ja poorsus, mis piirab selle suure täpsusega{1}}tööstuslikku kasutamist. Laseri neelduvus kui põhiparameeter, mis ühendab laseri energiasisendi ja materjali reaktsiooni, on selle kitsaskoha ületamiseks ülioluline täpse kvantifitseerimise ja reaalajas ennustamise abil. Laseri neelduvus määrab otseselt sulamisbasseini temperatuurijaotuse; liiga kõrge neelduvus võib põhjustada pritsmeid, samas kui liiga madal võib põhjustada sulamisdefektide puudumist-. Selle lahendamiseks saab kasutusele võtta süvaõppe algoritmid, mis kasutavad nende võimsat mittelineaarset kaardistamist ja pildifunktsioonide eraldamise võimalusi. Võtmeaugu kokkuvarisemise katsete kohapealse sünkroonitud röntgenpildi (sh vastava mõõdetud neelduvuse) kasutamine põhiandmetena, sobivad konvolutsioonilised närvivõrgud (ResNet-50, ConvNeXt-T), semantilised segmenteerimismudelid (UNet) ja geomeetrilised põhijooned, mis on kujundatud tugevate väljavõtete strateegiatega kokkuvarisemine (sügavus, kuvasuhe jne) ja neelduvus. See võib koostada täpse ennustava mudeli „röntgenikujutisest laseri neelduvuseni” (nii otsast-otsani kui ka modulaarsed lähenemisviisid), võimaldades laseri neeldumise kvantifitseerimist reaalajas ja pakkudes andmetuge sulamikogumi dünaamika juhtimiseks ja tööstuslike defektide vähendamiseks, mis tähendab metallide kõrget ennetamist.
02 Täisteksti ülevaade
Selles artiklis koostatakse absorptsiooni- ja segmenteerimisandmestikud, kasutades andmeid, mis on saadud in-sünkroonsest kiire-röntgeni-kujutisesüsteemist ANL-i Advanced Photon Source'i (APS) 32-ID-B valgusvihu juures ANL-is, kaasa arvatud pulbrikihi ja aurukihiga segmenteeritud andmestikud. lõpuni-otsa-ja moodulmeetodid. Lõpp-otsa-meetod kasutab kahte konvolutsioonilist närvivõrku, ResNet-50 ja ConvNeXt-T, et õppida automaatselt kaudseid funktsioone otse eel-töödeldud röntgenipiltidelt Eelkoolitatud ImageNet'is, näidates parimat jõudlust, saavutades pulbri-vaba Ti-6Al-4V testimiskao 2,35±0,35 ja keskmise absoluutvea alla 3,3%. Modulaarne meetod eraldab esmalt aurude süvenduse geomeetrilised tunnused (nagu sügavus, pindala ja kuvasuhe), kasutades UNeti semantilist segmenteerimismudelit, seejärel ennustab neeldumiskiirust klassikaliste regressioonimudelite, nagu Random Forest, abil; UNet saavutas mitme materjali (nt Ti64, SS316, IN718) segmenteerimisülesannetes kõrgeima testi keskmise ristumiskoha (mIoU) 93,5% ja Random Foresti mudeli testikadu oli 3,30 ± 0,02. Nende hulgas on otsast lõpuni meetod kõrgelt automatiseeritud ja kiire järelduste tegemisega, mis sobib tööstuslikuks reaalajas jälgimiseks, kuid nõrga tõlgendatavuse ja suuremate ennustusvigadega juhtivusmustrite puhul (väikesed aurude lohud); moodulmeetodil on tugev tõlgendatavus (tunnuse tähtsuse kvantifitseerimine SHAP väärtuste kaudu, põhiomadustena selgelt identifitseerides kuvasuhe, sügavus ja pindala), kuid see tugineb täpsele segmenteerimisele, mille rakendatavus on pulbrit sisaldavates stsenaariumides piiratud, kuna depressiooni piire on raske tuvastada.
Joonis 03 näitab graafilist analüüsi.
Joonisel 1 on kujutatud laseri neeldumise prognoositud tulemused ilma pulbrikihita. Alamfiguurid a ja b kasutavad end-to-end ResNet-50, mis suudab täpselt jälgida laseri neeldumiskiiruse muutusi skaneerimise ajal ja suundumusi statsionaarse laseri sügava võtmeaugu etapis, kuid statsionaarse laseri kahes esimeses etapis on suuri vigu. Alamfiguurid c ja d kasutavad end-to-ConvNeXt-T mudelit, mille skaneerimise laserstsenaariumi vead on alla 3%, ja see suudab ka täpselt ennustada statsionaarse laseri madala võtmeaugu staadiumit, kusjuures kõrvalekalded on ainult depressioonita{13}}tapis. Alamfiguurid e ja f kasutavad modulaarset lähenemist (UNet + juhuslik mets), mille tulemuslikkus laseri skaneerimisel on lähedalt--ot{15}}meetodile; statsionaarse laseri depressioonita staadiumis segmenteeritakse ennustus aga 0-ks (väga suur kõrvalekalle) ja täpsus paraneb pärast madala võtmeaugu tekkimist.
Joonisel 2 on kujutatud erinevate mudelite treeningtulemusi, kus lõpp--otsa-ResNet-50 mudeli eelkoolitatud (ImageNet kaalud) vähendab lähenemisperioodide arvu 19% võrra võrreldes juhusliku lähtestamisega, mille kaotus on veidi vähenenud, lõppu{{{}T}}} eelkoolitus vähendab lähenemisperioode 69% ja kadu oluliselt (testi kadu vähenes 76%), samas kui UNeti segmenteerimismudeli eelkoolitus vähendab lähenemisperioode ainult 16%, mõjutades kadu minimaalselt. See joonis näitab selgelt, et eelkoolitatud kaalud parandavad märkimisväärselt lõpp--ot{18}}mudeleid (eriti ConvNeXt-T), kuid neil on piiratud mõju segmenteerimismudelitele, pakkudes peamisi juhiseid mudelitreeningu strateegia valimisel.
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% (lukuaugu režiim) ennustusviga on ainult 2,54, samas kui proovide Less või 40% (juhtivusrežiim) puhul on viga 12,6, mis toob esile mudeli olulise vea juhtivusrežiimis; Alamjoonis c staatiliste laserkatsete abil 94 W (väike võimsus, juhtivusrežiim) ja 106 W (suurem võimsus, võtmeaugu režiim) kontrollib lisaks, et mudeli ennustused vastavad täpselt võtmeaugu režiimi tegelikele väärtustele, kuid ei suuda jäädvustada juhtivusrežiimi tegelikke kõikumisi, mis kinnitab alamjooni b tulemusi.
04 Järeldus
Uuring keskendub laseri neelduvuse hetkelisele ennustamisele metallilisandite valmistamisel. Sünkrotronröntgeni pildistamise ja integreerivate sfäärikiirguse mõõtmiste põhjal koostati Ti-6Al-4V neelduvuse andmestikud ilma pulbrita ja koos pulbriga, samuti mitme-materjali võtmeaukude segmenteerimise andmekogumid. Pakuti välja kaks süvaõppemeetodit: otsast-otsani-(ResNet-50, ConvNeXt-T) ja modulaarset (UNet + juhuslik mets), mis mõlemad saavutavad MAE-ga ülitäpsed prognoosid.<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.
