01 Uvod v papir
Dodatna proizvodnja (AM), kot osrednja usmeritev napredne proizvodne tehnologije, kaže pomembne prednosti pri prilagojeni proizvodnji kovinskih komponent in izdelavi kompleksnih struktur. Vendar pa med postopkom kovinskega AM zapletena interakcija med laserjem in materialom zlahka povzroči napake, kot so brizganje in poroznost zaradi neravnovesja absorpcije energije, kar omejuje njegovo visoko-natančno industrijsko uporabo. Laserska absorpcija kot ključni parameter, ki povezuje vnos laserske energije in odziv materiala, je ključnega pomena za premagovanje tega ozkega grla z natančno kvantifikacijo in-napovedovanjem v realnem času. Laserska absorpcija neposredno določa porazdelitev temperature bazena taline; previsoka absorpcija lahko povzroči brizganje, prenizka pa lahko povzroči pomanjkanje--fuzijske napake. Da bi to rešili, je mogoče uvesti algoritme globokega učenja, ki izkoriščajo njihove zmogljive zmožnosti nelinearnega preslikave in ekstrakcije funkcij slike. Z uporabo in situ sinhroniziranega rentgenskega slikanja poskusov zrušitve ključavnice (vključno z ustrezno izmerjeno absorpcijo) kot temeljnih podatkov, ustreznih konvolucijskih nevronskih mrež (ResNet-50, ConvNeXt-T), semantičnih segmentacijskih modelov (UNet) in strategij učenja prenosa je mogoče oblikovati za ekstrahiranje funkcij, ki so močno povezane z geometrijskimi značilnostmi zrušitev ključavnice (globina, razmerje stranic itd.) in vpojnost. To lahko izdela natančen napovedni model 'rentgenske slike in laserske absorpcije' (tako od-do-konca kot modularni pristop), kar omogoča realno{18}}časovno kvantifikacijo laserske absorpcije in zagotavlja podatkovno podporo za nadzor dinamike talilnega bazena in zmanjševanje napak, s čimer napreduje pri visokonatančni industrijski uporabi kovinskega AM.
02 Pregled celotnega besedila
Ta članek sestavlja nabore podatkov o absorpciji in segmentaciji z uporabo podatkov, pridobljenih iz-in situ sinhronega-hitrostnega rentgenskega-sistema za slikanje na žarkovni liniji 32-ID-B Advanced Photon Source (APS) pri ANL, vključno z nabori podatkov brez plasti prahu, s plastjo prahu in s segmentacijo parne depresije, ki so bili uporabljeni za end-to-end and modularne metode. Metoda od-to-end uporablja dve konvolucijski nevronski omrežji, ResNet-50 in ConvNeXt-T, za samodejno učenje implicitnih značilnosti neposredno iz predhodno-obdelanih rentgenskih-slik, pri čemer oddaja stopnjo absorpcije prek popolnoma povezane regresijske plasti s ConvNeXt-T predhodno-usposobljen na ImageNet, ki je pokazal najboljše rezultate, dosegel je testno izgubo 2,35±0,35 in povprečno absolutno napako manj kot 3,3 % na testnem nizu-brez prahu Ti-6Al-4V. Modularna metoda najprej izlušči geometrijske značilnosti parne depresije (kot so globina, površina in razmerje stranic) z uporabo semantičnega modela segmentacije UNet, nato pa napove stopnjo absorpcije z uporabo klasičnih regresijskih modelov, kot je Random Forest; UNet je dosegel najvišje testno povprečje preseka nad združitvijo (mIoU) 93,5 % pri nalogah segmentacije več-materialov (npr. Ti64, SS316, IN718), model Random Forest pa je imel testno izgubo 3,30±0,02. Med njimi je metoda od konca do konca zelo avtomatizirana in hitra pri sklepanju, primerna za industrijsko spremljanje v realnem času, vendar s šibko interpretabilnostjo in večjimi napakami napovedovanja prevodnih vzorcev (majhne parne depresije); modularna metoda ima močno interpretabilnost (kvantificiranje pomembnosti značilnosti prek vrednosti SHAP, jasno določanje razmerja stranic, globine in površine kot ključnih značilnosti), vendar se zanaša na natančno segmentacijo z omejeno uporabnostjo v scenarijih, ki vsebujejo prah, zaradi težav pri prepoznavanju meja depresije.
Slika 03 prikazuje grafično analizo.
Slika 1 prikazuje predvidene rezultate laserske absorpcije brez plasti prahu. Podsliki a in b uporabljata model ResNet-50 od end{2}}to{3}}end-50, ki lahko natančno sledi spremembam v stopnji absorpcije laserja med skeniranjem in trendom v fazi globoke ključavnice s stacionarnim laserjem, vendar so v prvih dveh stopnjah stacionarnega laserja velike napake. Podsliki c in d uporabljata model ConvNeXt-T od konca-do-konca z napakami scenarija laserskega skeniranja manj kot 3 %, poleg tega pa lahko natančno napove stopnjo plitke ključavnice stacionarnega laserja z odstopanji samo v fazi brez{13}}depresije. Podfiguri e in f uporabljata modularni pristop (UNet + naključni gozd), z zmogljivostjo laserskega skeniranja blizu metode od-to-end; vendar je v fazi brez depresije stacionarnega laserja napoved segmentirana kot 0 (zelo veliko odstopanje), natančnost pa se izboljša, ko se oblikujejo plitke ključavnice.
Slika 2 prikazuje uspešnost usposabljanja različnih modelov, kjer model-to{2}}ResNet-50 vnaprej-naučen (uteži ImageNet) zmanjša število konvergenčnih epoh za 19 % v primerjavi z naključno inicializacijo z rahlim zmanjšanjem izgube, model-to-ConvNeXt-T pred{12}}usposabljanje ima za posledico 69-odstotno zmanjšanje konvergenčnih epoh in znatno zmanjšanje izgube (testna izguba se je zmanjšala za 76 %), medtem ko pred-usposabljanje segmentacijskega modela UNet zmanjša samo konvergenčne epohe za 16 % z minimalnim vplivom na izgubo. Ta slika jasno kaže, da vnaprej{16}}naučene uteži znatno izboljšajo optimizacijo končnih-to-modelov (zlasti ConvNeXt-T), vendar imajo omejen učinek na segmentacijske modele, kar zagotavlja ključne smernice za izbiro strategije usposabljanja 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 % (način ključavnice) ima napako napovedovanja samo 2,54, medtem ko imajo vzorci Manj kot ali enaki 40 % (način prevodnosti) napako 12,6, kar poudarja pomembno napako modela v načinu prevodnosti; Podslika c s statičnimi laserskimi eksperimenti pri 94 W (nizka moč, prevodni način) in 106 W (večja moč, način ključavnice) dodatno potrjuje, da se napovedi modela zelo ujemajo z dejanskimi vrednostmi v načinu ključavnice, vendar ne zajamejo dejanskih nihanj v načinu prevodnosti, kar potrjuje ugotovitve podslike b.
04 Zaključek
Študija se osredotoča na trenutno napoved absorpcije laserja pri proizvodnji kovinskih dodatkov. Na podlagi sinhrotronskih rentgenskih-slikanj in integracijskih meritev sevanja sfere so bili izdelani nabori podatkov o absorpciji Ti-6Al-4V brez prahu in s prahom ter nabori podatkov o več-materialni segmentaciji ključavnic. Predlagani sta bili dve metodi globokega učenja: end-to-end (ResNet-50, ConvNeXt-T) in modularna (UNet + naključni gozd), pri čemer obe dosegata visoko natančne napovedi z 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.
