01 Papír Bevezetés
Az additív gyártás (AM), mint a fejlett gyártási technológia fő iránya, jelentős előnyöket mutat a fém alkatrészek testreszabott gyártásában és a komplex szerkezetek gyártásában. A fém AM-eljárás során azonban a lézer és az anyag közötti összetett kölcsönhatás az energiaelnyelési egyensúlyhiány miatt könnyen okoz hibákat, például fröcskölést és porozitást, ami korlátozza a nagy-precíziós ipari alkalmazást. A lézer abszorpciója, mint a lézerenergia-bevitel és az anyagválasz közötti kulcsfontosságú paraméter, kulcsfontosságú ennek a szűk keresztmetszetnek a leküzdéséhez a pontos számszerűsítés és a valós idejű-előrejelzés révén. A lézer abszorpciója közvetlenül meghatározza az olvadékmedence hőmérséklet-eloszlását; A túl magas abszorpciós képesség fröccsenéshez vezethet, míg a túl alacsony fúziós hibák hiányát Ennek megoldására mélytanuló algoritmusokat lehet bevezetni, kihasználva azok erőteljes nemlineáris leképezési és képi jellemzők kinyerési képességeit. A kulcslyuk-összeomlási kísérletek in situ szinkronizált röntgenfelvétele (beleértve a megfelelő mért abszorpciót is) alapadatként, megfelelő konvolúciós neurális hálózatok (ResNet-50, ConvNeXt-T), szemantikus szegmentációs modellek (UNet), valamint a tanulási kulcs jellemzőinek geometriai jellemzői a kivonatolási stratégiákba való átvihetőek. összeomlás (mélység, képarány stb.) és elnyelőképesség. Ezzel pontos prediktív modellt lehet létrehozni a „röntgenképtől a lézerelnyelésig” (mind a végponttól a végig, mind a moduláris megközelítés), lehetővé téve a lézerabszorpció valós idejű számszerűsítését, és adattámogatást biztosít az olvadékhalmaz dinamikájának szabályozásához és az ipari hibák csökkentésére, ezáltal a fémek nagymértékű precizitása.
02 Teljes szöveg áttekintése
Ez a cikk abszorpciós és szegmentációs adatkészleteket hoz létre egy in-situ szinkron nagy-röntgen-sugaras képalkotó rendszerből nyert adatok felhasználásával az Advanced Photon Source (APS) 32-ID-B sugárvonalán ANL-nél, beleértve a porral és réteggel felvitt adatkészleteket, amelyek porral és réteggel voltak felhordva. végétől-végig-végig és moduláris metódusok. A end{9}}to{11}}metódus két konvolúciós neurális hálózatot használ, a ResNet-50-et és a ConvNeXt-T-t, hogy automatikusan megtanulják az implicit jellemzőket közvetlenül az elő-feldolgozott röntgenképekből, és az abszorpciós rátát egy teljesen csatlakoztatott regressziós 9}T{{1}T{1}regressziós rétegen keresztül Az ImageNeten előképzett, a legjobb teljesítményt mutatva, 2,35±0,35 tesztveszteséget és 3,3%-nál kisebb átlagos abszolút hibát ért el a por-mentes Ti-6Al-4V tesztkészleten. A moduláris módszer először UNet szemantikai szegmentációs modell segítségével bontja ki a gőzsüllyedés geometriai jellemzőit (például mélységet, területet és oldalarányt), majd klasszikus regressziós modellek, például Random Forest segítségével megjósolja az abszorpciós sebességet; Az UNet a legmagasabb, 93,5%-os, 93,5%-os tesztátlag metszéspontot ért el az egyesülésen (mIoU) több anyagból (pl. Ti64, SS316, IN718) végzett szegmentálási feladatokban, a Random Forest modell tesztvesztesége pedig 3,30±0,02 volt. Közülük a end-to-end módszer nagymértékben automatizált és gyors következtetéseket von le, alkalmas ipari valós idejű monitorozásra, de gyenge értelmezhetőségű és nagyobb előrejelzési hibái vannak a vezetési mintáknak (kis gőzsüllyedések); a moduláris módszer erősen értelmezhető (a jellemzők fontosságának számszerűsítése SHAP értékeken keresztül, egyértelműen azonosítva a képarányt, a mélységet és a területet, mint kulcsfontosságú jellemzőket), de precíz szegmentációra támaszkodik, por tartalmú forgatókönyvekben korlátozottan alkalmazható a mélyedéshatárok azonosításának nehézsége miatt.
A 03. ábra a grafikus elemzést mutatja.
Az 1. ábra a porréteg nélküli lézerabszorpció várható eredményeit mutatja be. Az a és b alábrák a end-to-end ResNet-50 modellt használják, amely pontosan nyomon tudja követni a lézerelnyelési sebesség változásait a szkennelés során, valamint a trendeket az álló lézer mély kulcslyuk szakaszában, de az állólézer első két szakaszában nagy hibák vannak. A c és d alábrák az end-to-ConvNeXt-T modellt használják, 3%-nál kisebb szkennelési lézeres forgatókönyv-hibákkal, és pontosan megjósolja az álló lézer sekély kulcslyuk szakaszát is, eltérésekkel csak a no-depressziós szakaszban. Az e és f részábrák moduláris megközelítést alkalmaznak (UNet + véletlenszerű erdő), és a lézeres pásztázási teljesítmény közel a végpontig{14}}végig; azonban az állólézer depressziómentes szakaszában az előrejelzés 0-ra szegmentálódik (nagyon nagy eltérés), és a pontosság javul a sekély kulcslyuk kialakulása után.
A 2. ábra a különböző modellek betanítási teljesítményét mutatja be, ahol a végétől{-végig ResNet-50 modell előre betanított (ImageNet súlyok) 19%-kal csökkenti a konvergencia korszakok számát a véletlenszerű inicializáláshoz képest, a veszteség enyhe csökkenésével, a végére{{{}X}} az előképzés 69%-kal csökkenti a konvergencia korszakokat és jelentősen csökkenti a veszteséget (a teszt vesztesége 76%-kal csökkent), míg az UNet szegmentációs modell előképzése csak 16%-kal csökkenti a konvergencia korszakokat, minimális hatással a veszteségre. Ez az ábra egyértelműen mutatja, hogy az előre betanított súlyok jelentősen javítják a végpontok közötti modellek (különösen a ConvNeXt-T) optimalizálását, de korlátozott hatással vannak a szegmentációs modellekre, és kulcsfontosságú útmutatást adnak a modellképzési stratégia kiválasztásához.
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% (kulcslyuk mód) előrejelzési hibája csak 2,54, míg a 40% vagy annál kisebb minták (vezetési mód) hibája 12,6, ami rávilágít a modell jelentős hibájára vezetési módban; A c alábra statikus lézerkísérletekkel 94 W-on (alacsony teljesítmény, vezetési mód) és 106 W-on (nagyobb teljesítmény, kulcslyuk üzemmód) tovább igazolja, hogy a modell előrejelzései szorosan megegyeznek-e a kulcslyuk mód valós értékeivel, de nem rögzítik a tényleges ingadozásokat vezetési módban, ami megerősíti a b alábra megállapításait.
04 Következtetés
A tanulmány a lézer abszorpciós képességének azonnali előrejelzésére összpontosít a fémadalékok gyártásában. Szinkrotronröntgen képalkotás és integráló gömbsugárzás mérések alapján a Ti-6Al-4V-os abszorpciós adatsorok por nélkül és por nélkül, valamint több-anyagú kulcslyuk-szegmentációs adatkészletek készültek. Két mély tanulási módszert javasoltak: a végpontok közötti-végig-végig (ResNet-50, ConvNeXt-T) és a moduláris (UNet + véletlenszerű erdő), mindkettő nagy pontosságú előrejelzéseket tesz lehetővé a MAE segítségével<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.
