01 Въведение в хартия
Адитивното производство (AM), като основно направление на модерната производствена технология, показва значителни предимства при персонализирано производство на метални компоненти и производство на сложни конструкции. Въпреки това, по време на металния AM процес, сложното взаимодействие между лазер и материал лесно създава дефекти като пръски и порьозност поради дисбаланс на енергийното поглъщане, което ограничава високо{1}}прецизното му промишлено приложение. Лазерната абсорбция, като ключов параметър, свързващ входящата лазерна енергия и реакцията на материала, е от решаващо значение за преодоляване на това тясно място чрез прецизно количествено определяне и-прогнозиране в реално време. Лазерната абсорбция директно определя разпределението на температурата на басейна от стопилка; твърде високата абсорбция може да доведе до разпръскване, докато твърде ниската може да причини липса-на-дефекти при сливане. За да се отговори на това, могат да бъдат въведени алгоритми за дълбоко обучение, като се използват техните мощни възможности за нелинейно картографиране и извличане на характеристики на изображения. Използвайки in situ синхронизирани рентгенови изображения на експерименти с срутване на ключалката (включително съответната измерена абсорбция) като основни данни, подходящи конволюционни невронни мрежи (ResNet-50, ConvNeXt-T), семантични сегментационни модели (UNet) и стратегии за трансфер на обучение могат да бъдат проектирани за извличане на характеристики, силно свързани с геометричните характеристики на колапс на ключалката (дълбочина, аспектно съотношение и т.н.) и абсорбция. Това може да изгради точен предсказващ модел на „рентген-изображение към лазерна абсорбция“ (както от край-до-край, така и модулен подход), позволявайки количествено-време на лазерната абсорбция и предоставяйки поддръжка на данни за контролиране на динамиката на стопилката и намаляване на дефектите, като по този начин напредва високопрецизното промишлено приложение на метален AM.
02 Преглед на пълния текст
Този документ конструира набори от данни за абсорбция и сегментиране, използвайки данни, получени от-на място синхронна високо{1}}скоростна рентгенова-система за изображения при 32-ID-B лъчева линия на Advanced Photon Source (APS) в ANL, включително набори от данни без прахообразен слой, с прахообразен слой и със сегментация на депресия на пара, които бяха приложени съответно към край-до-край и модулни методи. Методът от-до-край използва две конволюционни невронни мрежи, ResNet-50 и ConvNeXt-T, за автоматично научаване на имплицитни характеристики директно от предварително-обработени рентгенови-изображения, извеждайки скорост на поглъщане чрез напълно свързан регресионен слой, с ConvNeXt-T предварително-обучени в ImageNet, показващи най-добрата производителност, постигайки загуба при тестване от 2,35±0,35 и средна абсолютна грешка от по-малко от 3,3% на набор от тестове-без прах-6Al-4V. Модулният метод първо извлича геометрични характеристики на парната депресия (като дълбочина, площ и аспектно съотношение), използвайки модел на семантично сегментиране на UNet, след което прогнозира степента на абсорбция, използвайки класически регресионни модели като Random Forest; UNet постигна най-високо тестово средно пресичане върху обединение (mIoU) от 93,5% в задачи за сегментиране на много-материали (напр. Ti64, SS316, IN718), а моделът Random Forest имаше загуба на тест от 3,30±0,02. Сред тях методът от край до край е силно автоматизиран и бърз в изводите, подходящ за промишлен мониторинг в реално време, но със слаба интерпретируемост и по-големи грешки при прогнозиране за модели на проводимост (малки вдлъбнатини на пара); модулният метод има силна интерпретируемост (количествено определяне на важността на характеристиките чрез стойности на SHAP, ясно идентифициране на пропорциите, дълбочината и площта като ключови характеристики), но разчита на прецизно сегментиране, с ограничена приложимост в сценарии, съдържащи прах, поради трудност при идентифициране на границите на депресия.
Фигура 03 показва графичния анализ.
Фигура 1 представя прогнозираните резултати от лазерна абсорбция без прахов слой. Подфигури a и b използват модела ResNet-50 от край-до-край, който може точно да проследи промените в скоростта на лазерно поглъщане по време на сканиране и тенденциите в етапа на стационарния лазер с дълбока ключалка, но има големи грешки в първите два етапа на стационарния лазер. Подфигури c и d използват модела ConvNeXt-T от край-до-край, с грешки на сканиращия лазерен сценарий по-малко от 3%, и може също така точно да предскаже плиткия етап на ключалката на стационарния лазер, с отклонения само в етапа без-депресия. Подфигурите e и f използват модулен подход (UNet + произволна гора), с производителност при лазерно сканиране близо до метода от край-до-край; въпреки това, в етапа без депресия на стационарния лазер прогнозата е сегментирана като 0 (много голямо отклонение) и точността се подобрява след образуването на плитка ключалка.
Фигура 2 изобразява производителността на обучението на различни модели, където моделът от край-до-ResNet-50 предварително-обучен (ImageNet тегла) намалява броя на епохите на конвергенция с 19% в сравнение с произволната инициализация с леко намаление на загубата, модел от край-до-край ConvNeXt-T пред{12}}обучението води до 69% намаление на епохите на конвергенция и значително намаляване на загубите (загубата при теста е намалена със 76%), докато предварителното-обучение на модела за сегментиране на UNet намалява само епохите на конвергенция с 16% с минимално въздействие върху загубата. Тази фигура ясно показва, че предварително{16}}обучените тегла значително подобряват оптимизацията на моделите от край-до-край (особено ConvNeXt-T), но имат ограничен ефект върху моделите за сегментиране, предоставяйки ключови насоки за избор на стратегия за обучение на модели.
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 на ключалка) имат грешка при прогнозиране от само 2,54, докато проби По-малко или равни на 40% (режим на проводимост) имат грешка от 12,6, подчертавайки значителната грешка на модела в режим на проводимост; Подфигура c, чрез статични лазерни експерименти при 94 W (ниска мощност, режим на проводимост) и 106 W (по-висока мощност, режим на ключалка), допълнително потвърждава, че прогнозите на модела съвпадат много с реалните стойности в режим на ключалка, но не успяват да уловят действителните колебания в режим на проводимост, потвърждавайки констатациите на подфигура b.
04 Заключение
Проучването се фокусира върху моментното прогнозиране на лазерната абсорбция при производството на метални добавки. Въз основа на изображения със синхротронни рентгенови-лъчи и интегрирани измервания на сферична радиация бяха конструирани набори от данни за абсорбцията на Ti-6Al-4V без и с прах, както и набори от данни за сегментиране на ключалка от много-материали. Бяха предложени два метода за дълбоко обучение: край-до-край (ResNet-50, ConvNeXt-T) и модулен (UNet + случайна гора), като и двата постигат високопрецизни прогнози с 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.
