01 Paperin esittely
Additive Manufacturing (AM), joka on kehittyneen valmistusteknologian ydinsuunta, tarjoaa merkittäviä etuja räätälöidyssä metallikomponenttien tuotannossa ja monimutkaisten rakenteiden valmistuksessa. Kuitenkin metallin AM-prosessin aikana laserin ja materiaalin välinen monimutkainen vuorovaikutus aiheuttaa helposti vikoja, kuten roiskeita ja huokoisuutta energian absorption epätasapainon vuoksi, mikä rajoittaa sen korkean -tarkkuuden teollista käyttöä. Laserin absorptiokyky, joka on avainparametri, joka yhdistää laserenergian syötön ja materiaalivasteen, on ratkaisevan tärkeä tämän pullonkaulan voittamiseksi tarkan kvantifioinnin ja reaaliaikaisen-ennusteen avulla. Laserin absorptiokyky määrittää suoraan sulaaltaan lämpötilajakauman; Liian korkea absorptiokyky voi johtaa roiskeisiin, kun taas liian alhainen voi aiheuttaa-fuusiovirheiden puuttumisen. Tämän ratkaisemiseksi voidaan ottaa käyttöön syväoppimisalgoritmeja, jotka hyödyntävät niiden tehokkaita epälineaarisia kartoituksia ja kuvaominaisuuksien poimintaominaisuuksia. Käyttämällä in situ synkronoitua avaimenreiän romahduskokeiden röntgenkuvausta (mukaan lukien vastaava mitattu absorptiokyky) ydintietona, sopivia konvoluutiohermoverkkoja (ResNet-50, ConvNeXt-T), semanttisia segmentointimalleja (UNet) ja oppimisen avainpiirteitä voidaan suunnitella korreloitujen geometristen ominaisuuksien kanssa poimintastrategioiden kanssa. romahdus (syvyys, kuvasuhde jne.) ja absorptiokyky. Tämä voi rakentaa tarkan ennustavan mallin "röntgenkuvasta laserabsorptiokykyyn" (sekä päästä-päähän-että modulaarinen lähestymistapa), mikä mahdollistaa laserabsorptiokyvyn reaaliaikaisen-mittauksen ja tarjoaa datatukea sulavaraston dynamiikan hallintaan ja teollisten vikojen vähentämiseen, mikä merkitsee korkeaa metallin sovelluskohdetta.
02 Koko tekstin yleiskatsaus
Tässä artikkelissa konstruoidaan absorptio- ja segmentointitietojoukkoja käyttämällä tietoja, jotka on saatu in-synkronisesta nopeasta-röntgenkuvausjärjestelmästä-Advanced Photon Source (APS) ANL:n 32-ID-B-keilassa, mukaan lukien vastaavat jauhekerroksilla levitetyt jauhe- ja kerrokset. päästä-päähän-ja modulaarisia menetelmiä. Päästä-päähän Esikoulutettu ImageNetissä, mikä osoitti parhaan suorituskyvyn, saavutti 2,35±0,35 testihäviön ja alle 3,3 %:n keskimääräisen absoluuttisen virheen jauhe-vapaalla Ti-6Al-4V-testisarjalla. Modulaarinen menetelmä erottaa ensin höyrynpaineen geometriset piirteet (kuten syvyys, pinta-ala ja kuvasuhde) käyttämällä UNetin semanttista segmentointimallia ja ennustaa sitten absorptionopeuden käyttämällä klassisia regressiomalleja, kuten Random Forest; UNet saavutti suurimman testikeskiarvon liitoksen (mIoU) 93,5 %:n usean materiaalin (esim. Ti64, SS316, IN718) segmentointitehtävissä, ja Random Forest -mallin testihäviö oli 3,30±0,02. Niiden joukossa päästä päähän -menetelmä on pitkälle automatisoitu ja nopea päättely, soveltuu teolliseen reaaliaikaiseen seurantaan, mutta heikosti tulkittavissa ja suuremmilla ennustusvirheillä johtumiskuvioissa (pienet höyryn painaumat); Modulaarisella menetelmällä on vahva tulkintakyky (piirteiden tärkeyden kvantifiointi SHAP-arvojen avulla, kuvasuhteen, syvyyden ja pinta-alan selkeä tunnistaminen avainominaisuuksiksi), mutta se perustuu tarkaan segmentointiin, ja sen sovellettavuus on rajoitettua jauhetta sisältävissä skenaarioissa, koska painaumarajojen tunnistaminen on vaikeaa.
Kuva 03 esittää graafisen analyysin.
Kuva 1 esittää ennustetut tulokset laserabsorptiosta ilman jauhekerrosta. Alakuvat a ja b käyttävät end-to-end ResNet-50-mallia, joka voi seurata tarkasti laserin absorptionopeuden muutoksia skannauksen aikana ja trendejä kiinteässä laserin syvän avaimenreikävaiheessa, mutta paikallaan olevan laserin kahdessa ensimmäisessä vaiheessa on suuria virheitä. Alakuviot c ja d käyttävät päästä-päähän-ConvNeXt-T-mallia, jossa skannauslaser-skenaarion virheet ovat alle 3 %, ja se voi myös ennustaa tarkasti paikallaan olevan laserin matalan avaimenreiän vaiheen, jolloin poikkeamat ovat vain ei--masennusvaiheessa. Alakuviot e ja f käyttävät modulaarista lähestymistapaa (UNet + satunnainen metsä), ja laserskannauksen suorituskyky on lähellä päästä{14}}päähän{15}}menetelmää; kuitenkin paikallaan olevan laserin ei-masennusvaiheessa ennuste segmentoidaan 0:ksi (erittäin suuri poikkeama), ja tarkkuus paranee matalan avaimenreiän muodostumisen jälkeen.
Kuva 2 esittää eri mallien harjoitussuorituskykyä, jossa end-to-ResNet-50 mallin esikoulutettu (ImageNet-painot) vähentää konvergenssijaksojen määrää 19 % verrattuna satunnaiseen alustukseen, jossa häviö on hieman pienentynyt, loppuun asti{{}T8}} esikoulutus vähentää konvergenssijaksoja 69 % ja häviötä merkittävästi (testihäviö vähentynyt 76 %), kun taas UNet-segmentointimallin esikoulutus vähentää konvergenssikausia vain 16 %, mutta vaikutus häviöön on minimaalinen. Tämä kuva osoittaa selvästi, että esiopetetut painot parantavat merkittävästi päästä{17}}päähän{18}}päättyvien mallien (erityisesti ConvNeXt-T) optimointia, mutta niillä on rajallinen vaikutus segmentointimalleihin, mikä antaa tärkeitä ohjeita mallin koulutusstrategian valinnassa.
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 %:lla (avaimenreikätila) ennustevirhe on vain 2,54, kun taas näytteillä alle tai yhtä suuri kuin 40 % (johtavuustila) on virhe 12,6, mikä korostaa mallin merkittävää virhettä johtumistilassa; Alakuva c staattisten laserkokeiden avulla 94 W:lla (pieni teho, johtavuustila) ja 106 W:lla (suurempi teho, avaimenreikätila) varmistaa lisäksi, että mallin ennusteet vastaavat tarkasti todellisia arvoja avaimenreikätilassa, mutta eivät pysty kuvaamaan todellisia vaihteluita johtumistilassa, mikä vahvistaa alakuvan b havaintoja.
04 Johtopäätös
Tutkimus keskittyy laserin absorptiokyvyn hetkelliseen ennustamiseen metallin lisäaineiden valmistuksessa. Synkrotroni-sädekuvauksen ja integroivien pallosäteilymittausten perusteella muodostettiin tietojoukot Ti-6Al-4V absorptiokyvystä ilman jauhetta ja jauheen kanssa sekä moni-materiaalista avaimenreikien segmentointitietojoukot. Ehdotettiin kahta syvällistä oppimismenetelmää: päästä-päähän-päähän (ResNet-50, ConvNeXt-T) ja modulaarista (UNet + satunnainen metsä), jotka molemmat saavuttivat erittäin tarkkoja ennusteita MAE:n avulla.<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.
