01 Úvod do papíru
Aditivní výroba (AM), jako hlavní směr pokročilé výrobní technologie, vykazuje významné výhody v zakázkové výrobě kovových součástí a výrobě složitých konstrukcí. Během procesu kovového AM však složitá interakce mezi laserem a materiálem snadno způsobí defekty, jako je rozstřikování a poréznost v důsledku nerovnováhy absorpce energie, což omezuje jeho vysoce-průmyslové použití. Laserová absorpce, jako klíčový parametr spojující vstup laserové energie a materiálovou odezvu, je zásadní pro překonání tohoto úzkého místa prostřednictvím přesné kvantifikace a-predikce v reálném čase. Laserová absorpce přímo určuje rozložení teploty v lázni taveniny; příliš vysoká nasákavost může vést k rozstřiku, zatímco příliš nízká může způsobit nedostatek--chyby fúze. K vyřešení tohoto problému mohou být zavedeny algoritmy hlubokého učení, které využívají jejich výkonné nelineární mapování a možnosti extrakce obrazových prvků. Použitím in situ synchronizovaného rentgenového zobrazování experimentů zhroucení klíčových dírek (včetně odpovídající naměřené absorptivity) jako základních dat lze navrhnout vhodné konvoluční neuronové sítě (ResNet-50, ConvNeXt-T), modely sémantické segmentace (UNet) a strategie učení přenosu s cílem extrahovat geometrické charakteristiky, silně korelované klíčové poměry stran, poměr kolapsu atd.) a nasákavostí. To může sestavit přesný prediktivní model „absorpce rentgenového záření k laseru“ (jak od konce k -konci, tak i modulární přístup), což umožňuje kvantifikaci laserové absorpce v reálném čase{18}} a poskytuje datovou podporu pro řízení dynamiky taveniny a snížení defektů, čímž se posouvá pokrok v vysoce přesné průmyslové aplikaci kovů AM.
02 Přehled v plném znění
Tento článek konstruuje absorpční a segmentační datové soubory pomocí dat získaných z -in situ synchronního vysokorychlostního -X{2}}paprskového zobrazovacího systému na paprsku 32-ID-B Advanced Photon Source (APS) v ANL, včetně datových souborů bez práškové vrstvy, s práškovou vrstvou a s {8}segmentací{6} na konci{6} segmentace} modulární metody. Metoda end-to{11}}end to end využívá dvě konvoluční neuronové sítě, ResNet{12}}50 a ConvNeXt-T, aby se automaticky naučily implicitní funkce přímo z před-zpracovaných rentgenových snímků, přičemž výstup rychlosti absorpce prostřednictvím plně propojené regresní vrstvy s Contrained{4}T{19}on{4} ImageNet vykazuje nejlepší výkon, dosahuje ztráty při testu 2,35±0,35 a průměrné absolutní chyby menší než 3,3 % na testovací sadě 4V bez prášku Ti-6Al-4V. Modulární metoda nejprve extrahuje geometrické rysy deprese páry (jako je hloubka, plocha a poměr stran) pomocí modelu sémantické segmentace UNet, poté předpovídá míru absorpce pomocí klasických regresních modelů, jako je Random Forest; UNet dosáhl nejvyššího testu středního průniku přes sjednocení (mIoU) 93,5 % v multi-materiálových úlohách segmentace (např. Ti64, SS316, IN718) a model Random Forest měl testovou ztrátu 3,30±0,02. Mezi nimi je metoda end-to-end vysoce automatizovaná a rychlá ve vyvozování, vhodná pro průmyslové monitorování v reálném čase, ale se slabou interpretovatelností a většími chybami predikce pro vzory vedení (malé deprese výparů); modulární metoda má silnou interpretovatelnost (kvantifikuje důležitost funkce prostřednictvím hodnot SHAP, jasně identifikuje poměr stran, hloubku a plochu jako klíčové vlastnosti), ale spoléhá na přesnou segmentaci s omezenou použitelností ve scénářích obsahujících prášek kvůli obtížnosti při identifikaci hranic deprese.
Obrázek 03 ukazuje grafickou analýzu.
Obrázek 1 představuje předpokládané výsledky absorpce laseru bez práškové vrstvy. Podfigury a a b používají koncový-to{3}}koncový model ResNet-50, který dokáže přesně sledovat změny v rychlosti absorpce laseru během skenování a trendy ve stacionární laserové fázi hluboké klíčové dírky, ale v prvních dvou fázích stacionárního laseru jsou velké chyby. Podfigury c a d používají model ConvNeXt{10}T typu end-to{8}}, s chybami scénáře skenovacího laseru menšími než 3 % a mohou také přesně předpovědět fázi mělké klíčové dírky stacionárního laseru s odchylkami pouze ve fázi bez-deprese. Podfigury e a f používají modulární přístup (UNet + náhodná doména), s výkonem v metodě skenování laserem blízko konce-do{15}}; avšak ve fázi bez deprese stacionárního laseru je předpověď segmentována jako 0 (velmi velká odchylka) a přesnost se zlepšuje po vytvoření mělké klíčové dírky.
Obrázek 2 znázorňuje tréninkový výkon různých modelů, kde předtrénovaný model ResNet-50-od konce do konce (váhy ImageNet) snižuje počet epoch konvergence o 19 % ve srovnání s náhodnou inicializací s mírným poklesem ztrát, konečný-model ConvNet{9}T{8}} předběžné{12}}trénování má za následek 69% snížení epoch konvergence a podstatné snížení ztrát (ztráta testu snížena o 76 %), zatímco předběžné{15}}trénování segmentačního modelu UNet snižuje epochy konvergence pouze o 16 % s minimálním dopadem na ztráty. Tento obrázek jasně ukazuje, že předem{16}}předtrénované váhy výrazně zlepšují optimalizaci-do{18}}koncových modelů (zejména ConvNeXt-T), ale mají omezený vliv na segmentační modely a poskytují klíčové vodítko pro výběr strategie tréninku modelu.
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 % (režim klíčové dírky) má chybu predikce pouze 2,54, zatímco vzorky menší nebo rovné 40 % (režim vedení) mají chybu 12,6, což zvýrazňuje významnou chybu modelu v režimu vedení; Podobrázek c prostřednictvím statických laserových experimentů při 94W (nízký výkon, vodivostní režim) a 106W (vyšší výkon, režim klíčové dírky) dále ověřuje, že předpovědi modelu se těsně shodují se skutečnými hodnotami v režimu klíčové dírky, ale nezachycují skutečné výkyvy v režimu vodivosti, což potvrzuje zjištění podobrázku b.
04 Závěr
Studie se zaměřuje na okamžitou predikci absorpce laseru ve výrobě aditivních kovů. Na základě synchrotronového rentgenového zobrazení a integrujících měření sférického záření byly zkonstruovány datové soubory absorpce Ti-6Al-4V bez prášku a s práškem a také datové soubory segmentace klíčovou dírkou z více materiálů. Byly navrženy dvě metody hlubokého učení: end-to{11}}end (ResNet-50, ConvNeXt-T) a modulární (UNet + náhodný les), obě dosahují vysoce přesných předpovědí pomocí 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.
