01 Uvod u rad
Aditivna proizvodnja (AM), kao temeljni smjer napredne proizvodne tehnologije, pokazuje značajne prednosti u prilagođenoj proizvodnji metalnih komponenti i izradi složenih konstrukcija. Međutim, tijekom metalnog AM procesa, složena interakcija između lasera i materijala lako proizvodi nedostatke kao što su prskanje i poroznost zbog neravnoteže apsorpcije energije, ograničavajući njegovu visoko{1}}preciznu industrijsku primjenu. Laserska apsorpcija, kao ključni parametar koji povezuje unos laserske energije i odziv materijala, ključna je za prevladavanje ovog uskog grla putem precizne kvantifikacije i-predviđanja u stvarnom vremenu. Laserska apsorpcija izravno određuje raspodjelu temperature bazena taline; previsoka apsorpcija može dovesti do prskanja, dok preniska može uzrokovati nedostatak--defekata u fuziji. Kako bi se to riješilo, mogu se uvesti algoritmi dubinskog učenja, koji iskorištavaju svoje snažno nelinearno mapiranje i mogućnosti izdvajanja značajki slike. Upotrebom in situ sinkroniziranih rendgenskih slika eksperimenata kolapsa ključanice (uključujući odgovarajuću izmjerenu apsorpciju) kao temeljnih podataka, prikladnih konvolucijskih neuronskih mreža (ResNet-50, ConvNeXt-T), modela semantičke segmentacije (UNet) i strategija učenja prijenosa mogu se dizajnirati za izdvajanje značajki koje su u snažnoj korelaciji s geometrijskim karakteristikama kolaps ključanice (dubina, omjer stranica, itd.) i sposobnost upijanja. Ovo može konstruirati točan prediktivni model 'rendgenske slike do laserske apsorpcije' (i-do-end i modularni pristup), omogućujući-kvantifikaciju laserske apsorpcije u stvarnom{18}}vremenu i pružajući podatkovnu podršku za kontrolu dinamike bazena taline i smanjenje nedostataka, čime se unapređuje visokoprecizna industrijska primjena metalnog AM-a.
02 Pregled cjelovitog teksta
Ovaj rad konstruira skupove podataka o apsorpciji i segmentaciji koristeći podatke dobivene iz-in situ sinkronog-sustava rendgenskih-slikanja velike brzine na 32-ID-B liniji snopa Naprednog izvora fotona (APS) u ANL-u, uključujući skupove podataka bez sloja praha, sa slojem praha i sa segmentacijom depresije pare, koji su primijenjeni pojedinačno na kraj-do-kraja i modularne metode. End{9}}to-metoda koristi dvije konvolucijske neuronske mreže, ResNet-50 i ConvNeXt-T, za automatsko učenje implicitnih značajki izravno iz prethodno-obrađenih rendgenskih-slika, izlazeći stopu apsorpcije kroz potpuno povezani regresijski sloj, s ConvNeXt-T prethodno-obučeni na ImageNetu pokazujući najbolju izvedbu, postižući ispitni gubitak od 2,35±0,35 i prosječnu apsolutnu pogrešku manju od 3,3% na testnom setu-bez praha Ti-6Al-4V. Modularna metoda prvo izdvaja geometrijske značajke parne depresije (kao što su dubina, površina i omjer širine i visine) koristeći UNet semantički model segmentacije, zatim predviđa stopu apsorpcije koristeći klasične regresijske modele kao što je Random Forest; UNet je postigao najveću testnu srednju intersection over union (mIoU) od 93,5% u zadacima segmentacije više-materijala (npr. Ti64, SS316, IN718), a model Random Forest imao je testni gubitak od 3,30±0,02. Među njima, end-to-end metoda je visoko automatizirana i brza u zaključivanju, prikladna za industrijsko praćenje u stvarnom vremenu, ali sa slabom interpretabilnošću i većim pogreškama predviđanja za uzorke provođenja (male parne depresije); modularna metoda ima snažnu interpretabilnost (kvantificiranje važnosti značajki kroz SHAP vrijednosti, jasno identificiranje omjera širine i visine, dubine i površine kao ključnih značajki), ali se oslanja na preciznu segmentaciju, s ograničenom primjenjivošću u scenarijima koji sadrže prah zbog poteškoća u identificiranju granica depresije.
Slika 03 prikazuje grafičku analizu.
Slika 1 prikazuje predviđene rezultate laserske apsorpcije bez sloja praha. Podslike a i b koriste end{2}}to-end ResNet-50 model, koji može točno pratiti promjene u brzini apsorpcije lasera tijekom skeniranja i trendove u stacionarnom laserskom stadiju duboke ključanice, ali postoje velike pogreške u prva dva stadija stacionarnog lasera. Podslike c i d koriste end{7}}to-end ConvNeXt-T model, s pogreškama scenarija laserskog skeniranja manjim od 3%, a također može točno predvidjeti plitku fazu ključanice stacionarnog lasera, s odstupanjima samo u fazi bez-depresije. Podfigure e i f koriste modularni pristup (UNet + nasumična šuma), s performansama u laserskom skeniranju blizu metode end-to-end; međutim, u fazi stacionarnog lasera bez depresije, predviđanje je segmentirano kao 0 (vrlo veliko odstupanje), a točnost se poboljšava nakon što se formira plitka ključanica.
Slika 2 prikazuje izvedbu obuke različitih modela, gdje end{1}}to{2}}end ResNet-50 model pret-trained (ImageNet weights) smanjuje broj konvergencijskih epoha za 19% u usporedbi s nasumičnim inicijaliziranjem s blagim smanjenjem gubitaka, kraj-to-end ConvNeXt-T model pret-obuka rezultira smanjenjem epoha konvergencije od 69% i značajnim smanjenjem gubitaka (testni gubitak smanjen za 76%), dok pret-obuka UNet modela segmentacije smanjuje samo epohe konvergencije za 16% s minimalnim utjecajem na gubitak. Ova slika jasno pokazuje da unaprijed{16}}uvježbane težine značajno poboljšavaju optimizaciju end-to-end modela (posebno ConvNeXt-T), ali imaju ograničen učinak na modele segmentacije, pružajući ključne smjernice za odabir strategije obuke 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 ključanice) ima pogrešku predviđanja od samo 2,54, dok uzorci manji ili jednaki 40% (način provođenja) imaju pogrešku od 12,6, naglašavajući značajnu pogrešku modela u načinu provođenja; Podslika c, putem statičkih laserskih eksperimenata pri 94 W (niska snaga, način kondukcije) i 106 W (veća snaga, način rada ključanice), dodatno potvrđuje da se predviđanja modela usko podudaraju sa stvarnim vrijednostima u načinu rada ključanice, ali ne uspijevaju uhvatiti stvarne fluktuacije u načinu kondukcije, potvrđujući nalaze podslike b.
04 Zaključak
Studija se usredotočuje na trenutno predviđanje laserske apsorpcije u proizvodnji metalnih aditiva. Na temelju sinkrotronskog snimanja rendgenskim-zrakama i integriranih mjerenja zračenja sfere, konstruirani su skupovi podataka Ti-6Al-4V apsorpcije bez i s prahom, kao i skupovi podataka o segmentaciji ključanice od više-materijala. Predložene su dvije metode dubokog učenja: end-to-end (ResNet-50, ConvNeXt-T) i modularna (UNet + slučajna šuma), obje postižu visokoprecizna predviđanja s 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.
