01 Pengenalan Kertas
Pengilangan Aditif (AM), sebagai hala tuju teras teknologi pembuatan termaju, menunjukkan kelebihan ketara dalam pengeluaran tersuai komponen logam dan fabrikasi struktur kompleks. Walau bagaimanapun, semasa proses AM logam, interaksi kompleks antara laser dan bahan dengan mudah menghasilkan kecacatan seperti percikan dan keliangan akibat ketidakseimbangan penyerapan tenaga, menyekat-aplikasi industri berketepatan tingginya. Penyerapan laser, sebagai parameter utama yang menghubungkan input tenaga laser dan tindak balas bahan, adalah penting untuk mengatasi kesesakan ini melalui kuantiti yang tepat dan ramalan masa-sebenar. Penyerapan laser secara langsung menentukan taburan suhu kolam cair; daya serapan yang terlalu tinggi boleh menyebabkan percikan, manakala terlalu rendah boleh menyebabkan kekurangan-kecacatan gabungan-. Untuk menangani perkara ini, algoritma pembelajaran mendalam boleh diperkenalkan, memanfaatkan pemetaan tak linear yang berkuasa dan keupayaan pengekstrakan ciri imej. Menggunakan pengimejan sinar X-in situ yang disegerakkan bagi eksperimen keruntuhan lubang kunci (termasuk penyerapan diukur yang sepadan) sebagai data teras, rangkaian neural konvolusi yang sesuai (ResNet-50, ConvNeXt-T), model segmentasi semantik (UNet) dan ciri-ciri geometri pemindahan yang direka bentuk secara kukuh dengan ciri-ciri geometri kolaps yang direka bentuk dengan kukuh dengan strategi pembelajaran pemindahan. (kedalaman, nisbah bidang, dsb.) dan penyerapan. Ini boleh membina model ramalan yang tepat bagi 'imej-sinar X kepada penyerapan laser' (kedua-dua pendekatan-ke-hujung dan modular), membolehkan-kuantifikasi masa sebenar penyerapan laser dan menyediakan sokongan data untuk mengawal dinamik kolam cair dan mengurangkan kecacatan aplikasi ketepatan logam yang tinggi.
02 Gambaran Keseluruhan Teks Penuh
Kertas kerja ini membina set data penyerapan dan pembahagian menggunakan data yang diperoleh daripada sistem pengimejan sinaran-in-situ segerak-kelajuan tinggi-pada 32-ID-B garis pancaran Sumber Foton Lanjutan (APS) di ANL, termasuk set data tanpa lapisan serbuk, dengan lapisan kemurungan wap masing-masing, dan dengan lapisan kemurungan wap masing-masing. hujung-ke-kaedah modular. Kaedah hujung-ke-menggunakan dua rangkaian neural convolutional, ResNet-50 dan ConvNeXt-T, untuk mempelajari ciri tersirat secara automatik secara terus daripada-imej X-praproses, mengeluarkan kadar penyerapan melalui lapisan{10}Xt yang disambungkan sepenuhnya, pra-dilatih di ImageNet yang menunjukkan prestasi terbaik, mencapai kehilangan ujian sebanyak 2.35±0.35 dan purata ralat mutlak kurang daripada 3.3% pada set ujian-Ti percuma-6Al-4V serbuk. Kaedah modular mula-mula mengekstrak ciri geometri lekukan wap (seperti kedalaman, luas dan nisbah bidang) menggunakan model segmentasi semantik UNet, kemudian meramalkan kadar penyerapan menggunakan model regresi klasik seperti Hutan Rawak; UNet mencapai persimpangan min ujian tertinggi ke atas kesatuan (mIoU) sebanyak 93.5% dalam tugas pembahagian berbilang-bahan (cth, Ti64, SS316, IN718) dan model Random Forest mengalami kerugian ujian sebanyak 3.30±0.02. Antaranya, kaedah hujung ke hujung adalah sangat automatik dan cepat dalam inferens, sesuai untuk pemantauan masa nyata industri, tetapi dengan kebolehtafsiran yang lemah dan ralat ramalan yang lebih besar untuk corak pengaliran (lekukan wap kecil); kaedah modular mempunyai kebolehtafsiran yang kukuh (mengukur kepentingan ciri melalui nilai SHAP, mengenal pasti nisbah aspek, kedalaman dan luas dengan jelas sebagai ciri utama), tetapi bergantung pada pembahagian yang tepat, dengan kebolehgunaan terhad dalam senario yang mengandungi serbuk kerana kesukaran dalam mengenal pasti sempadan kemurungan.
Rajah 03 menunjukkan analisis grafik.
Rajah 1 membentangkan hasil ramalan penyerapan laser tanpa lapisan serbuk. Subfigura a dan b menggunakan model hujung-ke-menamatkan ResNet-50, yang boleh menjejaki perubahan kadar penyerapan laser dengan tepat semasa pengimbasan dan arah aliran dalam peringkat lubang kunci dalam laser pegun, tetapi terdapat ralat besar dalam dua peringkat pertama laser pegun. Subfigura c dan d menggunakan model hujung-untuk-menamatkan ConvNeXt-T, dengan ralat senario laser pengimbasan kurang daripada 3% dan ia juga boleh meramal dengan tepat peringkat lubang kunci cetek laser pegun, dengan sisihan hanya dalam peringkat{13}}tanpa kemurungan. Subgambar e dan f menggunakan pendekatan modular (UNet + hutan rawak), dengan prestasi dalam mengimbas laser hampir dengan kaedah-hingga-akhir; walau bagaimanapun, dalam peringkat tiada kemurungan laser pegun, ramalan dibahagikan sebagai 0 (sisihan yang sangat besar), dan ketepatan bertambah baik selepas lubang kunci cetek terbentuk.
Rajah 2 menggambarkan prestasi latihan model yang berbeza, di mana model akhir-ke-tamat ResNet-50 pra-(berat ImageNet) mengurangkan bilangan zaman penumpuan sebanyak 19% berbanding dengan permulaan rawak dengan penurunan sedikit kerugian, model-}tomat-}to Conv. pra{12}}latihan menghasilkan pengurangan 69% dalam tempoh penumpuan dan penurunan yang ketara dalam kerugian (kehilangan ujian dikurangkan sebanyak 76%), manakala pra{15}}latihan model segmentasi UNet hanya mengurangkan tempoh penumpuan sebanyak 16% dengan kesan minimum terhadap kerugian. Angka ini dengan jelas menunjukkan bahawa-wajaran pralatih meningkatkan dengan ketara pengoptimuman model-ke-akhir (terutamanya ConvNeXt-T) tetapi mempunyai kesan terhad pada model pembahagian, memberikan panduan utama untuk pemilihan strategi latihan model.
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% (mod lubang kunci) mempunyai ralat ramalan hanya 2.54, manakala sampel Kurang daripada atau sama dengan 40% (mod pengaliran) mempunyai ralat 12.6, menonjolkan ralat ketara model di bawah mod pengaliran; Subfigura c, melalui eksperimen laser statik pada 94W (kuasa rendah, mod pengaliran) dan 106W (kuasa lebih tinggi, mod lubang kunci), seterusnya mengesahkan bahawa ramalan model hampir sepadan dengan nilai sebenar dalam mod lubang kunci tetapi gagal menangkap turun naik sebenar dalam mod pengaliran, menyokong penemuan subgambar b.
04 Kesimpulan
Kajian ini memberi tumpuan kepada ramalan serta-merta penyerapan laser dalam pembuatan bahan tambahan logam. Berdasarkan pengimejan sinar X-synchrotron dan pengukuran sinaran sfera penyepaduan, set data penyerapan Ti-6Al-4V tanpa dan dengan serbuk, serta set data segmentasi lubang kunci berbilang-bahan, telah dibina. Dua kaedah pembelajaran mendalam telah dicadangkan: hujung-ke-akhir (ResNet-50, ConvNeXt-T) dan modular (UNet + rawak hutan), kedua-duanya mencapai ramalan ketepatan tinggi dengan 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.
