01 Εισαγωγή χαρτιού
Η Additive Manufacturing (AM), ως βασική κατεύθυνση της προηγμένης τεχνολογίας κατασκευής, παρουσιάζει σημαντικά πλεονεκτήματα στην προσαρμοσμένη παραγωγή μεταλλικών εξαρτημάτων και στην κατασκευή πολύπλοκων δομών. Ωστόσο, κατά τη διάρκεια της διαδικασίας AM μετάλλων, η πολύπλοκη αλληλεπίδραση μεταξύ λέιζερ και υλικού προκαλεί εύκολα ελαττώματα όπως πιτσίλισμα και πορώδες λόγω ανισορροπίας απορρόφησης ενέργειας, περιορίζοντας τη βιομηχανική εφαρμογή υψηλής ακρίβειας-. Η απορρόφηση λέιζερ, ως η βασική παράμετρος που συνδέει την εισροή ενέργειας λέιζερ και την απόκριση υλικού, είναι ζωτικής σημασίας για να ξεπεραστεί αυτό το εμπόδιο μέσω ακριβούς ποσοτικού προσδιορισμού και πρόβλεψης σε πραγματικό χρόνο. Η απορροφητικότητα λέιζερ καθορίζει άμεσα την κατανομή θερμοκρασίας της δεξαμενής τήγματος. Η πολύ υψηλή απορροφητικότητα μπορεί να οδηγήσει σε πιτσίλισμα, ενώ η πολύ χαμηλή μπορεί να προκαλέσει έλλειψη-των-ελαττωμάτων σύντηξης. Για να αντιμετωπιστεί αυτό, μπορούν να εισαχθούν αλγόριθμοι βαθιάς μάθησης, αξιοποιώντας τις ισχυρές τους δυνατότητες μη γραμμικής χαρτογράφησης και εξαγωγής χαρακτηριστικών εικόνας. Χρησιμοποιώντας επί τόπου συγχρονισμένη απεικόνιση ακτίνων Χ- πειραμάτων κατάρρευσης κλειδαρότρυπας (συμπεριλαμβανομένης της αντίστοιχης μετρούμενης απορροφητικότητας) ως βασικά δεδομένα, κατάλληλα συνελικτικά νευρωνικά δίκτυα (ResNet-50, ConvNeXt-T), μοντέλα σημασιολογικής τμηματοποίησης (UNet) με δυνατές δυνατότητες μάθησης (UNet) χαρακτηριστικά κατάρρευσης της κλειδαρότρυπας (βάθος, αναλογία διαστάσεων κ.λπ.) και απορροφητικότητα. Αυτό μπορεί να δημιουργήσει ένα ακριβές μοντέλο πρόβλεψης «απορροφητικότητας εικόνας ακτίνων Χ σε λέιζερ» (προσεγγίσεις από άκρο-σε-και αρθρωτές), επιτρέποντας την ποσοτικοποίηση της απορρόφησης λέιζερ σε πραγματικό χρόνο και παρέχοντας υποστήριξη δεδομένων για τον έλεγχο της δυναμικής της δεξαμενής τήξης και τη μείωση της βιομηχανικής εφαρμογής ελαττωμάτων μετάλλων.
02 Επισκόπηση πλήρους κειμένου
Αυτό το έγγραφο κατασκευάζει σύνολα δεδομένων απορρόφησης και τμηματοποίησης χρησιμοποιώντας δεδομένα που λαμβάνονται από ένα σύστημα απεικόνισης ακτίνων Χ-επί τόπου σύγχρονου υψηλής-ταχύτητας-στην γραμμή δέσμης 32-ID-B της Advanced Photon Source (APS) στο ANL, συμπεριλαμβανομένων συνόλων δεδομένων χωρίς στρώμα δεδομένων σε σκόνη, στρώση τμηματοποίησης με ατμό. end-to-end και modular μέθοδοι. Η μέθοδος-από το τέλος προς-χρησιμοποιεί δύο συνελικτικά νευρωνικά δίκτυα, το ResNet-50 και το ConvNeXt-T, για αυτόματη εκμάθηση έμμεσων χαρακτηριστικών απευθείας από προ{14}}επεξεργασμένες εικόνες ακτίνων Χ-, εξάγοντας ρυθμό απορρόφησης μέσω ενός πλήρως συνδεδεμένου στρώματος{19} προ-εκπαιδευμένος στο ImageNet που δείχνει την καλύτερη απόδοση, επιτυγχάνοντας απώλεια δοκιμής 2,35±0,35 και μέσο απόλυτο σφάλμα μικρότερο από 3,3% στο σετ δοκιμής-ελεύθερου Ti-6Al-4V σε σκόνη. Η σπονδυλωτή μέθοδος εξάγει πρώτα τα γεωμετρικά χαρακτηριστικά της υποβάθμισης ατμών (όπως το βάθος, το εμβαδόν και ο λόγος διαστάσεων) χρησιμοποιώντας ένα μοντέλο σημασιολογικής κατάτμησης UNet και στη συνέχεια προβλέπει το ρυθμό απορρόφησης χρησιμοποιώντας κλασικά μοντέλα παλινδρόμησης, όπως το Random Forest. Το UNet πέτυχε μια υψηλότερη δοκιμαστική μέση τομή πάνω από ένωση (mIoU) 93,5% σε εργασίες τμηματοποίησης πολλαπλών{35}υλικών (π.χ. Ti64, SS316, IN718) και το μοντέλο Random Forest είχε απώλεια δοκιμής 3,30±0,02. Μεταξύ αυτών, η μέθοδος από άκρο σε άκρο είναι εξαιρετικά αυτοματοποιημένη και γρήγορη στο συμπέρασμα, κατάλληλη για βιομηχανική παρακολούθηση σε πραγματικό χρόνο, αλλά με αδύναμη ερμηνευτικότητα και μεγαλύτερα σφάλματα πρόβλεψης για μοτίβα αγωγιμότητας (μικρές καταβολές ατμών). η αρθρωτή μέθοδος έχει ισχυρή ερμηνευσιμότητα (ποσοτικοποίηση της σημασίας των χαρακτηριστικών μέσω των τιμών SHAP, προσδιορίζοντας με σαφήνεια την αναλογία διαστάσεων, το βάθος και την περιοχή ως βασικά χαρακτηριστικά), αλλά βασίζεται σε ακριβή κατάτμηση, με περιορισμένη εφαρμογή σε σενάρια που περιέχουν σκόνη λόγω δυσκολίας στον προσδιορισμό των ορίων κατάθλιψης.
Το σχήμα 03 δείχνει τη γραφική ανάλυση.
Το Σχήμα 1 παρουσιάζει τα προβλεπόμενα αποτελέσματα απορρόφησης λέιζερ χωρίς στρώμα σκόνης. Οι υποεικόνες α και β χρησιμοποιούν το τέλος-για-τερματισμό του μοντέλου ResNet-50, το οποίο μπορεί να παρακολουθεί με ακρίβεια τις αλλαγές στον ρυθμό απορρόφησης λέιζερ κατά τη σάρωση και τις τάσεις στο στάδιο της βαθιάς κλειδαρότρυπας στατικού λέιζερ, αλλά υπάρχουν μεγάλα σφάλματα στα δύο πρώτα στάδια του στατικού λέιζερ. Οι υποεικόνες c και d χρησιμοποιούν το τέλος-για-τερματισμό του μοντέλου ConvNeXt-T, με σφάλματα σεναρίου λέιζερ σάρωσης μικρότερα από 3%, και μπορούν επίσης να προβλέψουν με ακρίβεια το στάδιο της ρηχής κλειδαρότρυπας του στατικού λέιζερ, με αποκλίσεις μόνο στο στάδιο χωρίς{13}}κατάθλιψη. Οι υποεικόνες e και f χρησιμοποιούν μια σπονδυλωτή προσέγγιση (UNet + τυχαίο δάσος), με απόδοση στη σάρωση λέιζερ κοντά στη μέθοδο από το τέλος-στο-τέλος. Ωστόσο, στο στάδιο χωρίς κατάθλιψη του στατικού λέιζερ, η πρόβλεψη τμηματοποιείται ως 0 (πολύ μεγάλη απόκλιση) και η ακρίβεια βελτιώνεται αφού σχηματιστεί η ρηχή κλειδαρότρυπα.
Το Σχήμα 2 απεικονίζει την απόδοση της εκπαίδευσης διαφορετικών μοντέλων, όπου το-τελικό-τελικό ResNet-50 μοντέλο προ-εκπαιδευμένο (βάρος ImageNet) μειώνει τον αριθμό των εποχών σύγκλισης κατά 19% σε σύγκριση με την τυχαία αρχικοποίηση με μια ελαφρά μείωση της απώλειας}{9}Σύνθεσης{8} η εκπαίδευση του μοντέλου πριν{12}}έχει ως αποτέλεσμα μείωση 69% στις εποχές σύγκλισης και σημαντική μείωση της απώλειας (η απώλεια δοκιμής μειώνεται κατά 76%), ενώ η προ{15}}προπόνηση του μοντέλου τμηματοποίησης UNet μειώνει μόνο τις εποχές σύγκλισης κατά 16% με ελάχιστη επίπτωση στην απώλεια. Αυτό το σχήμα δείχνει ξεκάθαρα ότι τα{16}}προπονημένα βάρη βελτιώνουν σημαντικά τη βελτιστοποίηση των μοντέλων από άκρο-σε-(ειδικά το ConvNeXt-T), αλλά έχουν περιορισμένη επίδραση στα μοντέλα τμηματοποίησης, παρέχοντας βασική καθοδήγηση για την επιλογή στρατηγικής εκπαίδευσης μοντέλων.
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 >Το 40% (λειτουργία κλειδαρότρυπας) έχει σφάλμα πρόβλεψης μόνο 2,54, ενώ δείγματα μικρότερα από ή ίσα με 40% (τρόπος αγωγής) έχουν σφάλμα 12,6, υπογραμμίζοντας το σημαντικό σφάλμα του μοντέλου σε λειτουργία αγωγιμότητας. Η υποεικόνα c, μέσω πειραμάτων στατικού λέιζερ στα 94 W (χαμηλή ισχύς, λειτουργία αγωγιμότητας) και 106 W (υψηλότερη ισχύς, λειτουργία κλειδαρότρυπας), επαληθεύει περαιτέρω ότι οι προβλέψεις του μοντέλου ταιριάζουν πολύ με τις πραγματικές τιμές στη λειτουργία κλειδαρότρυπας, αλλά δεν καταγράφουν τις πραγματικές διακυμάνσεις στη λειτουργία αγωγιμότητας, επιβεβαιώνοντας τα ευρήματα της υποεικόνας β.
04 Συμπέρασμα
Η μελέτη επικεντρώνεται στη στιγμιαία πρόβλεψη της απορροφητικότητας λέιζερ στην κατασκευή πρόσθετων μετάλλων. Με βάση την απεικόνιση ακτίνων Χ-σύγχροτρον και τις μετρήσεις ολοκλήρωσης της ακτινοβολίας σφαίρας, κατασκευάστηκαν σύνολα δεδομένων απορρόφησης Ti-6Al-4V χωρίς και με σκόνη, καθώς και σύνολα δεδομένων τμηματοποίησης κλειδαρότρυπας πολλαπλών-υλικών. Προτάθηκαν δύο μέθοδοι βαθιάς μάθησης: end-to-end (ResNet-50, ConvNeXt-T) και modular (UNet + τυχαίο δάσος), και οι δύο επιτυγχάνουν προβλέψεις υψηλής ακρίβειας με 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.
