01 Ponència Introducció
La fabricació additiva (AM), com a direcció bàsica de la tecnologia de fabricació avançada, mostra avantatges significatius en la producció personalitzada de components metàl·lics i en la fabricació d'estructures complexes. Tanmateix, durant el procés de metall AM, la complexa interacció entre làser i material produeix fàcilment defectes com ara esquitxades i porositat a causa del desequilibri d'absorció d'energia, restringint la seva aplicació industrial d'alta-precisió. L'absorció del làser, com a paràmetre clau que uneix l'entrada d'energia del làser i la resposta del material, és crucial per superar aquest coll d'ampolla mitjançant una quantificació precisa i una predicció-en temps real. L'absorció del làser determina directament la distribució de la temperatura de la piscina de fusió; una absorpció massa alta pot provocar esquitxades, mentre que massa baixa pot provocar defectes-de-de fusió. Per solucionar-ho, es poden introduir algorismes d'aprenentatge profund, aprofitant les seves potents capacitats de mapatge no lineal i d'extracció de característiques d'imatge. Utilitzant imatges de raigs X sincronitzades in situ d'experiments de col·lapse del forat de la clau (inclosa l'absorpció mesurada corresponent) com a dades bàsiques, es poden dissenyar xarxes neuronals convolucionals adequades (ResNet-50, ConvNeXt{-T), models de segmentació semàntica (UNet) i estratègies d'aprenentatge de transferència per extreure característiques de col·lapse geomètrics de la correlació geomètrica. (profunditat, relació d'aspecte, etc.) i l'absorció. Això pot construir un model predictiu precís de la "imatge de raigs X-a l'absorpció del làser" (tant d'extrem a{16}}-extrem com d'enfocaments modulars), permetent la quantificació-en temps real de l'absorció del làser i proporcionant suport de dades per controlar la dinàmica de la piscina de fosa i reduir els defectes, avançant així l'aplicació industrial d'alta precisió de l'AM.
02 Visió general del text complet
Aquest article construeix conjunts de dades d'absorció i segmentació utilitzant dades obtingudes d'un sistema d'imatge de raigs X sincrònic d'alta-velocitat-in situ a la línia de llum 32-ID{-B de la font de fotons avançada (APS) a ANL, inclosos conjunts de dades sense capes de pols aplicades, amb una capa de depressió de vapor i, respectivament, amb una capa de pols aplicada, amb segmentació de pols respectivament. mètodes d'extrem--extrem i modulars. El mètode d'extrem-a-extrem utilitza dues xarxes neuronals convolucionals, ResNet-50 i ConvNeXt-T, per aprendre automàticament les característiques implícites directament d'imatges de raigs X{-pre-processades, donant sortida a la taxa d'absorció a través d'una capa de regressió totalment connectada, pre-format a ImageNet mostrant el millor rendiment, aconseguint una pèrdua de prova de 2,35±0,35 i un error absolut mitjà de menys del 3,3% al conjunt de proves de Ti-6Al-4V lliure de pols-. El mètode modular extreu primer les característiques geomètriques de la depressió de vapor (com la profunditat, l'àrea i la relació d'aspecte) mitjançant un model de segmentació semàntica UNet, i després prediu la taxa d'absorció mitjançant models de regressió clàssics com Random Forest; UNet va aconseguir una intersecció mitjana de prova més alta sobre unió (mIoU) del 93,5% en tasques de segmentació de diversos materials (per exemple, Ti64, SS316, IN718) i el model Random Forest va tenir una pèrdua de prova de 3,30±0,02. Entre ells, el mètode d'extrem a extrem és altament automatitzat i ràpid en inferència, adequat per al monitoratge industrial en temps real, però amb una interpretabilitat feble i errors de predicció més grans per a patrons de conducció (petites depressions de vapor); el mètode modular té una forta interpretabilitat (quantificant la importància de les característiques mitjançant valors SHAP, identificant clarament la relació d'aspecte, la profunditat i l'àrea com a característiques clau), però es basa en una segmentació precisa, amb una aplicabilitat limitada en escenaris que contenen pols a causa de la dificultat per identificar els límits de la depressió.
La figura 03 mostra l'anàlisi gràfica.
La figura 1 presenta els resultats previstos de l'absorció del làser sense una capa de pols. Les subfigures a i b utilitzen el model ResNet-50 d'extrem a -final, que pot seguir amb precisió els canvis en la taxa d'absorció del làser durant l'escaneig i les tendències a l'etapa de forat profund làser estacionari, però hi ha grans errors en les dues primeres etapes del làser estacionari. Les subfigures c i d utilitzen el model ConvNeXt-T d'extrem a -a-final, amb errors d'escenari d'escaneig làser inferiors al 3%, i també poden predir amb precisió l'etapa de forat poc profund del làser estacionari, amb desviacions només en l'etapa de no-depressió. Les subfigures e i f utilitzen un enfocament modular (UNet + bosc aleatori), amb un rendiment en l'escaneig làser proper al mètode-fin a{15}}; tanmateix, en l'etapa sense depressió del làser estacionari, la predicció es segmenta com a 0 (desviació molt gran) i la precisió millora després que es forma el forat de pany poc profund.
La figura 2 mostra el rendiment de l'entrenament de diferents models, on el model ResNet-50 pre-entrenat (pesos d'ImageNet) redueix el nombre d'èpoques de convergència en un 19% en comparació amb la inicialització aleatòria amb una lleugera disminució de la pèrdua, el model de final a final L'entrenament pre-destaca una reducció del 69% de les èpoques de convergència i una disminució substancial de la pèrdua (la pèrdua de prova es redueix un 76%), mentre que l'entrenament previ del model de segmentació UNet només redueix les èpoques de convergència un 16% amb un impacte mínim en la pèrdua. Aquesta figura mostra clarament que els pesos-entrenats prèviament milloren significativament l'optimització dels models d'extrem-a-extrem (especialment ConvNeXt-T), però tenen un efecte limitat en els models de segmentació, la qual cosa ofereix una guia clau per a la selecció de l'estratègia d'entrenament del 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 >El 40% (mode keyhole) té un error de predicció de només 2,54, mentre que les mostres inferiors o iguals al 40% (mode de conducció) tenen un error de 12,6, destacant l'error significatiu del model en mode de conducció; La subfigura c, mitjançant experiments làser estàtics a 94 W (potència baixa, mode de conducció) i 106 W (potència més alta, mode forat de pany), verifica a més que les prediccions del model coincideixen molt amb els valors reals en mode forat, però no aconsegueixen capturar les fluctuacions reals en mode de conducció, corroborant els resultats de la subfigura b.
04 Conclusió
L'estudi se centra en la predicció instantània de l'absorció del làser en la fabricació d'additius metàl·lics. A partir d'imatges de raigs X-de sincrotró i integració de mesures de radiació de l'esfera, es van construir conjunts de dades d'absorció de Ti-6Al{-4V sense i amb pols, així com conjunts de dades de segmentació multi-material. Es van proposar dos mètodes d'aprenentatge profund: end-to-end (ResNet-50, ConvNeXt-T) i modular (UNet + bosc aleatori), tots dos aconseguint prediccions d'alta precisió amb 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.
