01 Pappersintroduktion
Additiv tillverkning (AM), som en central riktning för avancerad tillverkningsteknik, visar betydande fördelar vid skräddarsydd produktion av metallkomponenter och komplex strukturtillverkning. Men under metall-AM-processen producerar den komplexa interaktionen mellan laser och material lätt defekter som stänk och porositet på grund av energiabsorptionsobalans, vilket begränsar dess hög-industriella tillämpning. Laserabsorptionsförmåga, som nyckelparametern som länkar laserenergiinmatning och materialrespons, är avgörande för att övervinna denna flaskhals genom exakt kvantifiering och realtidsförutsägelse. Laserabsorptionsförmåga bestämmer direkt temperaturfördelningen av smältbassängen; för hög absorptionsförmåga kan leda till stänk, medan för låg kan orsaka brist på--fusionsdefekter. För att ta itu med detta kan algoritmer för djupinlärning introduceras, som utnyttjar deras kraftfulla olinjära kartläggnings- och bildfunktionsextraktionsmöjligheter. Användning av in situ synkroniserad röntgenavbildning av experiment med kollaps av nyckelhål (inklusive motsvarande uppmätta absorptionsförmåga) som kärndata, lämpliga konvolutionella neurala nätverk (ResNet-50, ConvNeXt-T), semantiska segmenteringsmodeller (UNet) och överföra inlärningsstrategier som kan anpassas till starka geometriska karaktärsstrategier. nyckelhålskollaps (djup, bildförhållande, etc.) och absorptionsförmåga. Detta kan konstruera en noggrann prediktiv modell av 'röntgenbild till laserabsorptivitet' (både ände-till-till-tillvägagångssätt), vilket möjliggör real-kvantifiering av laserabsorptionsförmåga och tillhandahåller datastöd för att kontrollera smältpoolsdynamiken och reducera defekter i industriell applikation med hög AM-prevension, och därigenom minska industriella defekter.
02 Fulltextöversikt
Denna artikel konstruerar datauppsättningar för absorption och segmentering med hjälp av data erhållna från ett in-situ synkront hög-höghastighetsröntgenbildsystem med-strålning vid 32-ID-B-strållinjen för Advanced Photon Source (APS) vid ANL, inklusive datauppsättningar utan pulverlager, med pulverlager, med pulverdepression och ångdepression på respektive segment. slut-till-och modulära metoder. Slut-till-metoden använder två faltningsneurala nätverk, ResNet-50 och ConvNeXt-T, för att automatiskt lära sig implicita funktioner direkt från för-bearbetade röntgenbilder, och mata ut absorptionshastighet genom ett helt anslutet regressionslager,{1NeX}T ConvNeXt{14}} för-utbildad på ImageNet som visar den bästa prestandan och uppnådde en testförlust på 2,35±0,35 och ett genomsnittligt absolut fel på mindre än 3,3 % på den pulverfria -6Al-4V-testsatsen Ti-6Al-. Den modulära metoden extraherar först geometriska egenskaper hos ångdepressionen (såsom djup, area och bildförhållande) med hjälp av en UNet semantisk segmenteringsmodell, förutsäger sedan absorptionshastigheten med hjälp av klassiska regressionsmodeller såsom Random Forest; UNet uppnådde en högsta testmedelskärning över union (mIoU) på 93,5 % i segmenteringsuppgifter för flera-material (t.ex. Ti64, SS316, IN718), och Random Forest-modellen hade en testförlust på 3,30±0,02. Bland dem är end-to-end-metoden mycket automatiserad och snabb i slutledning, lämplig för industriell realtidsövervakning, men med svag tolkningsbarhet och större prediktionsfel för ledningsmönster (små ångsänkningar); den modulära metoden har en stark tolkningsbarhet (kvantifiera egenskapens betydelse genom SHAP-värden, tydligt identifiera bildförhållande, djup och area som nyckelegenskaper), men förlitar sig på exakt segmentering, med begränsad tillämpbarhet i pulverhaltiga scenarier på grund av svårigheter att identifiera depressionsgränser.
Figur 03 visar den grafiska analysen.
Figur 1 visar de förutsagda resultaten av laserabsorption utan ett pulverlager. Underfigurerna a och b använder end-to-end ResNet-50-modellen, som exakt kan spåra förändringarna i laserabsorptionshastigheten under skanning och trender i det stationära laserdjupa nyckelhålssteget, men det finns stora fel i de två första stegen av den stationära lasern. Underfigurerna c och d använder end-to-end ConvNeXt-T-modellen, med scanningslaserscenariofel på mindre än 3 %, och den kan också exakt förutsäga det grunda nyckelhålsstadiet för den stationära lasern, med avvikelser endast i no-depressionsstadiet. Underfigurerna e och f använder ett modulärt tillvägagångssätt (UNet + slumpmässig skog), med prestanda vid scanning av laser nära slutet-till-metoden; Men i den stationära laserns icke-depressionsstadium segmenteras förutsägelsen som 0 (mycket stor avvikelse), och noggrannheten förbättras efter att det grunda nyckelhålet bildats.
Figur 2 visar träningsprestanda för olika modeller, där slut-to-end ResNet-50 modell för-förtränad (ImageNet-vikter) minskar antalet konvergensepoker med 19 % jämfört med slumpmässig initiering med en liten minskning av förlusten, slutet{{8}XNt-modellen{{7}XNt förträning resulterar i en 69 % minskning av konvergensepoker och en avsevärd minskning av förlust (testförlust minskad med 76 %), medan förträning av UNet-segmenteringsmodellen endast minskar konvergensepoker med 16 % med minimal påverkan på förlust. Den här figuren visar tydligt att för-tränade vikter avsevärt förbättrar optimeringen av slut-till-modeller (särskilt ConvNeXt-T) men har begränsad effekt på segmenteringsmodeller, vilket ger viktig vägledning för val av modellträningsstrategi.
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 % (nyckelhålsläge) har ett prediktionsfel på endast 2,54, medan prover mindre än eller lika med 40 % (ledningsläge) har ett fel på 12,6, vilket framhäver det signifikanta felet hos modellen under ledningsläge; Underfigur c, genom statiska laserexperiment vid 94W (lågeffekt, ledningsläge) och 106W (högre effekt, nyckelhålsläge), verifierar vidare att modellens förutsägelser nära överensstämmer med de verkliga värdena i nyckelhålsläge men misslyckas med att fånga faktiska fluktuationer i ledningsläge, vilket bekräftar resultaten av underfigur b.
04 Slutsats
Studien fokuserar på den momentana förutsägelsen av laserabsorptionsförmåga vid tillverkning av metalltillsatser. Baserat på synkrotronröntgen-avbildning och integrerande mätningar av sfärstrålning, konstruerades dataset med Ti-6Al-4V absorptionsförmåga utan och med pulver, såväl som multi-material nyckelhålssegmenteringsdataset. Två metoder för djupinlärning föreslogs: end-to-end (ResNet-50, ConvNeXt-T) och modulära (UNet + random forest), båda för att uppnå högprecisionsförutsägelser med 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.
