01 Papīrs Ievads
Piedevu ražošana (AM), kas ir progresīvās ražošanas tehnoloģijas pamatvirziens, uzrāda ievērojamas priekšrocības pielāgotā metāla detaļu ražošanā un sarežģītu konstrukciju ražošanā. Tomēr metāla AM procesa laikā sarežģītā lāzera un materiāla mijiedarbība enerģijas absorbcijas nelīdzsvarotības dēļ viegli rada defektus, piemēram, izšļakstīšanos un porainību, ierobežojot tā augstas precizitātes rūpniecisko pielietojumu. Lāzera absorbcija kā galvenais parametrs, kas saista lāzera enerģijas ievadi un materiāla reakciju, ir ļoti svarīgs, lai pārvarētu šo vājo vietu, izmantojot precīzu kvantitatīvo noteikšanu un reāllaika{3}}prognozes. Lāzera absorbcija tieši nosaka kausējuma baseina temperatūras sadalījumu; pārāk augsta absorbcijas spēja var izraisīt izšļakstīšanos, savukārt pārāk zema var izraisīt saplūšanas defektu -trūkumu-. Lai to risinātu, var ieviest dziļās mācīšanās algoritmus, izmantojot to jaudīgās nelineārās kartēšanas un attēlu funkciju iegūšanas iespējas. Izmantojot atslēgas caurumu sabrukšanas eksperimentu in situ sinhronizētu rentgena attēlveidošanu (tostarp atbilstošo izmērīto absorbciju) kā pamatdatus, piemērotus konvolucionālos neironu tīklus (ResNet-50, ConvNeXt-T), semantiskās segmentācijas modeļus (UNet) un ģeometriski raksturīgās galvenās iezīmes var pārnest uz spēcīgām ģeometriskām iezīmēm. sabrukums (dziļums, malu attiecība utt.) un absorbcija. Tas var izveidot precīzu “rentgenstaru attēla un lāzera absorbcijas” prognozēšanas modeli (gan no gala, gan modulāras pieejas), kas ļauj kvantitatīvi noteikt lāzera absorbciju reāllaikā un nodrošināt datu atbalstu, lai kontrolētu kausējuma baseina dinamiku un samazinātu rūpniecisko defektu izmantošanu, tādējādi nodrošinot augstu metāla pielietojumu.
02 Pilns teksta pārskats
Šajā rakstā ir izveidotas absorbcijas un segmentācijas datu kopas, izmantojot datus, kas iegūti no in-situ sinhronas ātrgaitas-rentgenstaru-attēlveidošanas sistēmas uzlabotā fotonu avota (APS) ANL 32-ID-B staru līnijā, tostarp datu kopas ar pulvera un slāņa segmentāciju, kas tika uzklāts bez depresijas. no beigām-līdz-galam un modulārās metodes. Metode no gala-līdz galam iepriekš apmācīts programmā ImageNet, uzrādot vislabāko veiktspēju, sasniedzot testa zudumu 2,35±0,35 un vidējo absolūto kļūdu mazāk nekā 3,3% pulvera-brīvā Ti-6Al-4V testa komplektā. Modulārā metode vispirms iegūst tvaiku depresijas ģeometriskās iezīmes (piemēram, dziļumu, laukumu un malu attiecību), izmantojot UNet semantiskās segmentācijas modeli, pēc tam prognozē absorbcijas ātrumu, izmantojot klasiskos regresijas modeļus, piemēram, Random Forest; UNet sasniedza augstāko testa vidējo krustojumu virs savienojuma (mIoU) — 93,5% vairāku materiālu (piemēram, Ti64, SS316, IN718) segmentācijas uzdevumos, un Random Forest modeļa testa zudums bija 3,30±0,02. Tostarp pilnīga metode ir ļoti automatizēta un ātri izdara secinājumus, piemērota rūpnieciskai reāllaika uzraudzībai, bet ar vāju interpretējamību un lielākām prognozēšanas kļūdām vadītspējas modeļiem (mazas tvaika ieplakas); modulārajai metodei ir spēcīga interpretējamība (pazīmes nozīmīguma kvantitatīva noteikšana, izmantojot SHAP vērtības, skaidri nosakot malu attiecību, dziļumu un laukumu kā galvenās iezīmes), taču tā balstās uz precīzu segmentāciju, un pulvera saturošu scenāriju pielietojamība ir ierobežota, jo ir grūti noteikt depresijas robežas.
03. attēlā parādīta grafiskā analīze.
1. attēlā parādīti paredzamie lāzera absorbcijas rezultāti bez pulvera slāņa. Apakšskaitļos a un b tiek izmantots ResNet-50 modelis no gala-līdz-end, kas var precīzi izsekot lāzera absorbcijas ātruma izmaiņām skenēšanas laikā un tendencēm stacionārā lāzera dziļā atslēgas cauruma stadijā, taču stacionārā lāzera pirmajos divos posmos ir lielas kļūdas. Apakšattēlā c un d tiek izmantots ConvNeXt-T modelis, kurā skenēšanas lāzera scenārija kļūdas ir mazākas par 3%, un tas var arī precīzi paredzēt stacionārā lāzera seklā atslēgas cauruma stadiju ar novirzēm tikai bez-nospieduma stadijā. Apakšattēlā e un f tiek izmantota modulāra pieeja (UNet + izlases mežs), un lāzera skenēšanas veiktspēja ir tuvu no beigām{14}}līdz{15}}beigām; tomēr stacionārā lāzera bezdepresijas stadijā prognoze tiek segmentēta kā 0 (ļoti liela novirze), un precizitāte uzlabojas pēc seklā atslēgas cauruma veidošanās.
2. attēlā ir attēlota dažādu modeļu apmācības veiktspēja, kur no gala-līdz-galam ResNet-50 modelis iepriekš apmācīts (ImageNet svari) samazina konverģences laikmetu skaitu par 19%, salīdzinot ar nejaušu inicializēšanu ar nelielu zaudējumu samazināšanos, līdz{{{}} iepriekšējas apmācības rezultātā par 69% samazinās konverģences periodi un ievērojami samazinās zudumi (pārbaudes zudumi samazināti par 76%), savukārt UNet segmentācijas modeļa iepriekšēja apmācība samazina konverģences laikmetus tikai par 16%, minimāli ietekmējot zaudējumus. Šis attēls skaidri parāda, ka iepriekš apmācīti svari ievērojami uzlabo gala{17}}līdz{18}}modeļu (īpaši ConvNeXt-T) optimizāciju, taču tiem ir ierobežota ietekme uz segmentācijas modeļiem, nodrošinot galvenos norādījumus par modeļu apmācības stratēģijas izvēli.
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% (atslēgas cauruma režīmā) prognozēšanas kļūda ir tikai 2,54, turpretim paraugiem, kas mazāki par vai vienādi ar 40% (vadīšanas režīmā), ir kļūda 12,6, izceļot modeļa būtisku kļūdu vadīšanas režīmā; Apakšattēls c, izmantojot statiskus lāzera eksperimentus ar 94 W (maza jauda, vadītspējas režīms) un 106 W (lielāka jauda, atslēgas cauruma režīms), vēl vairāk pārbauda, vai modeļa prognozes cieši sakrīt ar reālajām vērtībām atslēgas cauruma režīmā, bet nespēj uztvert faktiskās svārstības vadīšanas režīmā, apstiprinot b apakšattēlas konstatējumus.
04 Secinājums
Pētījums koncentrējas uz tūlītēju lāzera absorbcijas prognozēšanu metālu piedevu ražošanā. Pamatojoties uz sinhrotronu rentgena attēlveidošanu un integrējot sfēras starojuma mērījumus, tika izveidotas Ti-6Al-4V absorbcijas datu kopas bez pulvera un ar to, kā arī vairāku-materiālu atslēgas caurumu segmentācijas datu kopas. Tika piedāvātas divas dziļās mācīšanās metodes: no gala-līdz-galam (ResNet-50, ConvNeXt-T) un modulārā (UNet + nejaušs mežs), abas panākot augstas precizitātes prognozes ar 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.
