01 Papirintroduktion
Additive Manufacturing (AM), som en kerneretning af avanceret fremstillingsteknologi, viser betydelige fordele ved skræddersyet produktion af metalkomponenter og kompleks strukturfabrikation. Men under metal-AM-processen producerer den komplekse interaktion mellem laser og materiale let defekter såsom sprøjt og porøsitet på grund af energiabsorptionsubalance, hvilket begrænser dens høje-industrielle anvendelse. Laserabsorptionsevne, som nøgleparameteren, der forbinder laserenergiinput og materialerespons, er afgørende for at overvinde denne flaskehals gennem præcis kvantificering og-realtidsforudsigelse. Lasers absorptionsevne bestemmer direkte temperaturfordelingen af smeltebassinet; for høj absorptionsevne kan føre til sprøjt, mens for lav kan forårsage mangel på--fusionsdefekter. For at imødegå dette kan deep learning-algoritmer introduceres, der udnytter deres kraftfulde ikke-lineære kortlægnings- og billedudtræksfunktioner. Anvendelse af in situ synkroniseret røntgenbillede af nøglehulskollapseksperimenter (inklusive den tilsvarende målte absorptivitet) som kernedata, egnede konvolutionelle neurale netværk (ResNet-50, ConvNeXt-T), semantiske segmenteringsmodeller (UNet) og overføre læringsstrategier, der kan udtrækkes med stærke karakteristiske geometriske strategier. nøglehulskollaps (dybde, billedformat osv.) og absorptionsevne. Dette kan konstruere en nøjagtig forudsigelig model af 'røntgenbillede til laserabsorptivitet' (både ende--til-- og modulære tilgange), hvilket muliggør realtids-kvantificering af laserabsorptivitet og giver dataunderstøttelse til styring af smeltebassinets dynamik og reducerer den industrielle applikation med høj AM-forstærkning, hvilket reducerer defekter i industrien.
02 Fuld tekstoversigt
Dette papir konstruerer absorptions- og segmenteringsdatasæt ved hjælp af data opnået fra et in-situ synkront høj-højhastigheds røntgenbilleddannelsessystem- ved 32-ID-B-strålelinjen af Advanced Photon Source (APS) ved ANL, inklusive datasæt uden pulverlag, med pulverlag, der blev påført respektivt dampdepression og med dampdepression. ende-til-ende og modulære metoder. End-to-end-metoden bruger to konvolutionelle neurale netværk, ResNet-50 og ConvNeXt-T, til automatisk at lære implicitte funktioner direkte fra for-forbehandlede røntgenbilleder, der udsender absorptionshastighed gennem et fuldt forbundet regressionslag, med{19}T ConvNeXt{19}Xt forud-uddannet på ImageNet, der viser den bedste ydeevne, opnår et testtab på 2,35±0,35 og en gennemsnitlig absolut fejl på mindre end 3,3 % på det pulver-fri Ti-6Al-4V-testsæt. Den modulære metode udtrækker først geometriske træk ved dampdepressionen (såsom dybde, areal og aspektforhold) ved hjælp af en UNet semantisk segmenteringsmodel, og forudsiger derefter absorptionshastighed ved hjælp af klassiske regressionsmodeller såsom Random Forest; UNet opnåede et højeste testmiddel skæringspunkt over forening (mIoU) på 93,5 % i multi-materiale (f.eks. Ti64, SS316, IN718) segmenteringsopgaver, og Random Forest-modellen havde et testtab på 3,30±0,02. Blandt dem er end-to-end metoden højautomatiseret og hurtig i inferens, velegnet til industriel realtidsovervågning, men med svag fortolkning og større forudsigelsesfejl for ledningsmønstre (små dampfordybninger); den modulære metode har stærk fortolkning (kvantificering af egenskabernes betydning gennem SHAP-værdier, tydelig identifikation af aspektforhold, dybde og areal som nøgletræk), men er afhængig af præcis segmentering, med begrænset anvendelighed i pulverholdige scenarier på grund af vanskeligheder med at identificere depressionsgrænser.
Figur 03 viser den grafiske analyse.
Figur 1 viser de forudsagte resultater af laserabsorption uden et pulverlag. Underfigurerne a og b bruger end-to-end ResNet-50-modellen, som nøjagtigt kan spore ændringerne i laserabsorptionshastigheden under scanning og tendenser i det stationære laser-dybe nøglehulstrin, men der er store fejl i de første to trin af den stationære laser. Underfigurerne c og d bruger end-to-end ConvNeXt-T-modellen med scanningslaser-scenariefejl på mindre end 3 %, og den kan også nøjagtigt forudsige det lave nøglehulsstadium af den stationære laser med afvigelser kun i ingen-depressionsstadiet. Underfigurer e og f bruger en modulær tilgang (UNet + tilfældig skov) med ydeevne ved scanning af laser tæt på ende-til-metoden; i den stationære lasers ikke-depressionsstadie segmenteres forudsigelsen som 0 (meget stor afvigelse), og nøjagtigheden forbedres, efter at det lave nøglehul dannes.
Figur 2 viser træningsydelsen for forskellige modeller, hvor end-to-end ResNet-50 model præ-trænede (ImageNet-vægte) reducerer antallet af konvergensepoker med 19 % sammenlignet med tilfældig initialisering med et lille fald i tab, slutningen{{8}XeNT-modellen før-træning resulterer i en reduktion på 69 % i konvergensepoker og et væsentligt fald i tab (testtab reduceret med 76 %), mens præ{15}}træning af UNet-segmenteringsmodellen kun reducerer konvergensepoker med 16 % med minimal indvirkning på tab. Denne figur viser tydeligt, at præ-trænede vægte markant forbedrer optimeringen af ende-til-modeller (især ConvNeXt-T), men har begrænset effekt på segmenteringsmodeller, hvilket giver nøglevejledning til valg af modeltræningsstrategi.
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 % (nøglehulstilstand) har en forudsigelsesfejl på kun 2,54, hvorimod prøver mindre end eller lig med 40 % (ledningstilstand) har en fejl på 12,6, hvilket fremhæver den signifikante fejl i modellen under ledningstilstand; Underfigur c, gennem statiske lasereksperimenter ved 94W (lav effekt, ledningstilstand) og 106W (højere effekt, nøglehulstilstand), verificerer yderligere, at modellens forudsigelser nøje matcher de reelle værdier i nøglehulstilstand, men ikke kan fange faktiske fluktuationer i ledningstilstand, hvilket bekræfter resultaterne af underfigur b.
04 Konklusion
Undersøgelsen fokuserer på den øjeblikkelige forudsigelse af laserabsorptionsevne i metaladditiv fremstilling. Baseret på synkrotron røntgen---billeddannelse og integrerende sfærestrålingsmålinger blev der konstrueret datasæt med Ti-6Al-4V-absorptionsevne uden og med pulver, såvel som multi-materiale nøglehulssegmenteringsdatasæt. To deep learning-metoder blev foreslået: end-to-end (ResNet-50, ConvNeXt-T) og modulær (UNet + random forest), der begge opnår højpræcisionsforudsigelser 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.
