01 Папир Увод
Адитивна производња (АМ), као основни правац напредне производне технологије, показује значајне предности у производњи металних компоненти по мери и изради сложених структура. Међутим, током процеса металног АМ процеса, сложена интеракција између ласера и материјала лако производи дефекте као што су прскање и порозност због неравнотеже у апсорпцији енергије, ограничавајући његову индустријску примену високе{1}}ности. Апсорптивност ласера, као кључни параметар који повезује улаз ласерске енергије и реакцију материјала, кључна је за превазилажење овог уског грла кроз прецизну квантификацију и предвиђање-у реалном времену. Ласерска апсорпција директно одређује дистрибуцију температуре у базену растопљене; превисока апсорпција може да доведе до прскања, док прениска може да изазове недостатак-дефекта-фузије. Да би се ово решило, могу се увести алгоритми дубоког учења, користећи своје моћно нелинеарно мапирање и могућности издвајања карактеристика слике. Коришћење синхронизованих Кс- снимака ин ситу експеримената урушавања кључаонице (укључујући одговарајућу измерену апсорптивност) као основних података, погодне конволуционе неуронске мреже (РесНет-50, ЦонвНеКст-Т), модели семантичке сегментације (УНег) могу да се дизајнирају на основу геометријских карактеристика извлачења геометријских карактеристика са јаким карактеристикама. колапс кључаонице (дубина, однос ширине и висине, итд.) и упијање. Ово може да конструише прецизан предиктивни модел '-апсорпције рендгенских зрака до ласерске апсорпције' (и крај-до-и модуларни приступ), омогућавајући-квантификовање апсорпције ласера у реалном времену и пружање подршке подацима за контролу динамике базена растопљеног материјала и смањење дефеката у индустријској примени са високом препреком метала.
02 Преглед пуног текста
Овај рад конструише скупове података о апсорпцији и сегментацији користећи податке добијене из ин-ситу синхроног-брзог Кс-система за снимање Кс-зрака на 32-ИД-Б снопу напредног извора фотона (АПС) на АНЛ, укључујући скупове података који су примењени без депресијског слоја и слоја праха, са слојем праха и слојем праха. енд-то-енд и модуларне методе. Метод-до-енд користи две конволуционе неуронске мреже, РесНет-50 и ЦонвНеКст-Т, да би аутоматски научио имплицитне карактеристике директно из унапред-обрађених Кс-слика, излазећи стопу апсорпције кроз{12} потпуно повезан регресијски слој са{15} унапред-обучени на ИмагеНет-у показујући најбоље перформансе, постижући тестни губитак од 2,35±0,35 и просечну апсолутну грешку мању од 3,3% на сету за тестирање-без праха Ти-6Ал-4В. Модуларни метод прво издваја геометријске карактеристике удубљења паре (као што су дубина, површина и однос ширине и висине) користећи УНет модел семантичке сегментације, а затим предвиђа стопу апсорпције користећи класичне регресионе моделе као што је Рандом Форест; УНет је постигао највиши тест средњег пресека преко споја (мИоУ) од 93,5% у задацима сегментације од више-материјала (нпр. Ти64, СС316, ИН718), а модел Рандом Форест имао је губитак теста од 3,30±0,02. Међу њима, метода од краја до краја је високо аутоматизована и брза у закључивању, погодна за индустријско праћење у реалном времену, али са слабом интерпретативношћу и већим грешкама предвиђања за обрасце проводљивости (мала удубљења паре); модуларни метод има снажну интерпретабилност (квантификовање важности карактеристика кроз СХАП вредности, јасно идентификовање односа ширине и висине, дубине и површине као кључних карактеристика), али се ослања на прецизну сегментацију, са ограниченом применљивошћу у сценаријима који садрже прах због потешкоћа у идентификацији граница депресије.
Слика 03 приказује графичку анализу.
На слици 1 приказани су предвиђени резултати ласерске апсорпције без слоја праха. Подфигуре а и б користе енд-до-крај РесНет-50 модел, који може прецизно да прати промене у стопи ласерске апсорпције током скенирања и трендове у стационарном ласерском степену дубоке кључаонице, али постоје велике грешке у прва два степена стационарног ласера. Подфигуре ц и д користе модел енд-то-енд ЦонвНеКст-Т, са грешкама ласерског сценарија скенирања мањим од 3%, а такође може прецизно предвидети фазу плитке кључаонице стационарног ласера, са одступањима само у фази без-депресије. Подфигуре е и ф користе модуларни приступ (УНет + насумична шума), са перформансама у ласерском скенирању близу-до-метода; међутим, у фази без депресије стационарног ласера, предвиђање је сегментирано као 0 (веома велико одступање), а тачност се побољшава након формирања плитке кључаонице.
Слика 2 приказује перформансе обуке различитих модела, где модел од краја-до-краја РесНет-50 модел унапред-(тежине ИмагеНет) смањује број епоха конвергенције за 19% у поређењу са насумичном иницијализацијом са благим смањењем губитка}, модел од краја до краја{8}{8} пре-обука резултира смањењем епоха конвергенције за 69% и значајним смањењем губитка (губитак на тесту смањен за 76%), док пре-обука модела сегментације УНет смањује само епохе конвергенције за 16% уз минималан утицај на губитак. Ова слика јасно показује да унапред{16}}обучене тежине значајно побољшавају оптимизацију од-до{18}}модела (посебно ЦонвНеКст-Т), али имају ограничен ефекат на моделе сегментације, пружајући кључне смернице за избор стратегије обуке модела.
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% (режим кључаонице) има грешку предвиђања од само 2,54, док узорци мањи или једнаки 40% (режим проводљивости) имају грешку од 12,6, наглашавајући значајну грешку модела у режиму проводљивости; Подфигура ц, кроз статичке ласерске експерименте при 94В (мала снага, режим проводљивости) и 106В (већа снага, режим кључаонице), даље потврђује да се предвиђања модела блиско поклапају са стварним вредностима у режиму кључаонице, али не успевају да ухвате стварне флуктуације у режиму проводљивости, потврђујући налазе подфигуре б.
04 Закључак
Студија се фокусира на тренутно предвиђање апсорпције ласера у производњи металних адитива. На основу синхротронског Кс-снимања и интегрисаних мерења зрачења сфере, конструисани су скупови података Ти-6Ал-4В апсорпције без и са прахом, као и скупови података за сегментацију кључаонице од више{7}} материјала. Предложене су две методе дубоког учења: енд-до-(РесНет-50, ЦонвНеКст-Т) и модуларни (УНет + случајна шума), обе постижу високо прецизна предвиђања са МАЕ<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.
