01 Introduzzjoni tal-Karta
Il-Manifattura Addittiva (AM), bħala direzzjoni ewlenija tat-teknoloġija tal-manifattura avvanzata, turi vantaġġi sinifikanti fil-produzzjoni personalizzata ta 'komponenti tal-metall u fabbrikazzjoni ta' struttura kumplessa. Madankollu, matul il-proċess tal-metall AM, l-interazzjoni kumplessa bejn il-lejżer u l-materjal faċilment tipproduċi difetti bħal tixrid u porożità minħabba żbilanċ fl-assorbiment tal-enerġija, u tirrestrinġi l-applikazzjoni industrijali ta '-preċiżjoni għolja tagħha. L-assorbiment tal-lejżer, bħala l-parametru ewlieni li jgħaqqad id-dħul tal-enerġija tal-lejżer u r-rispons tal-materjal, huwa kruċjali biex jingħeleb dan il-konġestjoni permezz ta' kwantifikazzjoni preċiża u tbassir fil--ħin reali. L-assorbiment tal-lejżer tiddetermina direttament id-distribuzzjoni tat-temperatura tal-pool tat-tidwib; assorbiment għoli wisq jista' jwassal għal tixrid, filwaqt li baxx wisq jista' jikkawża nuqqas-ta'-difetti tal-fużjoni. Biex jindirizzaw dan, jistgħu jiġu introdotti algoritmi ta' tagħlim fil-fond, li jisfruttaw il-kapaċitajiet ta' estrazzjoni tal-karatteristiċi tal-immaġni u l-immappjar mhux lineari qawwija tagħhom. Bl-użu ta' immaġini sinkronizzati in situ ta' esperimenti ta' kollass ta' keyhole (inkluża l-assorbiment imkejjel korrispondenti) bħala data ewlenija, netwerks newrali konvoluzzjonali xierqa (ResNet-50, ConvNeXt{-T), mudelli ta 'segmentazzjoni semantika (UNet), u strateġiji ta' tagħlim ta 'trasferiment jistgħu jiġu ddisinjati biex estratti karatteristiċi ta' kollass ġeometriku b'mod korrelattiv ewlieni. (fond, proporzjon tal-aspett, eċċ.) u assorbiment. Dan jista' jibni mudell ta' tbassir preċiż ta' 'x-immaġini tar-raġġi X għal assorbiment tal-lejżer' (kemm approċċi-sa{-modulari kif ukoll-), li jippermetti l-kwantifikazzjoni f'-ħin reali tal-assorbiment tal-lejżer u jipprovdi appoġġ tad-dejta għall-kontroll tad-dinamika tal-pool tat-tidwib u t-tnaqqis tad-difetti, u b'hekk tavvanza l-applikazzjoni industrijali tal-metall bi preċiżjoni għolja.
02 Ħarsa ġenerali tat-test sħiħ
Dan id-dokument jibni settijiet ta' dejta ta' assorbiment u segmentazzjoni bl-użu ta' dejta miksuba minn sistema ta' immaġini tar-raġġi X-veloċità għolja-ta' veloċità għolja-in-situ fil-linja tar-raġġ 32-ID{-B tal-Advanced Photon Source (APS) f'ANL, inklużi settijiet ta' dejta bl-ebda saff ta' trab, b'segment ta' trab, rispettivament, applikati b'saff ta' depressjoni, b'segment ta' trab metodi minn tarf-sa-modulari. Il-metodu tmiem-sa-tarf juża żewġ netwerks newrali konvoluzzjonali, ResNet-50 u ConvNeXt-T, biex jitgħallem awtomatikament karatteristiċi impliċiti direttament minn immaġini tar-raġġi X-pproċessati minn qabel, li joħroġ rata ta' assorbiment permezz ta' saff ta' rigressjoni kompletament konness, -mħarrġa minn qabel fuq ImageNet li turi l-aħjar prestazzjoni, u kiseb telf ta' test ta' 2.35±0.35 u żball assolut medju ta' inqas minn 3.3% fuq is-sett tat-test Ti-6Al-4V ħieles mit-trab. Il-metodu modulari l-ewwel estratti karatteristiċi ġeometriċi tad-dipressjoni tal-fwar (bħal fond, żona, u proporzjon tal-aspett) billi juża mudell ta 'segmentazzjoni semantika UNet, imbagħad ibassar ir-rata ta' assorbiment billi juża mudelli ta 'rigressjoni klassika bħal Random Forest; UNet kisbet l-ogħla intersezzjoni medja tat-test fuq unjoni (mIoU) ta '93.5% f'kompiti ta' segmentazzjoni multi-(eż., Ti64, SS316, IN718), u l-mudell Random Forest kellu telf ta 'test ta' 3.30±0.02. Fost dawn, il-metodu tarf sa tarf huwa awtomatizzat ħafna u veloċi fl-inferenza, adattat għal monitoraġġ industrijali f'ħin reali, iżda b'interpretabilità dgħajfa u żbalji akbar ta 'tbassir għal mudelli ta' konduzzjoni (depressjonijiet żgħar tal-fwar); il-metodu modulari għandu interpretabilità qawwija (li jikkwantifika l-importanza tal-karatteristika permezz ta 'valuri SHAP, jidentifika b'mod ċar il-proporzjon tal-aspett, il-fond u l-erja bħala karatteristiċi ewlenin), iżda jiddependi fuq segmentazzjoni preċiża, b'applikabbiltà limitata f'xenarji li fihom trab minħabba diffikultà fl-identifikazzjoni tal-konfini tad-dipressjoni.
Figura 03 turi l-analiżi grafika.
Il-Figura 1 tippreżenta r-riżultati mbassra tal-assorbiment tal-lejżer mingħajr saff ta 'trab. Is-sottofiguri a u b jużaw it-tmiem-sa-tmiem ResNet-50 mudell, li jista 'jsegwi b'mod preċiż il-bidliet fir-rata ta' assorbiment tal-lejżer waqt l-iskannjar u t-tendenzi fl-istadju ta 'keyhole fond tal-laser stazzjonarju, iżda hemm żbalji kbar fl-ewwel żewġ stadji tal-laser stazzjonarju. Is-sottofiguri ċ u d jużaw il-mudell ConvNeXt-T tat-tmiem-sa-t-tmiem, bi żbalji tax-xenarju tal-lejżer tal-iskannjar inqas minn 3%, u jista 'wkoll ibassar b'mod preċiż l-istadju tat-toqba tas-sejħiet baxxi tal-laser stazzjonarju, b'devjazzjonijiet biss fl-istadju tal-ebda-depressjoni. Is-sottofiguri e u f jużaw approċċ modulari (UNet + foresta każwali), b'rendiment fl-iskannjar tal-lejżer qrib il-metodu ta' tmiem-sa-; madankollu, fl-istadju ta 'ebda depressjoni tal-laser stazzjonarju, il-previżjoni hija segmentata bħala 0 (devjazzjoni kbira ħafna), u l-eżattezza titjieb wara li l-forom tat-toqba tal-qofol baxxi baxxi.
Il-Figura 2 turi l-prestazzjoni tat-taħriġ ta' mudelli differenti, fejn il-mudell ta' ResNet-50 minn tmiem-sa-imħarreġ minn qabel (piżijiet ta' ImageNet) inaqqas in-numru ta' epoki ta' konverġenza b'19% meta mqabbel ma' inizjalizzazzjoni każwali bi tnaqqis żgħir fit-telf, il-mudell-{8}{8}{8}{8}{8}{V{8}}{V{1} pre-taħriġ jirriżulta fi tnaqqis ta' 69% fl-epoki ta' konverġenza u tnaqqis sostanzjali fit-telf (telf tat-test imnaqqas b'76%), filwaqt li t--taħriġ minn qabel il-mudell ta' segmentazzjoni UNet inaqqas biss l-epoki ta' konverġenza b'16% b'impatt minimu fuq it-telf. Din il-figura turi biċ-ċar li -piżijiet imħarrġa minn qabel itejbu b'mod sinifikanti l-ottimizzazzjoni ta' mudelli ta' tmiem-sa-(speċjalment ConvNeXt-T) iżda għandhom effett limitat fuq mudelli ta' segmentazzjoni, u jipprovdu gwida ewlenija għall-għażla tal-istrateġija tat-taħriġ tal-mudell.
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% (mod keyhole) għandhom żball ta 'tbassir ta' 2.54 biss, billi kampjuni Inqas minn jew ugwali għal 40% (modalità ta 'konduzzjoni) għandhom żball ta' 12.6, li jenfasizzaw l-iżball sinifikanti tal-mudell taħt mod ta 'konduzzjoni; Subfigura c, permezz ta 'esperimenti tal-laser statiċi f'94W (qawwa baxxa, mod ta' konduzzjoni) u 106W (qawwa ogħla, modalità keyhole), tivverifika aktar li t-tbassir tal-mudell jaqblu mill-qrib mal-valuri reali fil-modalità keyhole iżda jonqsu milli jaqbdu l-varjazzjonijiet attwali fil-modalità ta 'konduzzjoni, li jikkorroboraw is-sejbiet tas-subfigura b.
04 Konklużjoni
L-istudju jiffoka fuq it-tbassir istantanju tal-assorbiment tal-lejżer fil-manifattura tal-addittivi tal-metall. Ibbażat fuq immaġini tar-raġġi X-syncrotron u kejl tar-radjazzjoni tal-isfera li jintegra, inbnew settijiet ta' data ta' assorbiment ta' Ti-6Al{-4V mingħajr u bi trab, kif ukoll settijiet ta' dejta tas-segmentazzjoni b'ħafna -materjal keyhole. Ġew proposti żewġ metodi ta’ tagħlim fil-fond: end-sa-end (ResNet-50, ConvNeXt-T) u modulari (UNet + foresti każwali), it-tnejn jiksbu tbassir ta’ preċiżjoni għolja b’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.
