01 Papierintroductie
Additive Manufacturing (AM), als kernrichting van geavanceerde productietechnologie, vertoont aanzienlijke voordelen bij de productie op maat van metalen componenten en de fabricage van complexe structuren. Tijdens het metaal-AM-proces veroorzaakt de complexe interactie tussen laser en materiaal echter gemakkelijk defecten zoals spatten en porositeit als gevolg van onbalans in de energie-absorptie, waardoor de industriële toepassing met hoge precisie wordt beperkt. Laserabsorptievermogen, als de belangrijkste parameter die laserenergie-invoer en materiaalrespons met elkaar verbindt, is van cruciaal belang om dit knelpunt te overwinnen door middel van nauwkeurige kwantificering en realtime- voorspelling. Het laserabsorptievermogen bepaalt rechtstreeks de temperatuurverdeling van het smeltbad; Een te hoog absorptievermogen kan tot spatten leiden, terwijl een te laag absorptievermogen kan leiden tot een gebrek aan-fusiefouten-. Om dit aan te pakken kunnen deep learning-algoritmen worden geïntroduceerd, waarbij gebruik wordt gemaakt van hun krachtige mogelijkheden voor niet-lineaire mapping en beeldkenmerkenextractie. Met behulp van in situ gesynchroniseerde röntgenbeeldvorming van experimenten met het instorten van sleutelgaten (inclusief de overeenkomstige gemeten absorptievermogen) als kerngegevens, kunnen geschikte convolutionele neurale netwerken (ResNet-50, ConvNeXt-T), semantische segmentatiemodellen (UNet) en leerstrategieën voor overdracht worden ontworpen om kenmerken te extraheren die sterk gecorreleerd zijn met de geometrische kenmerken van het instorten van het sleutelgat (diepte, aspectverhouding, enz.) en absorptievermogen. Dit kan een nauwkeurig voorspellend model construeren van 'röntgenbeeld tot laserabsorptievermogen' (zowel end-tot-en modulaire benaderingen), waardoor real-time kwantificering van laserabsorptievermogen mogelijk wordt en gegevensondersteuning wordt geboden voor het beheersen van de dynamiek van smeltbaden en het verminderen van defecten, waardoor de zeer nauwkeurige industriële toepassing van metaal-AM wordt bevorderd.
02 Volledig tekstoverzicht
Dit artikel construeert absorptie- en segmentatiegegevenssets met behulp van gegevens verkregen uit een in-situ synchroon röntgenbeeldvormingssysteem met hoge- snelheid op de 32-ID-B-bundellijn van de Advanced Photon Source (APS) bij ANL, inclusief gegevenssets zonder poederlaag, met poederlaag en met dampdepressiesegmentatie, die respectievelijk werden toegepast op eind- tot- modulaire methoden. De end{9}}to-end-methode maakt gebruik van twee convolutionele neurale netwerken, ResNet-50 en ConvNeXt-T, om automatisch impliciete kenmerken rechtstreeks te leren van voor-verwerkte röntgenbeelden-, waarbij de absorptiesnelheid wordt weergegeven via een volledig verbonden regressielaag, waarbij ConvNeXt-T vooraf-getraind op ImageNet de beste prestatie, met een testverlies van 2,35±0,35 en een gemiddelde absolute fout van minder dan 3,3% op de poeder-vrije Ti-6Al-4V-testset. De modulaire methode extraheert eerst geometrische kenmerken van de dampdepressie (zoals diepte, oppervlakte en aspectverhouding) met behulp van een semantisch segmentatiemodel van UNet, en voorspelt vervolgens de absorptiesnelheid met behulp van klassieke regressiemodellen zoals Random Forest; UNet behaalde een hoogste testgemiddelde intersectie over unie (mIoU) van 93,5% bij multi-materiaal (bijv. Ti64, SS316, IN718) segmentatietaken, en het Random Forest-model had een testverlies van 3,30 ± 0,02. Onder hen is de end-to-end-methode in hoge mate geautomatiseerd en snel in inferentie, geschikt voor industriële real-time monitoring, maar met zwakke interpreteerbaarheid en grotere voorspellingsfouten voor geleidingspatronen (kleine dampdepressies); de modulaire methode heeft een sterke interpreteerbaarheid (het kwantificeren van het belang van kenmerken via SHAP-waarden, het duidelijk identificeren van de beeldverhouding, diepte en oppervlakte als belangrijkste kenmerken), maar vertrouwt op nauwkeurige segmentatie, met beperkte toepasbaarheid in poederhoudende scenario's vanwege problemen bij het identificeren van depressiegrenzen.
Figuur 03 toont de grafische analyse.
Figuur 1 presenteert de voorspelde resultaten van laserabsorptie zonder poederlaag. Subfiguren a en b gebruiken het end{2}}to-end ResNet-50-model, dat de veranderingen in de laserabsorptiesnelheid tijdens het scannen en trends in het diepe sleutelgatstadium van de stationaire laser nauwkeurig kan volgen, maar er zijn grote fouten in de eerste twee fasen van de stationaire laser. Subfiguren c en d gebruiken het end{7}}to-end ConvNeXt-T-model, met scanlaserscenariofouten van minder dan 3%, en het kan ook nauwkeurig het ondiepe sleutelgatstadium van de stationaire laser voorspellen, met afwijkingen alleen in het stadium van geen-depressie. Subfiguren e en f gebruiken een modulaire aanpak (UNet + willekeurig bos), waarbij de prestaties bij het scannen met laser dicht bij de end-to-end-methode liggen; In de fase zonder depressie van de stationaire laser wordt de voorspelling echter gesegmenteerd als 0 (zeer grote afwijking), en verbetert de nauwkeurigheid nadat het ondiepe sleutelgat zich heeft gevormd.
Figuur 2 toont de trainingsprestaties van verschillende modellen, waarbij het eind-tot-eind ResNet-50 vooraf getrainde model (ImageNet-gewichten) het aantal convergentie-epochs met 19% vermindert vergeleken met willekeurige initialisatie met een lichte afname in verlies, het einde-tot-eind ConvNeXt-T-model vóór-training resulteert in een Een vermindering van 69% in convergentie-epochs en een substantiële afname van verlies (testverlies verminderd met 76%), terwijl het vooraf trainen van het UNet-segmentatiemodel de convergentie-epochs slechts met 16% reduceert met minimale impact op verlies. Deze figuur laat duidelijk zien dat vooraf-getrainde gewichten de optimalisatie van eind-tot-modellen (vooral ConvNeXt-T) aanzienlijk verbeteren, maar een beperkt effect hebben op segmentatiemodellen, waardoor belangrijke richtlijnen worden geboden voor de selectie van modeltrainingsstrategieën.
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% (sleutelgatmodus) heeft een voorspellingsfout van slechts 2,54, terwijl monsters kleiner dan of gelijk aan 40% (geleidingsmodus) een fout van 12,6 hebben, wat de significante fout van het model in de geleidingsmodus benadrukt; Subfiguur c verifieert door middel van statische laserexperimenten bij 94W (laag vermogen, geleidingsmodus) en 106W (hoger vermogen, sleutelgatmodus) verder dat de voorspellingen van het model nauw aansluiten bij de werkelijke waarden in de sleutelgatmodus, maar er niet in slagen daadwerkelijke fluctuaties in de geleidingsmodus vast te leggen, wat de bevindingen van subfiguur b bevestigt.
04 Conclusie
De studie richt zich op de onmiddellijke voorspelling van laserabsorptievermogen bij additieve productie van metalen. Gebaseerd op synchrotron röntgenbeeldvorming en integratie van bolstralingsmetingen werden datasets van Ti-6Al-4V-absorptievermogen zonder en met poeder, evenals multi-materiaalsleutelgatsegmentatiedatasets samengesteld. Er werden twee deep learning-methoden voorgesteld: end{9}}to-end (ResNet-50, ConvNeXt-T) en modulair (UNet + random forest), waarbij beide uiterst nauwkeurige voorspellingen worden gedaan met 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.
