01 מבוא נייר
ייצור תוסף (AM), ככיוון ליבה של טכנולוגיית ייצור מתקדמת, מציג יתרונות משמעותיים בייצור מותאם אישית של רכיבי מתכת וייצור מבנה מורכב. עם זאת, במהלך תהליך AM מתכת, האינטראקציה המורכבת בין לייזר לחומר מייצרת בקלות פגמים כגון התזות ונקבוביות עקב חוסר איזון בספיגת האנרגיה, מה שמגביל את היישום התעשייתי הדיוק- הגבוה שלו. ספיגת הלייזר, כפרמטר המפתח המקשר בין הזנת אנרגיית הלייזר ותגובת החומר, היא חיונית להתגברות על צוואר בקבוק זה באמצעות כימות מדויק וחיזוי- בזמן אמת. ספיגת הלייזר קובעת ישירות את חלוקת הטמפרטורה של בריכת ההיתוך; ספיגה גבוהה מדי עלולה להוביל להתזות, בעוד נמוכה מדי עלולה לגרום לחוסר-של-פגמי היתוך. כדי להתמודד עם זה, ניתן להציג אלגוריתמי למידה עמוקה, הממנפים את יכולות המיפוי הלא ליניארי העוצמתי שלהם וחילוץ תכונות תמונה. שימוש בדמיית רנטגן מסונכרנת במקום- של ניסויי קריסת חור המנעול (כולל יכולת הספיגה הנמדדת המקבילה) כנתוני ליבה, רשתות עצביות קונבולוציוניות מתאימות (ResNet-50, ConvNeXt-T), מודלים של פילוח סמנטי (UNet), והעברת אסטרטגיות למידה חזקות שיכולות להיות מתוכננות לחילוץ תכונות גיאומטריות חזקות. קריסת חור המנעול (עומק, יחס רוחב-גובה וכו') וכושר ספיגה. זה יכול לבנות מודל חיזוי מדויק של 'ספיגות-תמונת רנטגן ללייזר' (הן גישות מקצה-לקצה והן גישות מודולריות), לאפשר-כימות בזמן אמת של ספיגות הלייזר ולספק תמיכה בנתונים לשליטה בדינמיקה של בריכת נמס והפחתת פגמים תעשייתיים של AM.
02 סקירת טקסט מלאה
מאמר זה בונה מערכי נתונים ספיגה ופילוח באמצעות נתונים המתקבלים ממערכת הדמיית קרני רנטגן-ב-סינכרונית-במהירות גבוהה- בקו הקרן 32-ID-B של מקור הפוטון המתקדם (APS) ב-ANL, כולל מערכי נתונים ללא שכבת אבקה, עם דיכוי אבקה, עם דיכוי אבקה, ועם דיכוי אבקה בהתאמה. מקצה-לקצה-שיטות מודולריות. שיטת הקצה-to-משתמשת בשתי רשתות עצביות קונבולוציוניות, ResNet-50 ו-ConvNeXt-T, כדי ללמוד אוטומטית תכונות מרומזות ישירות מ-תמונות X-מעובדות מראש, תוך פלטת קצב ספיגה דרך שכבת רגרסיה מחוברת מלאה{19}X -מתאמן מראש ב-ImageNet ומציג את הביצועים הטובים ביותר, משיג אובדן בדיקה של 2.35±0.35 ושגיאה מוחלטת ממוצעת של פחות מ-3.3% על ערכת הבדיקה Ti-6Al-4V ללא אבקה. השיטה המודולרית מחלצת תחילה מאפיינים גיאומטריים של שקע האדים (כגון עומק, שטח ויחס רוחב-גובה) באמצעות מודל פילוח סמנטי של UNet, ולאחר מכן מנבאת את קצב הקליטה באמצעות מודלים של רגרסיה קלאסית כגון Random Forest; UNet השיגה את ממוצע הבדיקה הגבוה ביותר לצמת על איחוד (mIoU) של 93.5% במשימות פילוח מרובות-חומר (למשל, Ti64, SS316, IN718), ולמודל ה-Random Forest היה אובדן בדיקה של 3.30±0.02. ביניהם, שיטת הקצה לקצה היא מאוד אוטומטית ומהירה בהסקת הסקת, מתאימה לניטור תעשייתי בזמן אמת, אך עם פרשנות חלשה ושגיאות חיזוי גדולות יותר לדפוסי הולכה (שקעי אדים קטנים); לשיטה המודולרית יש פרשנות חזקה (כימת חשיבות תכונה באמצעות ערכי SHAP, זיהוי ברור של יחס רוחב-גובה, עומק ושטח כמאפייני מפתח), אך מסתמכת על פילוח מדויק, עם יישום מוגבל בתרחישים המכילים אבקה עקב קושי בזיהוי גבולות דיכאון.
איור 03 מציג את הניתוח הגרפי.
איור 1 מציג את התוצאות החזויות של קליטת לייזר ללא שכבת אבקה. תבניות משנה a ו-b משתמשות במודל end-to-end ResNet-50, שיכול לעקוב במדויק אחר השינויים בקצב ספיגת הלייזר במהלך סריקה ומגמות בשלב הלייזר העמוק הנייח, אך ישנן שגיאות גדולות בשני השלבים הראשונים של הלייזר הנייח. תבניות המשנה c ו-d משתמשות במודל end-to-end ConvNeXt-T, עם שגיאות תרחיש לייזר בסריקה של פחות מ-3%, והוא יכול גם לחזות במדויק את שלב חור המנעול הרדוד של הלייזר הנייח, עם סטיות רק בשלב ללא-השפל. תבניות משנה e ו-f משתמשות בגישה מודולרית (UNet + יער אקראי), עם ביצועים בסריקת לייזר קרוב לשיטת הקצה-ל-הסוף; עם זאת, בשלב ללא דיכאון של הלייזר הנייח, החיזוי מפולח כ-0 (סטייה גדולה מאוד), והדיוק משתפר לאחר יצירת חור המנעול הרדוד.
איור 2 מתאר את ביצועי האימון של מודלים שונים, כאשר הדגם-to-end ResNet-50 שהוכשר מראש (משקלי ImageNet) מפחית את מספר תקופות ההתכנסות ב-19% בהשוואה לאתחול אקראי עם ירידה קלה בהפסד, הסוף{{7}XNt אימון קדם- מביא להפחתה של 69% בתקופות ההתכנסות ולירידה ניכרת בהפסד (אובדן מבחן מופחת ב-76%), בעוד שאימון מקדים של מודל הפילוח של UNet רק מפחית את תקופות ההתכנסות ב-16% עם השפעה מינימלית על אובדן. איור זה מראה בבירור שמשקולות שאומנו מראש-משפרות באופן משמעותי את האופטימיזציה של מודלים מקצה-עד-(במיוחד ConvNeXt-T), אך יש להם השפעה מוגבלת על מודלים של פילוח, מה שמספק הנחיות מרכזיות לבחירת אסטרטגיית אימון מודל.
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 >ל-40% (מצב חור המנעול) יש שגיאת חיזוי של 2.54 בלבד, ואילו לדגימות של פחות או שווה ל-40% (מצב הולכה) יש שגיאה של 12.6, מה שמדגיש את השגיאה המשמעותית של המודל במצב הולכה; תת-דמות c, באמצעות ניסויי לייזר סטטי ב-94W (הספק נמוך, מצב הולכה) ו-106W (הספק גבוה יותר, מצב חור מפתח), מאמת עוד יותר שהתחזיות של המודל תואמות היטב את הערכים האמיתיים במצב חור המנעול אך לא מצליחות ללכוד תנודות בפועל במצב הולכה, מה שמאשר את הממצאים של תת-דמות ב.
04 מסקנה
המחקר מתמקד בחיזוי מיידי של ספיגת הלייזר בייצור תוספי מתכת. בהתבסס על הדמיית קרני X- סינכרוטרון ושילוב מדידות קרינת כדור, נבנו מערכי נתונים של ספיגה Ti-6Al-4V ללא ועם אבקה, וכן מערכי נתונים רבים של פילוח חורי מפתח של חומרים. הוצעו שתי שיטות למידה עמוקה: מקצה-לקצה-(ResNet-50, ConvNeXt-T) ומודולרית (UNet + יער אקראי), שתיהן משיגות תחזיות ברמת דיוק גבוהה עם 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.
