01 Cyflwyniad Papur
Mae Gweithgynhyrchu Ychwanegion (AM), fel cyfeiriad craidd technoleg gweithgynhyrchu uwch, yn dangos manteision sylweddol wrth gynhyrchu cydrannau metel wedi'u teilwra a gwneuthuriad strwythur cymhleth. Fodd bynnag, yn ystod y broses metel AM, mae'r rhyngweithio cymhleth rhwng laser a deunydd yn hawdd yn cynhyrchu diffygion megis spattering a mandylledd oherwydd anghydbwysedd amsugno ynni, gan gyfyngu ar ei gymhwysiad diwydiannol manwl uchel. Mae amsugnedd laser, fel y paramedr allweddol sy'n cysylltu mewnbwn ynni laser ac ymateb materol, yn hanfodol ar gyfer goresgyn y dagfa hon trwy feintioli manwl gywir a rhagfynegi amser real. Mae amsugnedd laser yn pennu dosbarthiad tymheredd y pwll toddi yn uniongyrchol; gall amsugnedd rhy uchel arwain at wasgaru, tra gall rhy isel achosi diffyg-diffygion ymasiad. Er mwyn mynd i'r afael â hyn, gellir cyflwyno algorithmau dysgu dwfn, gan ddefnyddio eu galluoedd mapio aflinol pwerus ac echdynnu nodweddion delwedd. Defnyddio delweddu pelydr X-yn y fan a'r lle o arbrofion cwymp twll clo (gan gynnwys yr amsugnedd mesuredig cyfatebol) fel data craidd, rhwydweithiau niwral troellol addas (ResNet-50, ConvNeXt-T), modelau segmentu semantig (UNet), a gellir cynllunio strategaethau dysgu trosglwyddo i nodweddion echdyniadol cymhareb dymchweliad, agweddau allweddol geometrig, cydberthynas gref. ac ati) ac amsugnedd. Gall hyn lunio model rhagfynegol manwl gywir o 'ddelwedd pelydr-X{- i amsugnedd laser' (y ddau ben-i-dulliau-diwedd a'r dulliau modiwlaidd), gan alluogi-meintoli amsugniad laser mewn amser real a darparu cymorth data ar gyfer rheoli deinameg pyllau toddi a lleihau diffygion, a thrwy hynny hyrwyddo cymhwysiad metel uchel.
02 Trosolwg Testun Llawn
Mae'r papur hwn yn llunio setiau data amsugno a segmentu gan ddefnyddio data a gafwyd o system ddelweddu pelydr X cydamserol uchel mewn-situ - ar belydryn 32{{4}ID{5}}B o'r Advanced Photon Source (APS) yn ANL, gan gynnwys setiau data heb unrhyw haen o bowdr, a oedd yn cynnwys haenen vapor a haenen bowdr. gorffen-i-derfynu a dulliau modiwlaidd. Mae'r dull diwedd{9}}i-derfynu yn defnyddio dau rwydwaith niwral convolutional, ResNet-50 a ConvNeXt-T, i ddysgu nodweddion ymhlyg yn awtomatig yn uniongyrchol o ddelweddau pelydr X sydd wedi'u prosesu ymlaen llaw, gan allbynnu cyfradd amsugno trwy haenen congression gwbl gysylltiedig{19}T-T, gyda'r haen regression gwbl gysylltiedig. hyfforddwyd ymlaen llaw ar ImageNet yn dangos y perfformiad gorau, gan gyflawni colled prawf o 2.35±0.35 a gwall absoliwt cyfartalog o lai na 3.3% ar set prawf powdr Ti-6Al-4V am ddim. Mae'r dull modiwlaidd yn echdynnu nodweddion geometrig yr iselder anwedd yn gyntaf (fel cymhareb dyfnder, arwynebedd, ac agwedd) gan ddefnyddio model segmentu semantig UNet, yna'n rhagweld cyfradd amsugno gan ddefnyddio modelau atchweliad clasurol megis Random Forest; Cyflawnodd UNet groestoriad cymedrig prawf uchaf dros undeb (mIoU) o 93.5% mewn tasgau segmentu aml-ddeunydd (ee, Ti64, SS316, IN718), ac roedd colled prawf o 3.30±0.02 ar gyfer model Random Forest. Yn eu plith, mae'r dull diwedd-i-ddiwedd yn awtomataidd iawn ac yn gyflym mewn casgliad, sy'n addas ar gyfer monitro amser real diwydiannol, ond gyda dehongliad gwan a gwallau rhagfynegi mwy ar gyfer patrymau dargludiad (diwasgeddau anwedd bach); mae dehongliad cryf gan y dull modiwlaidd (meintoli pwysigrwydd nodwedd trwy werthoedd SHAP, gan nodi'n glir gymhareb agwedd, dyfnder, ac arwynebedd fel nodweddion allweddol), ond mae'n dibynnu ar segmentiad manwl gywir, gyda chymhwysedd cyfyngedig mewn senarios sy'n cynnwys powdr oherwydd anhawster wrth nodi ffiniau iselder.
Mae Ffigur 03 yn dangos y dadansoddiad graffig.
Mae Ffigur 1 yn cyflwyno'r canlyniadau a ragwelir o amsugno laser heb haen powdr. Mae is-ffigurau a a b yn defnyddio'r model diwedd-i-roi'r diwedd-50 ResNet-50, sy'n gallu olrhain yn gywir y newidiadau yng nghyfradd amsugno laser yn ystod sganio a thueddiadau yng nghyfnod twll clo dwfn laser llonydd, ond mae gwallau mawr yn nau gam cyntaf y laser llonydd. Mae is-ffigurau c ac d yn defnyddio'r model diwedd-i-Terfynu ConvNeXt{-T-, gyda gwallau senario sganio laser yn llai na 3%, a gall hefyd ragfynegi cam twll clo bas y laser llonydd yn gywir, gyda gwyriadau yn y cam dim iselder yn unig. Mae subfigures e ac f yn defnyddio dull modiwlaidd (UNet + hap goedwig), gyda pherfformiad mewn sganio laser yn agos i'r diwedd-i-dull diwedd; fodd bynnag, yng nghyfnod dim iselder y laser llonydd, mae'r rhagfynegiad wedi'i rannu'n 0 (gwyriad mawr iawn), ac mae cywirdeb yn gwella ar ôl i'r twll clo bas ffurfio.
Mae Ffigur 2 yn darlunio perfformiad hyfforddi gwahanol fodelau, lle mae diwedd-i-roi-diweddu'r model ResNet-50 model cyn-hyfforddedig (pwysau ImageNet) yn lleihau nifer yr epocs cydgyfeirio 19% o'i gymharu â dechreuadau ar hap gyda gostyngiad bach mewn colled, y diwedd{{7}Cond{9}Cont{9}Contact{9} mae cyn-hyfforddiant yn arwain at leihad o 69% mewn cyfnodau cydgyfeirio a gostyngiad sylweddol mewn colledion (gostyngiad o 76% yn llai o golledion prawf), tra bod cyn-hyfforddiant model segmentu UNet yn lleihau cyfnodau cydgyfeirio 16% yn unig, heb fawr o effaith ar golled. Mae'r ffigur hwn yn dangos yn glir bod pwysau cyn-hyfforddedig yn gwella'n sylweddol y broses o optimeiddio modelau diwedd i{{-ddiwedd (yn enwedig ConvNeXt-T) ond yn cael effaith gyfyngedig ar fodelau segmentu, gan ddarparu canllawiau allweddol ar gyfer dewis strategaeth hyfforddi model.
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 >Mae gan 40% (modd twll clo) wall rhagfynegi o 2.54 yn unig, tra bod gan samplau Llai na neu'n hafal i 40% (modd dargludo) wall o 12.6, gan amlygu gwall sylweddol y model o dan y modd dargludo; Mae subfigure c, trwy arbrofion laser statig ar 94W (pŵer isel, modd dargludiad) a 106W (pŵer uwch, modd twll clo), yn gwirio ymhellach bod rhagfynegiadau'r model yn cyd-fynd yn agos â'r gwerthoedd gwirioneddol yn y modd twll clo ond yn methu â dal amrywiadau gwirioneddol yn y modd dargludiad, gan gadarnhau canfyddiadau is-ffigur b.
04 Casgliad
Mae'r astudiaeth yn canolbwyntio ar ragfynegiad ar unwaith o amsugnedd laser mewn gweithgynhyrchu ychwanegion metel. Yn seiliedig ar ddelweddu pelydr synchrotron X- ac integreiddio mesuriadau ymbelydredd sffêr, lluniwyd setiau data o amsugnedd Ti-6Al-4V heb a chyda powdr, yn ogystal â setiau data segmentu twll clo aml-materol. Cynigiwyd dau ddull dysgu dwfn: diwedd-i-diwedd (ResNet-50, ConvNeXt-T) a modiwlaidd (UNet + coedwig ar hap), y ddau yn cyflawni rhagfynegiadau manwl uchel gyda 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.
