01 Introduzione al documento
La produzione additiva (AM), in quanto direzione centrale della tecnologia di produzione avanzata, mostra vantaggi significativi nella produzione personalizzata di componenti metallici e nella fabbricazione di strutture complesse. Tuttavia, durante il processo AM in metallo, la complessa interazione tra laser e materiale produce facilmente difetti come spruzzi e porosità a causa dello squilibrio nell'assorbimento di energia, limitandone l'applicazione industriale ad alta-precisione. L'assorbimento del laser, in quanto parametro chiave che collega l'input di energia laser e la risposta del materiale, è fondamentale per superare questo collo di bottiglia attraverso una quantificazione precisa e una previsione-in tempo reale. L'assorbenza del laser determina direttamente la distribuzione della temperatura del bagno di fusione; un assorbimento troppo elevato può portare a spruzzi, mentre un assorbimento troppo basso può causare difetti di mancanza-di-fusione. Per risolvere questo problema, è possibile introdurre algoritmi di deep learning, sfruttando le loro potenti capacità di mappatura non lineare e di estrazione di caratteristiche dell’immagine. Utilizzando l'imaging a raggi X sincronizzato in situ-degli esperimenti di collasso del buco della serratura (inclusa la corrispondente assorbenza misurata) come dati fondamentali, è possibile progettare reti neurali convoluzionali adeguate (ResNet-50, ConvNeXt-T), modelli di segmentazione semantica (UNet) e strategie di trasferimento di apprendimento per estrarre caratteristiche fortemente correlate con le caratteristiche geometriche del collasso del buco della serratura (profondità, proporzioni, ecc.) e assorbenza. Questo può costruire un modello predittivo accurato dell'"immagine a raggi X dell'assorbimento del laser" (sia end-to-end che approcci modulari), consentendo la quantificazione in tempo reale-dell'assorbimento del laser e fornendo supporto dati per il controllo delle dinamiche del pool di fusione e la riduzione dei difetti, facendo avanzare così l'applicazione industriale ad alta precisione dell'AM in metallo.
02 Panoramica del testo completo
Questo documento costruisce set di dati di assorbimento e segmentazione utilizzando i dati ottenuti da un sistema di imaging a raggi X ad alta velocità sincrono in situ ad alta velocità- sulla linea di fascio 32-ID-B dell'Advanced Photon Source (APS) presso ANL, inclusi set di dati senza strato di polvere, con strato di polvere e con segmentazione in depressione di vapore, che sono stati applicati rispettivamente da un'estremità all'altra e da un'estremità all'altra e modulari metodi. Il metodo end-to-end utilizza due reti neurali convoluzionali, ResNet-50 e ConvNeXt-T, per apprendere automaticamente le caratteristiche implicite direttamente dalle immagini a raggi X pre-elaborate-, generando un tasso di assorbimento attraverso uno strato di regressione completamente connesso, con ConvNeXt-T pre-addestrato su ImageNet che mostra le migliori prestazioni, ottenendo una perdita di test di 2,35±0,35 e un errore assoluto medio inferiore al 3,3% sul set di test di Ti-6Al-4V senza polvere. Il metodo modulare estrae innanzitutto le caratteristiche geometriche della depressione del vapore (come profondità, area e proporzioni) utilizzando un modello di segmentazione semantica UNet, quindi prevede il tasso di assorbimento utilizzando modelli di regressione classici come Random Forest; UNet ha raggiunto il valore più alto di intersezione sull'unione (mIoU) del 93,5% in attività di segmentazione multi-materiale (ad es. Ti64, SS316, IN718) e il modello Random Forest ha avuto una perdita di test di 3,30±0,02. Tra questi, il metodo end-to-end è altamente automatizzato e veloce nell'inferenza, adatto per il monitoraggio industriale in tempo reale, ma con debole interpretabilità e maggiori errori di previsione per i modelli di conduzione (piccole depressioni di vapore); il metodo modulare ha una forte interpretabilità (quantificazione dell'importanza delle caratteristiche attraverso valori SHAP, identificazione chiara delle proporzioni, della profondità e dell'area come caratteristiche chiave), ma si basa su una segmentazione precisa, con applicabilità limitata in scenari contenenti polvere a causa della difficoltà nell'identificazione dei confini della depressione.
La Figura 03 mostra l'analisi grafica.
La Figura 1 presenta i risultati previsti dell'assorbimento del laser senza uno strato di polvere. Le sottofigure aeb utilizzano il modello end-to{3}}end ResNet-50, che può monitorare con precisione i cambiamenti nel tasso di assorbimento del laser durante la scansione e le tendenze nella fase del buco della serratura profondo del laser stazionario, ma ci sono grandi errori nelle prime due fasi del laser stazionario. Le sottofigure c e d utilizzano il modello end-to{8}}end ConvNeXt-T, con errori di scenario del laser di scansione inferiori al 3% e può anche prevedere con precisione la fase del buco della serratura superficiale del laser stazionario, con deviazioni solo nella fase di non-depressione. Le sottofigure e ed f utilizzano un approccio modulare (UNet + foresta casuale), con prestazioni nella scansione laser vicine al metodo end-to-end; tuttavia, nella fase di non depressione del laser stazionario, la previsione è segmentata come 0 (deviazione molto ampia) e la precisione migliora dopo la formazione del buco della serratura poco profondo.
La Figura 2 illustra le prestazioni di addestramento di diversi modelli, dove il modello end-to-end ResNet-50 pre-addestrato (pesi ImageNet) riduce il numero di epoche di convergenza del 19% rispetto all'inizializzazione casuale con una leggera diminuzione della perdita, il modello end-to-end ConvNeXt-T pre{12}}risulta in un Riduzione del 69% delle epoche di convergenza e diminuzione sostanziale delle perdite (perdita nei test ridotta del 76%), mentre il pre-addestramento del modello di segmentazione UNet riduce le epoche di convergenza solo del 16% con un impatto minimo sulle perdite. Questa figura mostra chiaramente che i pesi pre-addestrati migliorano significativamente l'ottimizzazione dei modelli end-to-end (in particolare ConvNeXt-T) ma hanno un effetto limitato sui modelli di segmentazione, fornendo indicazioni chiave per la selezione della strategia di addestramento del modello.
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 >Il 40% (modalità keyhole) ha un errore di previsione di solo 2,54, mentre i campioni inferiori o uguali al 40% (modalità di conduzione) hanno un errore di 12,6, evidenziando l'errore significativo del modello in modalità di conduzione; La figura c, attraverso esperimenti laser statici a 94 W (bassa potenza, modalità di conduzione) e 106 W (potenza maggiore, modalità keyhole), verifica ulteriormente che le previsioni del modello corrispondono strettamente ai valori reali in modalità keyhole ma non riescono a catturare le fluttuazioni effettive in modalità di conduzione, corroborando i risultati della sottofigura b.
04 Conclusione
Lo studio si concentra sulla previsione istantanea dell’assorbimento del laser nella produzione additiva dei metalli. Sulla base dell'imaging a raggi X del sincrotrone- e dell'integrazione delle misurazioni della radiazione della sfera, sono stati costruiti set di dati sull'assorbimento di Ti-6Al-4V senza e con polvere, nonché set di dati di segmentazione del buco della serratura multi-materiale. Sono stati proposti due metodi di deep learning: end{9}}to-end (ResNet-50, ConvNeXt-T) e modulare (UNet + foresta casuale), entrambi ottenendo previsioni ad alta precisione con 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.
