دانشگاه کارنگی ملون، ایالات متحده|روش های یادگیری عمیق برای پیش بینی جذب لیزر لحظه ای در ساخت افزودنی

01 مقدمه مقاله

افزودنی ساخت (AM)، به عنوان یک جهت اصلی از تکنولوژی ساخت پیشرفته، مزایای قابل توجهی در تولید سفارشی اجزای فلزی و ساخت ساختار پیچیده نشان می دهد. با این حال، در طول فرآیند AM فلز، برهمکنش پیچیده بین لیزر و مواد به راحتی باعث ایجاد نقص هایی مانند پاشش و تخلخل به دلیل عدم تعادل در جذب انرژی می شود و کاربرد صنعتی با دقت بالا{1}} آن را محدود می کند. جذب لیزر، به عنوان پارامتر کلیدی که ورودی انرژی لیزر و پاسخ مواد را به هم مرتبط می کند، برای غلبه بر این تنگنا از طریق کمی سازی دقیق و پیش بینی زمان واقعی بسیار مهم است. قابلیت جذب لیزر به طور مستقیم توزیع دمای حوضچه مذاب را تعیین می کند. جذب بیش از حد بالا می تواند منجر به پاشیدگی شود، در حالی که بسیار کم ممکن است باعث فقدان--همجوشی شود. برای پرداختن به این موضوع، الگوریتم‌های یادگیری عمیق را می‌توان معرفی کرد و از قابلیت‌های نگاشت غیرخطی قدرتمند و استخراج ویژگی تصویر استفاده کرد. با استفاده از تصویربرداری همزمان اشعه ایکس{9}}درجا از آزمایش‌های فروپاشی سوراخ کلید (شامل جذب اندازه‌گیری شده مربوطه) به‌عنوان داده‌های اصلی، شبکه‌های عصبی کانولوشنال مناسب (ResNet{11}}50، ConvNeXt-T)، مدل‌های تقسیم‌بندی معنایی (UNet) می‌توانند به‌طور مرتبط با ویژگی‌های وابسته به یادگیری منتقل شوند. ویژگی های فروپاشی سوراخ کلید (عمق، نسبت ابعاد و غیره) و قابلیت جذب. این می‌تواند یک مدل پیش‌بینی دقیق از «{15}}تصویر X اشعه به جذب لیزر» (هم از انتها به{17}}رویکردهای مدولار) بسازد، هم کمی-زمان واقعی جذب لیزر را امکان‌پذیر می‌کند و هم پشتیبانی از داده‌ها را برای کنترل دینامیک حوضچه مذاب و کاهش عیوب صنعتی با افزایش پیشروی فلز در آنجا فراهم می‌کند.

02 نمای کلی متن کامل

این مقاله مجموعه داده‌های جذب و تقسیم‌بندی را با استفاده از داده‌های به‌دست‌آمده از یک سیستم تصویربرداری پرتو ایکس با سرعت بالا-درجا{1}}درجا-در خط پرتو 32-ID-B منبع فوتون پیشرفته (APS) در ANL، از جمله مجموعه‌های داده‌ای بدون لایه داده‌های پودری، لایه‌های پودری، لایه‌های پودری و لایه‌ای با بخار اعمال می‌شود، می‌سازد. روش‌های end-به-پایان و مدولار. روش{9}}پایان به{11}}از دو شبکه عصبی کانولوشن، ResNet-50 و ConvNeXt-T استفاده می‌کند تا به‌طور خودکار ویژگی‌های ضمنی را مستقیماً از{14}}تصاویر X{15} پردازش‌شده از قبل پردازش‌شده یاد بگیرد، نرخ جذب خروجی را از طریق یک لایه کاملاً متصل با{19} رگرسیون{19}T دریافت کند. از قبل در ImageNet آموزش دیده و بهترین عملکرد را نشان می‌دهد، با دستیابی به ضرر تست 0.35±2.35 و میانگین خطای مطلق کمتر از 3.3٪ در مجموعه تست پودر-آزاد Ti-6Al-4V. روش مدولار ابتدا ویژگی‌های هندسی فرورفتگی بخار (مانند عمق، مساحت و نسبت ابعاد) را با استفاده از مدل تقسیم‌بندی معنایی UNet استخراج می‌کند، سپس نرخ جذب را با استفاده از مدل‌های رگرسیون کلاسیک مانند جنگل تصادفی پیش‌بینی می‌کند. UNet به بالاترین میانگین تقاطع آزمایشی روی اتحاد (mIoU) 93.5% در وظایف تقسیم‌بندی چند ماده (مثلاً Ti64، SS316، IN718) دست یافت و مدل جنگل تصادفی افت آزمایشی 0.02±3.30 داشت. در میان آنها، روش انتها به انتها بسیار خودکار و در استنتاج سریع است، مناسب برای پایش بلادرنگ صنعتی، اما با تفسیرپذیری ضعیف و خطاهای پیش‌بینی بزرگ‌تر برای الگوهای هدایت (فروختگی‌های بخار کوچک). روش مدولار دارای قابلیت تفسیر قوی است (کمی کردن اهمیت ویژگی از طریق مقادیر SHAP، شناسایی واضح نسبت ابعاد، عمق و مساحت به عنوان ویژگی‌های کلیدی)، اما بر تقسیم‌بندی دقیق متکی است، با کاربرد محدود در سناریوهای حاوی پودر به دلیل دشواری در شناسایی مرزهای افسردگی.

شکل 03 تجزیه و تحلیل گرافیکی را نشان می دهد.

شکل 1 نتایج پیش بینی شده جذب لیزر بدون لایه پودری را نشان می دهد. شکل‌های فرعی a و b از انتهای-برای-پایان دادن به ResNet-مدل 50 استفاده می‌کنند، که می‌تواند تغییرات نرخ جذب لیزر را در حین اسکن و روندها در مرحله سوراخ کلید عمیق لیزر ثابت را با دقت ردیابی کند، اما خطاهای بزرگی در دو مرحله اول لیزر ثابت وجود دارد. شکل‌های فرعی c و d از انتهای-برای-پایان دادن-مدل ConvNeXt{10}}T با خطاهای سناریوی لیزر اسکن کمتر از 3% استفاده می‌کنند و همچنین می‌توانند مرحله سوراخ کلید کم عمق لیزر ثابت را با انحرافات فقط در مرحله بدون{13}افسردگی پیش‌بینی کنند. زیرشکل‌های e و f از یک رویکرد مدولار (UNet + جنگل تصادفی) با عملکرد در اسکن لیزر نزدیک به روش-تا{15}} استفاده می‌کنند. با این حال، در مرحله بدون افسردگی لیزر ثابت، پیش‌بینی به صورت 0 (انحراف بسیار زیاد) تقسیم می‌شود، و دقت پس از شکل‌گیری سوراخ کلید کم عمق بهبود می‌یابد.

شکل 2 عملکرد آموزشی مدل‌های مختلف را نشان می‌دهد، جایی که-به-پایان ResNet-50 مدل از قبل آموزش‌دیده شده-(وزن‌های ImageNet) تعداد دوره‌های همگرایی را در مقایسه با مقدار اولیه تصادفی با کاهش جزئی در تلفات{9} پایان{8} 19% کاهش می‌دهد. مدل قبل از آموزش{12}}به کاهش 69 درصدی دوره‌های همگرایی و کاهش قابل توجه ضرر (کاهش ضرر آزمون 76 درصد) منجر می‌شود، در حالی که آموزش قبل از{15}مدل تقسیم‌بندی UNet تنها دوره‌های همگرایی را تا 16 درصد با کمترین تأثیر بر ضرر کاهش می‌دهد. این شکل به وضوح نشان می‌دهد که وزن‌های تمرین‌شده از قبل به‌طور قابل‌توجهی بهینه‌سازی مدل‌های پایانی-به-را (به‌ویژه ConvNeXt-T) را بهبود می‌بخشند، اما تأثیر محدودی بر مدل‌های تقسیم‌بندی دارند و راهنمایی کلیدی برای انتخاب استراتژی آموزش مدل ارائه می‌دهند.

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% (حالت سوراخ کلید) دارای خطای پیش‌بینی فقط 2.54 هستند، در حالی که نمونه‌های کمتر یا مساوی 40% (حالت هدایت) دارای خطای 12.6 هستند که خطای قابل‌توجه مدل در حالت هدایت را برجسته می‌کند. شکل فرعی c، از طریق آزمایش‌های لیزر استاتیک در 94 وات (توان کم، حالت هدایت) و 106 وات (توان بالاتر، حالت سوراخ کلید)، بیشتر تأیید می‌کند که پیش‌بینی‌های مدل دقیقاً با مقادیر واقعی در حالت سوراخ کلید مطابقت دارند، اما نمی‌توانند نوسانات واقعی در حالت هدایت را ثبت کنند، که یافته‌های زیرشکل b را تأیید می‌کند.

04 نتیجه گیری

این مطالعه بر پیش‌بینی لحظه‌ای جذب لیزر در تولید افزودنی‌های فلزی تمرکز دارد. بر اساس تصویربرداری اشعه سنکروترون ایکس-و اندازه‌گیری‌های تشعشع کره‌ای یکپارچه، مجموعه داده‌هایی با قابلیت جذب Ti-6Al-4 ولت بدون و با پودر، و همچنین مجموعه‌های داده‌های تقسیم‌بندی سوراخ کلید چند- ساخته شدند. دو روش یادگیری عمیق پیشنهاد شد: پایان-تا-پایان (ResNet-50، ConvNeXt-T) و مدولار (UNet + جنگل تصادفی)، که هر دو به پیش‌بینی‌های با دقت بالا با MAE دست می‌یابند.<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.