01 Giấy giới thiệu
Sản xuất bồi đắp (AM), với tư cách là hướng cốt lõi của công nghệ sản xuất tiên tiến, cho thấy những lợi thế đáng kể trong việc sản xuất theo yêu cầu các thành phần kim loại và chế tạo kết cấu phức tạp. Tuy nhiên, trong quá trình AM kim loại, sự tương tác phức tạp giữa tia laser và vật liệu dễ tạo ra các khuyết tật như bắn tung tóe và độ xốp do mất cân bằng hấp thụ năng lượng, hạn chế ứng dụng công nghiệp có độ chính xác cao-. Độ hấp thụ laser, là thông số quan trọng liên kết năng lượng laser đầu vào và phản ứng của vật liệu, là yếu tố quan trọng để khắc phục nút cổ chai này thông qua việc định lượng chính xác và dự đoán-thời gian thực. Độ hấp thụ của tia laser xác định trực tiếp sự phân bố nhiệt độ của bể tan chảy; độ hấp thụ quá cao có thể dẫn đến hiện tượng bắn tung tóe, trong khi độ hấp thụ quá thấp có thể gây ra-thiếu-khiếm khuyết về phản ứng tổng hợp. Để giải quyết vấn đề này, các thuật toán học sâu có thể được giới thiệu, tận dụng khả năng trích xuất đặc điểm hình ảnh và ánh xạ phi tuyến mạnh mẽ của chúng. Sử dụng hình ảnh tia X-được đồng bộ hóa tại chỗ của các thí nghiệm thu gọn lỗ khóa (bao gồm cả độ hấp thụ đo được tương ứng) làm dữ liệu cốt lõi, mạng thần kinh tích chập phù hợp (ResNet-50, ConvNeXt-T), mô hình phân đoạn ngữ nghĩa (UNet) và các chiến lược học chuyển có thể được thiết kế để trích xuất các tính năng tương quan chặt chẽ với các đặc điểm hình học của sự thu gọn lỗ khóa (độ sâu, tỷ lệ khung hình, v.v.) và khả năng hấp thụ. Điều này có thể xây dựng một mô hình dự đoán chính xác về 'hình ảnh tia X{15}}đến khả năng hấp thụ laser' (cả hai phương pháp tiếp cận từ đầu đến cuối và mô-đun), cho phép định lượng-thời gian thực của khả năng hấp thụ laser và cung cấp hỗ trợ dữ liệu để kiểm soát động lực học của bể tan chảy và giảm các khuyết tật, từ đó thúc đẩy ứng dụng công nghiệp có độ chính xác cao của kim loại AM.
02 Toàn văn Tổng quan
Bài viết này xây dựng các tập dữ liệu về độ hấp thụ và phân đoạn bằng cách sử dụng dữ liệu thu được từ hệ thống tạo ảnh tia X-tốc độ cao-đồng bộ tại chỗ tại chùm tia 32-ID-B của Nguồn Photon nâng cao (APS) tại ANL, bao gồm các tập dữ liệu không có lớp bột, có lớp bột và có phân đoạn giảm hơi, được áp dụng tương ứng cho các phương pháp mô-đun{6}}đến{8}}đầu cuối. Phương thức end{9}}to{11}}end sử dụng hai mạng thần kinh tích chập, ResNet-50 và ConvNeXt-T, để tự động tìm hiểu các tính năng tiềm ẩn trực tiếp từ hình ảnh tia X-được xử lý trước, đưa ra tốc độ hấp thụ thông qua lớp hồi quy được kết nối đầy đủ, với ConvNeXt-T được đào tạo trước-trên ImageNet cho thấy hiệu suất tốt nhất, đạt được hiệu suất tốt nhất độ mất kiểm tra là 2,35±0,35 và sai số tuyệt đối trung bình dưới 3,3% trên bộ kiểm tra 4V-Ti{33}}6Al-không bột. Phương pháp mô-đun trước tiên trích xuất các đặc điểm hình học của hiện tượng giảm hơi (chẳng hạn như độ sâu, diện tích và tỷ lệ khung hình) bằng mô hình phân đoạn ngữ nghĩa UNet, sau đó dự đoán tốc độ hấp thụ bằng các mô hình hồi quy cổ điển như Rừng ngẫu nhiên; UNet đã đạt được mức giao trung bình thử nghiệm cao nhất trên liên kết (mIoU) là 93,5% trong các tác vụ phân đoạn đa vật liệu (ví dụ: Ti64, SS316, IN718) và mô hình Rừng ngẫu nhiên có mức suy giảm thử nghiệm là 3,30±0,02. Trong số đó, phương pháp đầu cuối có tính tự động hóa cao và suy luận nhanh, phù hợp để theo dõi thời gian thực trong công nghiệp, nhưng có khả năng diễn giải yếu và sai số dự đoán lớn hơn đối với các kiểu dẫn truyền (sụt hơi nhỏ); phương pháp mô-đun có khả năng diễn giải mạnh mẽ (định lượng tầm quan trọng của tính năng thông qua các giá trị SHAP, xác định rõ ràng tỷ lệ khung hình, độ sâu và diện tích là các tính năng chính), nhưng dựa vào phân đoạn chính xác, khả năng ứng dụng hạn chế trong các tình huống chứa bột do khó xác định ranh giới trầm cảm.
Hình 03 thể hiện phân tích đồ họa.
Hình 1 trình bày kết quả dự đoán về sự hấp thụ tia laser khi không có lớp bột. Các cấu hình con a và b sử dụng mô hình ResNet{6}}50 end{2}}đến{3}}end, có thể theo dõi chính xác những thay đổi về tốc độ hấp thụ tia laser trong quá trình quét và xu hướng trong giai đoạn lỗ khóa sâu laser tĩnh, nhưng có sai số lớn trong hai giai đoạn đầu tiên của tia laser tĩnh. Các cấu hình con c và d sử dụng mô hình ConvNeXt{10}}end-đến{8}}end ConvNeXt{10}}với lỗi kịch bản quét laser nhỏ hơn 3% và nó cũng có thể dự đoán chính xác giai đoạn lỗ khóa nông của laser cố định, chỉ có sai lệch ở giai đoạn không{13}}hạ xuống. Các cấu hình con e và f sử dụng phương pháp tiếp cận mô-đun (UNet + rừng ngẫu nhiên), với hiệu suất quét laser gần bằng phương pháp-đến{15}}cuối cùng; tuy nhiên, ở giai đoạn không nén của tia laser đứng yên, dự đoán được phân đoạn thành 0 (độ lệch rất lớn) và độ chính xác được cải thiện sau khi hình thành lỗ khóa nông.
Hình 2 mô tả hiệu suất huấn luyện của các mô hình khác nhau, trong đó mô hình ResNet-50 được đào tạo trước từ đầu{1}} đến{2}} đầu cuối (trọng số ImageNet) giảm 19% số lượng kỷ nguyên hội tụ so với khởi tạo ngẫu nhiên với mức độ mất mát giảm nhẹ, quá trình đào tạo trước mô hình T-đến-cuối ConvNeXt-T{12}}dẫn đến một Giảm 69% các kỷ nguyên hội tụ và giảm đáng kể tổn thất (tổn thất kiểm tra giảm 76%), trong khi{15}đào tạo trước mô hình phân đoạn UNet chỉ giảm 16% các kỷ nguyên hội tụ với tác động tối thiểu đến mất mát. Hình này cho thấy rõ ràng rằng trọng số{16}được đào tạo trước cải thiện đáng kể việc tối ưu hóa các mô hình từ đầu đến cuối (đặc biệt là ConvNeXt-T) nhưng có tác dụng hạn chế đối với các mô hình phân đoạn, cung cấp hướng dẫn chính cho việc lựa chọn chiến lược đào tạo mô hình.
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% (chế độ lỗ khóa) có sai số dự đoán chỉ là 2,54, trong khi các mẫu Nhỏ hơn hoặc bằng 40% (chế độ dẫn) có sai số 12,6, làm nổi bật sai số đáng kể của mô hình ở chế độ dẫn; Hình con c, thông qua các thí nghiệm laser tĩnh ở 94W (công suất thấp, chế độ dẫn) và 106W (công suất cao hơn, chế độ lỗ khóa), xác minh thêm rằng các dự đoán của mô hình rất khớp với các giá trị thực ở chế độ lỗ khóa nhưng không nắm bắt được các biến động thực tế trong chế độ dẫn, chứng thực cho kết quả của hình con b.
04 Kết luận
Nghiên cứu tập trung vào việc dự đoán tức thời độ hấp thụ laser trong sản xuất bồi đắp kim loại. Dựa trên hình ảnh tia X-synchrotron và các phép đo bức xạ hình cầu tích hợp, các bộ dữ liệu về độ hấp thụ Ti-6Al-4V không có và có bột, cũng như các bộ dữ liệu phân đoạn lỗ khóa đa vật liệu- đã được xây dựng. Hai phương pháp học sâu đã được đề xuất: end{9}}to{11}}end (ResNet-50, ConvNeXt-T) và mô-đun (UNet + rừng ngẫu nhiên), cả hai đều đạt được dự đoán có độ chính xác cao với 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.
