01 บทนำเกี่ยวกับกระดาษ
การผลิตแบบเติมเนื้อวัสดุ (AM) ซึ่งเป็นทิศทางหลักของเทคโนโลยีการผลิตขั้นสูง แสดงให้เห็นถึงข้อได้เปรียบที่สำคัญในการผลิตชิ้นส่วนโลหะตามสั่งและการผลิตโครงสร้างที่ซับซ้อน อย่างไรก็ตาม ในระหว่างกระบวนการ AM โลหะ ปฏิสัมพันธ์ที่ซับซ้อนระหว่างเลเซอร์และวัสดุทำให้เกิดข้อบกพร่อง เช่น การกระเด็นและความพรุนได้ง่าย เนื่องจากความไม่สมดุลของการดูดซับพลังงาน ซึ่งจำกัด-การใช้งานทางอุตสาหกรรมที่มีความแม่นยำสูง การดูดซับของเลเซอร์เป็นพารามิเตอร์หลักที่เชื่อมโยงการป้อนพลังงานเลเซอร์และการตอบสนองของวัสดุ มีความสำคัญอย่างยิ่งในการเอาชนะปัญหาคอขวดนี้ผ่านการหาปริมาณที่แม่นยำและการคาดการณ์ตามเวลาจริง- การดูดซับด้วยเลเซอร์จะกำหนดการกระจายอุณหภูมิของบ่อหลอมโดยตรง การดูดซับที่สูงเกินไปอาจทำให้เกิดการกระเด็นได้ ในขณะที่การดูดซับที่ต่ำเกินไปอาจทำให้เกิดข้อบกพร่องในการหลอมรวม-ของ- เพื่อแก้ไขปัญหานี้ คุณสามารถนำอัลกอริธึมการเรียนรู้เชิงลึกมาใช้ โดยใช้ประโยชน์จากความสามารถในการทำแผนที่แบบไม่เชิงเส้นและการแยกคุณสมบัติรูปภาพอันทรงพลัง การใช้การถ่ายภาพรังสีเอกซ์ในแหล่งกำเนิดที่ซิงโครไนซ์ของการทดลองการยุบรูกุญแจ (รวมถึงค่าการดูดซึมที่วัดได้ที่สอดคล้องกัน) เป็นข้อมูลหลัก โครงข่ายประสาทเทียมแบบหมุนที่เหมาะสม (ResNet-50, ConvNeXt-T) โมเดลการแบ่งส่วนความหมาย (UNet) และกลยุทธ์การเรียนรู้การถ่ายโอนสามารถได้รับการออกแบบเพื่อแยกคุณลักษณะที่มีความสัมพันธ์อย่างมากกับลักษณะทางเรขาคณิตของการยุบรูกุญแจ (ความลึก อัตราส่วนภาพ ฯลฯ) และ การดูดซึม ซึ่งสามารถสร้างแบบจำลองการคาดการณ์ที่แม่นยำของ 'ภาพรังสีเอกซ์ไปจนถึงการดูดกลืนแสงด้วยเลเซอร์' (ทั้งวิธี-จากปลายถึง-และแบบโมดูลาร์) ช่วยให้สามารถหา-การหาปริมาณตามเวลาจริงของการดูดกลืนแสงด้วยเลเซอร์ และให้การสนับสนุนข้อมูลสำหรับการควบคุมไดนามิกของหลอมละลายและลดข้อบกพร่อง ดังนั้นจึงเป็นการพัฒนาการประยุกต์ใช้โลหะ AM ในอุตสาหกรรมที่มีความแม่นยำสูง
02 ภาพรวมข้อความแบบเต็ม
เอกสารนี้สร้างชุดข้อมูลการดูดซับและการแบ่งส่วนโดยใช้ข้อมูลที่ได้รับจากระบบการถ่ายภาพรังสี X- ความเร็วสูงแบบซิงโครนัสในแหล่งกำเนิด-ในแหล่งกำเนิดที่ลำแสง 32-ID-B ของ Advanced Photon Source (APS) ที่ ANL รวมถึงชุดข้อมูลที่ไม่มีชั้นผง มีชั้นผง และมีการแบ่งส่วนการกดไอ ซึ่งถูกนำมาใช้ตามลำดับที่ปลาย-ถึง-วิธีการสิ้นสุดและโมดูลาร์ วิธีการสิ้นสุด-ถึง-ใช้โครงข่ายประสาทเทียมสองแบบคือ ResNet-50 และ ConvNeXt-T เพื่อเรียนรู้คุณลักษณะโดยนัยโดยตรงจากอิมเมจรังสีเอกซ์-ที่ประมวลผลล่วงหน้า{- ซึ่งแสดงอัตราการดูดซับเอาต์พุตผ่านเลเยอร์การถดถอยที่เชื่อมต่อโดยสมบูรณ์ โดยมี ConvNeXt-T ล่วงหน้า{-ที่ผ่านการฝึกอบรมบน ImageNet ประสิทธิภาพที่ดีที่สุด โดยได้รับการสูญเสียจากการทดสอบที่ 2.35±0.35 และข้อผิดพลาดสัมบูรณ์เฉลี่ยน้อยกว่า 3.3% บนชุดทดสอบ Ti-free Ti-6Al-4V แบบผง วิธีแยกส่วนจะแยกคุณลักษณะทางเรขาคณิตของการกดไอ (เช่น ความลึก พื้นที่ และอัตราส่วนภาพ) โดยใช้แบบจำลองการแบ่งส่วนความหมาย UNet จากนั้นจึงคาดการณ์อัตราการดูดซับโดยใช้แบบจำลองการถดถอยแบบคลาสสิก เช่น Random Forest UNet บรรลุผลการทดสอบเฉลี่ยการตัดกันเหนือสหภาพ (mIoU) ที่ 93.5% ในงานการแบ่งส่วนวัสดุหลาย- (เช่น Ti64, SS316, IN718) และแบบจำลอง Random Forest มีการสูญเสียการทดสอบ 3.30±0.02 วิธีการแบบ end-to-end เป็นแบบอัตโนมัติสูงและอนุมานได้รวดเร็ว เหมาะสำหรับการตรวจสอบแบบเรียลไทม์ทางอุตสาหกรรม แต่มีความสามารถในการตีความได้น้อยและมีข้อผิดพลาดในการทำนายที่ใหญ่กว่าสำหรับรูปแบบการนำไฟฟ้า (การกดไอเล็กน้อย) วิธีการแบบโมดูลาร์มีความสามารถในการตีความได้ชัดเจน (การระบุปริมาณความสำคัญของคุณลักษณะผ่านค่า SHAP ระบุอัตราส่วนกว้างยาว ความลึก และพื้นที่เป็นคุณลักษณะหลักได้อย่างชัดเจน) แต่อาศัยการแบ่งส่วนที่แม่นยำ โดยมีการบังคับใช้ที่จำกัดในสถานการณ์ที่ประกอบด้วยผง เนื่องจากความยากลำบากในการระบุขอบเขตของภาวะซึมเศร้า
รูปที่ 03 แสดงการวิเคราะห์กราฟิก
รูปที่ 1 นำเสนอผลลัพธ์ที่คาดการณ์ไว้ของการดูดซับด้วยเลเซอร์โดยไม่มีชั้นผง กำหนดค่าย่อย a และ b ใช้โมเดล end-ถึง-end ResNet-50 ซึ่งสามารถติดตามการเปลี่ยนแปลงของอัตราการดูดกลืนแสงเลเซอร์ได้อย่างแม่นยำในระหว่างการสแกนและแนวโน้มในระยะรูกุญแจลึกของเลเซอร์ที่อยู่นิ่ง แต่มีข้อผิดพลาดขนาดใหญ่ในสองขั้นตอนแรกของเลเซอร์ที่อยู่นิ่ง การกำหนดค่าย่อย c และ d ใช้โมเดล end-to-end ConvNeXt-T โดยมีข้อผิดพลาดสถานการณ์เลเซอร์ในการสแกนน้อยกว่า 3% และยังสามารถทำนายระยะรูกุญแจที่ตื้นของเลเซอร์ที่อยู่นิ่งได้อย่างแม่นยำ โดยมีการเบี่ยงเบนเฉพาะในระยะที่ไม่มี-การกดทับ การกำหนดค่าย่อย e และ f ใช้วิธีการแบบโมดูลาร์ (UNet + ฟอเรสต์สุ่ม) โดยมีประสิทธิภาพในการสแกนเลเซอร์ใกล้กับวิธีสิ้นสุด-ถึง- อย่างไรก็ตาม ในระยะที่ไม่มีภาวะซึมเศร้าของเลเซอร์ที่อยู่นิ่ง การทำนายจะถูกแบ่งออกเป็น 0 (ส่วนเบี่ยงเบนขนาดใหญ่มาก) และความแม่นยำจะดีขึ้นหลังจากรูปแบบรูกุญแจแบบตื้น
รูปที่ 2 แสดงให้เห็นประสิทธิภาพการฝึกของโมเดลต่างๆ โดยที่โมเดล - ถึง - end ResNet - โมเดล 50 รุ่นก่อน- ที่ผ่านการฝึกอบรม (น้ำหนัก ImageNet) จะช่วยลดจำนวนของยุคการบรรจบกันลง 19% เมื่อเปรียบเทียบกับการเริ่มต้นแบบสุ่มโดยมีการสูญเสียลดลงเล็กน้อย ผลการฝึกอบรมจาก- ถึง - สิ้นสุด ConvNeXt - โมเดล T ก่อน- ยุคการบรรจบกันลดลง 69% และการสูญเสียที่ลดลงอย่างมาก (การสูญเสียจากการทดสอบลดลง 76%) ในขณะที่-การฝึกโมเดลการแบ่งส่วน UNet จะลดยุคการบรรจบกันเพียง 16% โดยมีผลกระทบต่อการสูญเสียน้อยที่สุด ตัวเลขนี้แสดงให้เห็นอย่างชัดเจนว่าน้ำหนักที่ได้รับการฝึกก่อน-ช่วยปรับปรุงการเพิ่มประสิทธิภาพของโมเดลตั้งแต่ต้นจนจบ- ได้อย่างมีนัยสำคัญ (โดยเฉพาะ ConvNeXt-T) แต่มีผลกระทบอย่างจำกัดต่อโมเดลการแบ่งส่วน โดยให้แนวทางที่สำคัญสำหรับการเลือกกลยุทธ์การฝึกโมเดล
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% (โหมดรูกุญแจ) มีข้อผิดพลาดในการทำนายเพียง 2.54 ในขณะที่ตัวอย่างน้อยกว่าหรือเท่ากับ 40% (โหมดการนำ) มีข้อผิดพลาด 12.6 โดยเน้นข้อผิดพลาดที่สำคัญของแบบจำลองภายใต้โหมดการนำ กำหนดค่าย่อย c โดยการทดลองเลเซอร์คงที่ที่ 94W (พลังงานต่ำ โหมดการนำไฟฟ้า) และ 106W (พลังงานสูงกว่า โหมดรูกุญแจ) ช่วยยืนยันเพิ่มเติมว่าการคาดการณ์ของแบบจำลองนั้นตรงกับค่าจริงในโหมดรูกุญแจอย่างใกล้ชิด แต่ไม่สามารถบันทึกความผันผวนที่เกิดขึ้นจริงในโหมดการนำไฟฟ้า ซึ่งยืนยันการค้นพบของรูปย่อย b
04 บทสรุป
การศึกษานี้มุ่งเน้นไปที่การคาดการณ์ทันทีของการดูดซับด้วยเลเซอร์ในการผลิตสารเติมแต่งโลหะ จากการถ่ายภาพรังสีซินโครตรอน X- และการรวมการวัดรังสีทรงกลม ชุดข้อมูลของการดูดซับ Ti-6Al-4V ที่ไม่มีและแบบผง รวมถึง-ชุดข้อมูลการแบ่งส่วนรูกุญแจหลายวัสดุได้ถูกสร้างขึ้น มีการเสนอวิธีการเรียนรู้เชิงลึกสองวิธี: จากต้นทาง-ถึง-ปลาย (ResNet-50, ConvNeXt-T) และโมดูลาร์ (UNet + ฟอเรสต์สุ่ม) ทั้งสองวิธีบรรลุการคาดการณ์ที่มีความแม่นยำสูงด้วย 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.
