جامعة كارنيجي ميلون، الولايات المتحدة الأمريكية|طرق التعلم العميق للتنبؤ بامتصاص الليزر اللحظي في التصنيع الإضافي

01 ورقة مقدمة

يُظهر التصنيع الإضافي (AM)، باعتباره الاتجاه الأساسي لتكنولوجيا التصنيع المتقدمة، مزايا كبيرة في الإنتاج المخصص للمكونات المعدنية وتصنيع الهياكل المعقدة. ومع ذلك، أثناء عملية AM المعدنية، يؤدي التفاعل المعقد بين الليزر والمادة بسهولة إلى حدوث عيوب مثل التناثر والمسامية بسبب عدم توازن امتصاص الطاقة، مما يحد من -تطبيقه الصناعي عالي الدقة. تعد امتصاصية الليزر، باعتبارها المعلمة الرئيسية التي تربط بين مدخلات طاقة الليزر واستجابة المواد، أمرًا بالغ الأهمية للتغلب على هذا الاختناق من خلال القياس الكمي الدقيق والتنبؤ بالوقت الفعلي-. تحدد قدرة امتصاص الليزر بشكل مباشر توزيع درجة حرارة حوض الذوبان؛ يمكن أن تؤدي الامتصاصية العالية جدًا إلى التناثر، في حين أن الانخفاض الشديد قد يسبب نقص-عيوب الاندماج-. ولمعالجة هذه المشكلة، يمكن تقديم خوارزميات التعلم العميق، مع الاستفادة من إمكاناتها القوية في رسم الخرائط غير الخطية واستخراج ميزات الصور. باستخدام التصوير بالأشعة السينية المتزامنة في الموقع لتجارب انهيار ثقب المفتاح (بما في ذلك الامتصاصية المقاسة المقابلة) كبيانات أساسية، يمكن تصميم شبكات عصبية تلافيفية مناسبة (ResNet-50، ConvNeXt-T)، ونماذج التجزئة الدلالية (UNet)، واستراتيجيات تعلم النقل لاستخراج الميزات المرتبطة بقوة بالخصائص الهندسية لانهيار ثقب المفتاح (العمق، ونسبة العرض إلى الارتفاع، وما إلى ذلك) و الامتصاصية. يمكن أن يؤدي ذلك إلى إنشاء نموذج تنبؤي دقيق لـ "صورة الأشعة السينية لامتصاص الليزر" (كلا النهجين من النهاية-إلى-النهاية والوحدات)، مما يتيح تقدير الوقت الحقيقي-لامتصاص الليزر وتوفير دعم البيانات للتحكم في ديناميكيات حوض الذوبان وتقليل العيوب، وبالتالي تطوير التطبيق الصناعي عالي الدقة لـ AM المعدن.

02 نظرة عامة على النص الكامل

تقوم هذه الورقة بإنشاء مجموعات بيانات الامتصاص والتجزئة باستخدام البيانات التي تم الحصول عليها من نظام تصوير الأشعة السينية المتزامن عالي السرعة-في الموقع عند خط حزمة 32-معرف-B لمصدر الفوتون المتقدم (APS) في ANL، بما في ذلك مجموعات البيانات التي لا تحتوي على طبقة مسحوق، مع طبقة مسحوق، ومع تجزئة اكتئاب البخار، والتي تم تطبيقها على التوالي من النهاية- إلى- النهاية و طرق وحدات. تستخدم طريقة end-to-end شبكتين عصبيتين تلافيفيتين، ResNet-50 وConvNeXt-T، لتعلم الميزات الضمنية تلقائيًا مباشرةً من صور الأشعة السينية-المُعالجة مسبقًا-، مما يؤدي إلى إخراج معدل الامتصاص من خلال طبقة انحدار متصلة بالكامل، مع تدريب ConvNeXt-T مسبقًا- على تعرض ImageNet أفضل أداء، محققة خسارة اختبار تبلغ 2.35 ± 0.35 ومتوسط خطأ مطلق أقل من 3.3% في مجموعة اختبار المسحوق -free Ti-6Al-4V. تستخرج الطريقة المعيارية أولاً السمات الهندسية لانخفاض البخار (مثل العمق والمساحة ونسبة العرض إلى الارتفاع) باستخدام نموذج التجزئة الدلالي UNet، ثم تتنبأ بمعدل الامتصاص باستخدام نماذج الانحدار الكلاسيكية مثل Random Forest؛ حققت UNet أعلى متوسط ​​اختبار للتقاطع فوق الاتحاد (mIoU) بنسبة 93.5% في مهام تجزئة المواد المتعددة (على سبيل المثال، Ti64، SS316، IN718)، وكان لنموذج Random Forest خسارة اختبار تبلغ 3.30 ± 0.02. من بينها، الطريقة الشاملة مؤتمتة للغاية وسريعة في الاستدلال، ومناسبة للرصد الصناعي في الوقت الحقيقي، ولكن مع قابلية تفسير ضعيفة وأخطاء تنبؤ أكبر لأنماط التوصيل (انخفاضات البخار الصغيرة)؛ تتمتع الطريقة المعيارية بقابلية تفسير قوية (قياس أهمية الميزة من خلال قيم SHAP، وتحديد نسبة العرض إلى الارتفاع والعمق والمساحة بشكل واضح كميزات رئيسية)، ولكنها تعتمد على التجزئة الدقيقة، مع إمكانية تطبيق محدودة في السيناريوهات التي تحتوي على المسحوق بسبب صعوبة تحديد حدود الاكتئاب.

ويبين الشكل 03 التحليل البياني.

يعرض الشكل 1 النتائج المتوقعة لامتصاص الليزر بدون طبقة مسحوق. يستخدم الشكلان الفرعيان a وb نموذج النهاية-إلى-نهاية ResNet-50، والذي يمكنه تتبع التغيرات في معدل امتصاص الليزر بدقة أثناء المسح والاتجاهات في مرحلة ثقب المفتاح العميق بالليزر الثابت، ولكن هناك أخطاء كبيرة في المرحلتين الأوليين من الليزر الثابت. يستخدم الشكلان الفرعيان c وd نموذج النهاية-إلى-نهاية ConvNeXt-T، مع أخطاء سيناريو مسح الليزر أقل من 3%، ويمكنهما أيضًا التنبؤ بدقة بمرحلة ثقب المفتاح الضحلة لليزر الثابت، مع الانحرافات فقط في مرحلة الانخفاض -. يستخدم الشكلان الفرعيان e وf أسلوبًا معياريًا (UNet + مجموعة عشوائية)، مع أداء في مسح الليزر بالقرب من طريقة النهاية-إلى-end؛ ومع ذلك، في مرحلة عدم الاكتئاب لليزر الثابت، يتم تقسيم التنبؤ إلى 0 (انحراف كبير جدًا)، وتتحسن الدقة بعد تشكيل ثقب المفتاح الضحل.

يوضح الشكل 2 أداء التدريب لنماذج مختلفة، حيث يقلل التدريب المسبق لنموذج -إلى-end ResNet-50 (أوزان ImageNet) من عدد فترات التقارب بنسبة 19% مقارنة بالتهيئة العشوائية مع انخفاض طفيف في الخسارة، والتدريب المسبق لنموذج-end ConvNeXt-T-من النهاية-إلى-end يؤدي إلى انخفاض بنسبة 69% في فترات التقارب وانخفاض كبير في الخسارة (انخفاض خسارة الاختبار بنسبة 76%)، بينما يؤدي التدريب المسبق على نموذج تجزئة UNet- إلى تقليل فترات التقارب بنسبة 16% فقط مع الحد الأدنى من التأثير على الخسارة. يوضح هذا الشكل بوضوح أن الأوزان المدربة مسبقًا- تعمل بشكل كبير على تحسين تحسين النماذج الشاملة-إلى-النماذج (خاصة ConvNeXt-T) ولكن لها تأثير محدود على نماذج التجزئة، مما يوفر إرشادات أساسية لاختيار استراتيجية تدريب النموذج.

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% (وضع ثقب المفتاح) بها خطأ تنبؤ يبلغ 2.54 فقط، في حين أن العينات الأقل من أو تساوي 40% (وضع التوصيل) بها خطأ قدره 12.6، مما يسلط الضوء على الخطأ الكبير للنموذج في وضع التوصيل؛ الشكل الفرعي ج، من خلال تجارب الليزر الساكن عند 94 وات (طاقة منخفضة، وضع التوصيل) و106 وات (طاقة أعلى، وضع ثقب المفتاح)، يتحقق أيضًا من أن تنبؤات النموذج تتطابق بشكل وثيق مع القيم الحقيقية في وضع ثقب المفتاح ولكنها تفشل في التقاط التقلبات الفعلية في وضع التوصيل، مما يدعم نتائج الشكل الفرعي ب.

04 الاستنتاج

تركز الدراسة على التنبؤ اللحظي لامتصاص الليزر في تصنيع المواد المضافة المعدنية. استنادًا إلى تصوير أشعة السنكروترون X- وقياسات إشعاع المجال المتكامل، تم إنشاء مجموعات بيانات لامتصاص Ti-6Al-4V بدون المسحوق ومعه، بالإضافة إلى مجموعات بيانات تجزئة ثقب المفتاح المتعددة للمواد. تم اقتراح طريقتين للتعلم العميق: من النهاية-إلى-النهاية (ResNet-50، ConvNeXt-T) والطريقة النمطية (UNet + الغابة العشوائية)، وكلاهما يحقق تنبؤات عالية الدقة باستخدام 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.