01 Introducción al artículo
La fabricación aditiva (AM), como dirección central de la tecnología de fabricación avanzada, muestra ventajas significativas en la producción personalizada de componentes metálicos y la fabricación de estructuras complejas. Sin embargo, durante el proceso de fabricación aditiva de metales, la compleja interacción entre el láser y el material produce fácilmente defectos como salpicaduras y porosidad debido al desequilibrio de absorción de energía, lo que restringe su aplicación industrial de alta-precisión. La absortividad del láser, como parámetro clave que vincula la entrada de energía del láser y la respuesta del material, es crucial para superar este cuello de botella mediante una cuantificación precisa y una predicción en tiempo real-. La absortividad del láser determina directamente la distribución de temperatura del baño de fusión; Una absortividad demasiado alta puede provocar salpicaduras, mientras que una capacidad de absorción demasiado baja puede provocar defectos de falta-de-fusión. Para abordar esto, se pueden introducir algoritmos de aprendizaje profundo, aprovechando sus poderosas capacidades de extracción de características de imágenes y mapeo no lineal. Utilizando imágenes de rayos X-in situ sincronizadas de experimentos de colapso de ojo de cerradura (incluida la absortividad medida correspondiente) como datos centrales, se pueden diseñar redes neuronales convolucionales adecuadas (ResNet-50, ConvNeXt-T), modelos de segmentación semántica (UNet) y estrategias de aprendizaje por transferencia para extraer características fuertemente correlacionadas con las características geométricas del colapso de ojo de cerradura (profundidad, relación de aspecto, etc.) y absortividad. Esto puede construir un modelo predictivo preciso de la 'absortividad de imagen de rayos X a láser' (tanto de extremo a extremo como modular), lo que permite la cuantificación en tiempo real-de la absortividad del láser y proporciona soporte de datos para controlar la dinámica del baño de fusión y reducir los defectos, avanzando así en la aplicación industrial de alta precisión de la fabricación aditiva de metales.
02 Descripción general del texto completo
Este artículo construye conjuntos de datos de absorción y segmentación utilizando datos obtenidos de un sistema de imágenes de rayos X-in{0}}sincrónico in situ de alta-velocidad en la línea de luz 32-ID-B de Advanced Photon Source (APS) en ANL, incluidos conjuntos de datos sin capa de polvo, con capa de polvo y con segmentación por depresión de vapor, que se aplicaron respectivamente a métodos modulares y de extremo-a-. El método de extremo-a-utiliza dos redes neuronales convolucionales, ResNet-50 y ConvNeXt-T, para aprender automáticamente características implícitas directamente a partir de imágenes de rayos X pre-procesadas-, generando una tasa de absorción a través de una capa de regresión completamente conectada; ConvNeXt-T pre-entrenado en ImageNet muestra lo mejor rendimiento, logrando una pérdida de prueba de 2,35 ± 0,35 y un error absoluto promedio de menos del 3,3 % en el equipo de prueba de Ti-6Al-4V sin polvo-libre. El método modular primero extrae características geométricas de la depresión de vapor (como profundidad, área y relación de aspecto) usando un modelo de segmentación semántica UNet, luego predice la tasa de absorción usando modelos de regresión clásicos como Random Forest; UNet logró una prueba media de intersección sobre unión (mIoU) más alta del 93,5 % en tareas de segmentación de múltiples materiales (p. ej., Ti64, SS316, IN718), y el modelo de bosque aleatorio tuvo una pérdida de prueba de 3,30 ± 0,02. Entre ellos, el método de extremo a extremo es altamente automatizado y de inferencia rápida, adecuado para el monitoreo industrial en tiempo real, pero con una interpretabilidad débil y errores de predicción más grandes para los patrones de conducción (pequeñas depresiones de vapor); El método modular tiene una gran interpretabilidad (cuantifica la importancia de las características a través de valores SHAP, identifica claramente la relación de aspecto, la profundidad y el área como características clave), pero se basa en una segmentación precisa, con aplicabilidad limitada en escenarios que contienen polvo debido a la dificultad para identificar los límites de la depresión.
La Figura 03 muestra el análisis gráfico.
La Figura 1 presenta los resultados previstos de la absorción del láser sin una capa de polvo. Las subfiguras a y b utilizan el modelo ResNet-50 de extremo-a-final, que puede rastrear con precisión los cambios en la tasa de absorción del láser durante el escaneo y las tendencias en la etapa de ojo de cerradura profundo del láser estacionario, pero hay grandes errores en las dos primeras etapas del láser estacionario. Las subfiguras cyd utilizan el modelo ConvNeXt-T de extremo-a-final, con errores del escenario del láser de escaneo inferiores al 3 % y también pueden predecir con precisión la etapa de ojo de cerradura poco profundo del láser estacionario, con desviaciones solo en la etapa sin depresión. Las subfiguras e y f utilizan un enfoque modular (UNet + bosque aleatorio), con un rendimiento en el escaneo láser cercano al método de extremo-a-final; sin embargo, en la etapa sin depresión del láser estacionario, la predicción se segmenta como 0 (desviación muy grande) y la precisión mejora después de que se forma el ojo de cerradura poco profundo.
La Figura 2 muestra el rendimiento del entrenamiento de diferentes modelos, donde el modelo ResNet-hasta el final-50 pre-entrenado (pesos de ImageNet) reduce el número de épocas de convergencia en un 19 % en comparación con la inicialización aleatoria con una ligera disminución en la pérdida, el entrenamiento previo del modelo ConvNeXt-T desde el extremo-hasta el-final-T da como resultado un Reducción del 69 % en las épocas de convergencia y una disminución sustancial de la pérdida (la pérdida de prueba se redujo en un 76 %), mientras que el entrenamiento previo del modelo de segmentación UNet solo reduce las épocas de convergencia en un 16 % con un impacto mínimo en la pérdida. Esta figura muestra claramente que los pesos previamente entrenados mejoran significativamente la optimización de los modelos de extremo a extremo (especialmente ConvNeXt-T), pero tienen un efecto limitado en los modelos de segmentación, lo que proporciona una guía clave para la selección de estrategias de entrenamiento de modelos.
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 >El 40% (modo ojo de cerradura) tiene un error de predicción de solo 2,54, mientras que las muestras menores o iguales al 40% (modo conducción) tienen un error de 12,6, destacando el error significativo del modelo en modo conducción; La subfigura c, a través de experimentos con láser estático a 94 W (baja potencia, modo de conducción) y 106 W (mayor potencia, modo de ojo de cerradura), verifica aún más que las predicciones del modelo coinciden estrechamente con los valores reales en el modo de ojo de cerradura, pero no logran capturar las fluctuaciones reales en el modo de conducción, lo que corrobora los hallazgos de la subfigura b.
04 Conclusión
El estudio se centra en la predicción instantánea de la absortividad del láser en la fabricación aditiva de metales. A partir de imágenes de rayos X-sincrotrón y mediciones de radiación de esfera integrada, se construyeron conjuntos de datos de absortividad de Ti-6Al-4V sin y con polvo, así como conjuntos de datos de segmentación de ojo de cerradura de múltiples-materiales. Se propusieron dos métodos de aprendizaje profundo: de extremo-a-de extremo (ResNet-50, ConvNeXt-T) y modular (UNet + bosque aleatorio), ambos logrando predicciones de alta precisión 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.
