01 Introdução ao artigo
A Manufatura Aditiva (AM), como uma direção central da tecnologia de fabricação avançada, apresenta vantagens significativas na produção customizada de componentes metálicos e na fabricação de estruturas complexas. No entanto, durante o processo AM de metal, a complexa interação entre o laser e o material produz facilmente defeitos como respingos e porosidade devido ao desequilíbrio na absorção de energia, restringindo sua aplicação industrial de alta-precisão. A absortividade do laser, como o principal parâmetro que liga a entrada de energia do laser e a resposta do material, é crucial para superar esse gargalo por meio de quantificação precisa e previsão-em tempo real. A absortividade do laser determina diretamente a distribuição de temperatura da poça de fusão; uma absortividade muito alta pode causar respingos, enquanto uma absortividade muito baixa pode causar defeitos de falta-de{6}}fusão. Para resolver isso, algoritmos de aprendizagem profunda podem ser introduzidos, aproveitando seus poderosos recursos de mapeamento não linear e extração de recursos de imagem. Usando imagens de raios X- sincronizadas in situ de experimentos de colapso do buraco da fechadura (incluindo a absortividade medida correspondente) como dados principais, redes neurais convolucionais adequadas (ResNet-50, ConvNeXt-T), modelos de segmentação semântica (UNet) e estratégias de aprendizagem de transferência podem ser projetados para extrair recursos fortemente correlacionados com as características geométricas do colapso do buraco da fechadura (profundidade, proporção de aspecto, etc.) e absortividade. Isso pode construir um modelo preditivo preciso de 'imagem-de raios X para absortividade do laser' (tanto abordagens de ponta a-e modulares), permitindo a quantificação em tempo real-da absortividade do laser e fornecendo suporte de dados para controlar a dinâmica da poça de fusão e reduzir defeitos, avançando assim a aplicação industrial de alta precisão da MA metálica.
02 Visão geral do texto completo
Este artigo constrói conjuntos de dados de absorção e segmentação usando dados obtidos de um sistema de imagem de raios X síncrono de alta-velocidade-in-situ na linha de luz 32-ID-B da Fonte Avançada de Fótons (APS) na ANL, incluindo conjuntos de dados sem camada de pó, com camada de pó e com segmentação por depressão de vapor, que foram aplicados respectivamente a métodos modulares e de ponta a-. O método-a-de ponta a ponta usa duas redes neurais convolucionais, ResNet-50 e ConvNeXt-T, para aprender automaticamente recursos implícitos diretamente de imagens de raios X-pré-processadas, gerando taxa de absorção por meio de uma camada de regressão totalmente conectada, com ConvNeXt-T pré-treinado no ImageNet mostrando o melhor desempenho, alcançando uma perda de teste de 2,35±0,35 e um erro absoluto médio inferior a 3,3% no conjunto de testes de-Ti{33}}6Al-4V sem pó. O método modular primeiro extrai características geométricas da depressão de vapor (como profundidade, área e proporção de aspecto) usando um modelo de segmentação semântica UNet e, em seguida, prevê a taxa de absorção usando modelos de regressão clássicos, como Random Forest; A UNet alcançou a maior média de teste de interseção sobre união (mIoU) de 93,5% em tarefas de segmentação multi-materiais (por exemplo, Ti64, SS316, IN718), e o modelo Random Forest teve uma perda de teste de 3,30±0,02. Dentre eles, o método ponta a ponta é altamente automatizado e rápido na inferência, adequado para monitoramento industrial em tempo real, mas com fraca interpretabilidade e maiores erros de previsão para padrões de condução (pequenas depressões de vapor); o método modular tem forte interpretabilidade (quantificando a importância da característica através de valores SHAP, identificando claramente a proporção de aspecto, profundidade e área como características principais), mas depende de segmentação precisa, com aplicabilidade limitada em cenários contendo pó devido à dificuldade na identificação de limites de depressão.
A Figura 03 apresenta a análise gráfica.
A Figura 1 apresenta os resultados previstos de absorção do laser sem camada de pó. As subfiguras a e b usam o modelo ResNet-50 de ponta a-, que pode rastrear com precisão as mudanças na taxa de absorção do laser durante a varredura e as tendências no estágio de buraco de fechadura profundo do laser estacionário, mas há grandes erros nos dois primeiros estágios do laser estacionário. As subfiguras c e d usam o modelo T-a{8}}ConvNeXt-T de ponta a ponta, com erros de cenário de varredura de laser inferiores a 3%, e também podem prever com precisão o estágio de buraco de fechadura raso do laser estacionário, com desvios apenas no estágio sem-depressão. As subfiguras e e f utilizam uma abordagem modular (UNet + floresta aleatória), com desempenho na varredura a laser próximo ao método ponta a ponta; entretanto, no estágio sem depressão do laser estacionário, a previsão é segmentada como 0 (desvio muito grande) e a precisão melhora após a formação do buraco de fechadura raso.
A Figura 2 mostra o desempenho de treinamento de diferentes modelos, onde o modelo-a{2}}ResNet-50 pré-de ponta a ponta pré-treinado (pesos ImageNet) reduz o número de épocas de convergência em 19% em comparação com a inicialização aleatória com uma ligeira diminuição na perda, o pré-treinamento do modelo-a-ConvNeXt-T de ponta-resulta em um Redução de 69% nas épocas de convergência e uma diminuição substancial nas perdas (perda de teste reduzida em 76%), enquanto o pré-treinamento do modelo de segmentação UNet reduz apenas as épocas de convergência em 16%, com impacto mínimo na perda. Esta figura mostra claramente que pesos pré{16}}treinados melhoram significativamente a otimização de modelos-a-de ponta a ponta (especialmente ConvNeXt-T), mas têm efeito limitado em modelos de segmentação, fornecendo orientação importante para a seleção de estratégias de treinamento 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 >40% (modo buraco de fechadura) apresentam erro de predição de apenas 2,54, enquanto amostras menores ou iguais a 40% (modo de condução) apresentam erro de 12,6, destacando o erro significativo do modelo no modo de condução; A subfigura c, por meio de experimentos de laser estático a 94W (baixa potência, modo de condução) e 106W (maior potência, modo buraco de fechadura), verifica ainda que as previsões do modelo correspondem de perto aos valores reais no modo buraco de fechadura, mas não conseguem capturar flutuações reais no modo de condução, corroborando as descobertas da subfigura b.
04 Conclusão
O estudo se concentra na previsão instantânea da absortividade do laser na fabricação aditiva de metal. Com base em imagens de raios X síncrotron-e na integração de medições de radiação esférica, foram construídos conjuntos de dados de absortividade de Ti-6Al-4V sem e com pó, bem como conjuntos de dados de segmentação de buraco de fechadura multi-materiais. Dois métodos de aprendizagem profunda foram propostos: ponta a ponta (ResNet-50, ConvNeXt-T) e modular (UNet + floresta aleatória), ambos alcançando previsões de alta precisão com 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.
