01 Qog'ozga kirish
Qo'shimcha ishlab chiqarish (AM) ilg'or ishlab chiqarish texnologiyasining asosiy yo'nalishi sifatida metall qismlarni moslashtirilgan ishlab chiqarish va murakkab tuzilmalarni ishlab chiqarishda muhim afzalliklarni ko'rsatadi. Biroq, metall AM jarayonida lazer va material o'rtasidagi murakkab o'zaro ta'sir energiyani yutish muvozanatining buzilishi tufayli chayqalish va g'ovaklik kabi nuqsonlarni osongina keltirib chiqaradi, bu esa uning yuqori aniqlikdagi sanoat qo'llanilishini cheklaydi. Lazerni yutish qobiliyati, lazer energiyasini kiritish va material reaktsiyasini bog'lovchi asosiy parametr sifatida, aniq miqdorni aniqlash va real{3}}vaqtni bashorat qilish orqali ushbu to'siqni bartaraf etish uchun juda muhimdir. Lazerning singdiruvchanligi to'g'ridan-to'g'ri eritma hovuzining harorat taqsimotini aniqlaydi; juda yuqori singdiruvchanlik chayqalishga olib kelishi mumkin, juda past esa termoyadroviy nuqsonlarning-yo'qligi-ga olib kelishi mumkin. Buni hal qilish uchun ularning kuchli chiziqli bo'lmagan xaritalash va tasvir xususiyatlarini ajratib olish imkoniyatlaridan foydalangan holda chuqur o'rganish algoritmlarini joriy qilish mumkin. Asosiy ma'lumotlar sifatida kalit teshiklarni sindirish tajribalarining in situ sinxronlashtirilgan rentgen tasviridan (shu jumladan mos ravishda o'lchangan yutilish) foydalanish, mos konvolyutsion neyron tarmoqlar (ResNet-50, ConvNeXt-T), semantik segmentatsiya modellari (UNettegi) va kuchli o'rganish xususiyatlariga ega bo'lishi mumkin. kalit teshigi qulashining geometrik xarakteristikalari (chuqurlik, tomonlar nisbati va boshqalar) va yutilish. Bu "X{15}}rentgen tasvirining lazerni yutish qobiliyati" ning aniq bashoratli modelini (ham{16}}oxirigacha, ham modulli yondashuvlar) yaratishi mumkin, bu esa lazerning yutilish qobiliyatini real vaqt-aniqlash imkonini beradi va eritmalar hovuzi dinamikasini nazorat qilish va shu bilan sanoatda qo'llanilishi mumkin bo'lgan nosozliklarni kamaytirish uchun ma'lumotlarni taqdim etadi.
02 Toʻliq matnli sharh
Ushbu maqola ANL da Advanced Photon Source (APS) ning 32-ID-B nur chizig‘idagi in{0}}insitu sinxron yuqori-tezlikli rentgen tasvirlash tizimidan olingan ma’lumotlardan foydalangan holda yutilish va segmentatsiya ma’lumotlar to‘plamini, shu jumladan, chang bosuvchi qatlamsiz va qatlamli qatlamsiz ma’lumotlar to‘plamlarini quradi. mos ravishda oxirigacha-uchun-va modulli usullar. end{9}}to{11}}usul ikki konvolyutsion neyrotarmoqlardan foydalanadi, ResNet-50 va ConvNeXt-T, toʻliq bogʻlangan {-regression qatlam- boʻlgan-Regression qatlami orqali yutilish tezligini chiqaradigan-x{15}}nur tasvirlaridan yashirin xususiyatlarni oʻrganadi. ImageNet da oldindan oʻqitilgan-eng yaxshi samaradorlikni koʻrsatib, sinov yoʻqotilishi 2,35±0,35 va oʻrtacha mutlaq xatosi 3,3% dan kam boʻlgan kukun-boʻsh Ti-6Al-4V test toʻplami. Modulli usul birinchi navbatda UNet semantik segmentatsiya modelidan foydalangan holda bug 'depressiyasining geometrik xususiyatlarini (chuqurlik, maydon va aspekt nisbati kabi) chiqaradi, so'ngra Tasodifiy o'rmon kabi klassik regressiya modellari yordamida yutilish tezligini taxmin qiladi; UNet koʻp materiallarni (masalan, Ti64, SS316, IN718) segmentatsiyalash topshiriqlarida 93,5% birlashma (mIoU) boʻyicha eng yuqori test kesishuviga erishdi va Tasodifiy oʻrmon modeli 3.30±0.02 sinov yoʻqotdi. Ularning orasida end-to-end usuli yuqori darajada avtomatlashtirilgan va tez xulosa chiqarish, sanoat real vaqtda monitoring qilish uchun mos, lekin zaif izohlash va o'tkazuvchanlik naqshlari (kichik bug 'depressiyalari) uchun kattaroq bashorat qilish xatolari bilan; modulli usul kuchli talqin qilish qobiliyatiga ega (SHAP qiymatlari orqali xususiyat ahamiyatini miqdoriy aniqlash, asosiy xususiyatlar sifatida tomonlar nisbati, chuqurlik va maydonni aniq belgilash), lekin aniq segmentatsiyaga tayanadi, depressiya chegaralarini aniqlashda qiyinchiliklar tufayli kukun o'z ichiga olgan stsenariylarda cheklangan qo'llanilishi.
03-rasmda grafik tahlil ko'rsatilgan.
1-rasmda kukun qatlamisiz lazerni yutishning taxminiy natijalari keltirilgan. a va b subfiguralari end{2}}to-ResNet{6}}50 modelidan foydalanadi, u skanerlash vaqtida lazerni yutish tezligidagi o‘zgarishlarni va statsionar lazer chuqur teshik bosqichidagi tendentsiyalarni aniq kuzatishi mumkin, biroq statsionar lazerning dastlabki ikki bosqichida katta xatolar mavjud. c va d pastki raqamlari end{7}}to-end ConvNeXt-T modelidan foydalanadi, skanerlash lazer stsenariysi xatolari 3% dan kam boʻladi, shuningdek, u statsionar lazerning sayoz kalit teshigi bosqichini aniq bashorat qila oladi, faqat depressiyasiz bosqichda ogʻishlar-. E va f pastki raqamlari modulli yondashuvdan (UNet + tasodifiy o'rmon) foydalanadi, lazerni skanerlashda -oxirigacha{15}}usulga yaqin ishlaydi; ammo, statsionar lazerning depressiyasiz bosqichida bashorat 0 (juda katta og'ish) sifatida segmentlanadi va sayoz kalit teshigi shakllangandan keyin aniqlik yaxshilanadi.
2-rasmda turli modellarning mashg‘ulotlar samaradorligi ko‘rsatilgan, bunda ResNet-ning oxirigacha{2}}oldindan o‘qitilgan-50 modeli{6}}(ImageNet og‘irliklari) konvergentsiya davrlari sonini tasodifiy ishga tushirish bilan solishtirganda 19% ga kamaytiradi va yo‘qotishning biroz kamayishi bilan yakunlanadi. Treningdan oldingi-konvergentsiya davrlarini 69% ga va yoʻqotishlarni sezilarli darajada kamaytirishga olib keladi (sinov yoʻqotilishi 76% ga kamaydi), UNet segmentatsiyasi modelini-oldindan oʻrgatish esa yoʻqotishga minimal taʼsir qilgan holda konvergentsiya davrlarini atigi 16% ga qisqartiradi. Bu rasm aniq koʻrsatib turibdiki,-oldindan oʻqitilgan ogʻirliklar yakuniy{17}}to-modellarni (ayniqsa, ConvNeXt-T) optimallashtirishni sezilarli darajada yaxshilaydi, lekin segmentatsiya modellariga cheklangan taʼsir koʻrsatadi, bu esa oʻqitish strategiyasini tanlashda asosiy koʻrsatmalar beradi.
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% (kalit teshigi rejimi) atigi 2,54 prognoz xatosiga ega, 40% dan kam yoki teng bo'lgan namunalar (o'tkazuvchanlik rejimi) 12,6 xatoga ega bo'lib, o'tkazuvchanlik rejimida modelning muhim xatosini ta'kidlaydi; C kichik rasmi 94 Vt (past quvvat, o'tkazuvchanlik rejimi) va 106 Vt (yuqori quvvat, kalit teshigi rejimi) da statik lazer tajribalari orqali modelning bashoratlari kalit teshigi rejimidagi haqiqiy qiymatlarga chambarchas mos kelishini, lekin o'tkazuvchanlik rejimidagi haqiqiy tebranishlarni ushlay olmasligini qo'shimcha ravishda tasdiqlaydi, b pastki rasmdagi topilmalarni tasdiqlaydi.
04 Xulosa
Tadqiqot metall qo'shimchalarini ishlab chiqarishda lazerning yutilish qobiliyatini bir zumda bashorat qilishga qaratilgan. Sinxrotron rentgen nurlari va integratsiyalashgan sfera nurlanish o'lchovlari asosida kukunsiz va kukunsiz Ti-6Al-4V singdiruvchanlik ma'lumotlar to'plami, shuningdek, ko'p-material teshiklari segmentatsiyasi bo'yicha ma'lumotlar to'plamlari tuzildi. Ikkita chuqur oʻrganish usuli taklif qilindi: oxirigacha-uchun (ResNet-50, ConvNeXt-T) va modulli (UNet + tasodifiy oʻrmon), ikkalasi ham MAE yordamida yuqori aniqlikdagi bashoratlarga erishadi.<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.
