01 論文紹介
高度な製造技術の中核となる方向性である積層造形 (AM) は、金属コンポーネントのカスタマイズ生産や複雑な構造の製造において大きな利点を示します。しかし、金属 AM プロセス中、レーザーと材料の間の複雑な相互作用により、エネルギー吸収の不均衡によるスパッタリングや多孔性などの欠陥が容易に生成され、高精度の産業用途が制限されます。-レーザーの吸収率は、レーザーのエネルギー入力と材料の反応を結び付ける重要なパラメーターとして、正確な定量化とリアルタイムの予測を通じてこのボトルネックを克服するために非常に重要です。-レーザー吸収率は溶融プールの温度分布を直接決定します。吸収率が高すぎるとスパッタリングが発生する可能性があり、低すぎると融合欠陥が発生する可能性があります。--これに対処するために、強力な非線形マッピングと画像特徴抽出機能を活用した深層学習アルゴリズムを導入できます。鍵穴崩壊実験の現場同期 X- イメージング (対応する吸収率の測定を含む) をコアデータとして使用し、適切な畳み込みニューラル ネットワーク (ResNet-50、ConvNeXt-T)、セマンティック セグメンテーション モデル (UNet)、および転移学習戦略を設計して、鍵穴崩壊の幾何学的特性 (深さ、アスペクト比など) と強く相関する特徴を抽出できます。吸収性。これにより、「レーザー吸収率に対する X 線画像」の正確な予測モデル（エンドツーエンドおよびモジュール式アプローチの両方）を構築でき、レーザー吸収率のリアルタイム定量化が可能になり、溶融プールのダイナミクスを制御して欠陥を低減するためのデータ サポートを提供できるため、金属 AM の高精度産業応用が促進されます。-
02 全文概要
この論文は、ANL の高度光子源 (APS) の 32{4}}ID-B ビームラインで現場同期高速 X 線イメージング システムから得られたデータを使用して吸収データセットとセグメンテーション データセットを構築します。これには、粉末層なし、粉末層あり、および蒸気降下セグメンテーションを含むデータセットが含まれており、それぞれエンドツーエンドに適用されます。--そしてモジュラーメソッド。エンドツーエンド手法では、ResNet-50 と ConvNeXt-T という 2 つの畳み込みニューラル ネットワークを使用して、前処理された X 線画像から直接暗黙的な特徴を自動的に学習し、全結合回帰層を介して吸収率を出力します。これには、ImageNet で事前トレーニングされた ConvNeXt-T が表示されます。-最高のパフォーマンスを実現し、粉末-を含まない Ti-6Al-4V テストセットで 2.35±0.35 のテスト損失と 3.3% 未満の平均絶対誤差を達成しました。モジュラー手法では、まず UNet セマンティック セグメンテーション モデルを使用して蒸気陥没の幾何学的特徴 (深さ、面積、アスペクト比など) を抽出し、次にランダム フォレストなどの古典的な回帰モデルを使用して吸収率を予測します。 UNet は、複数の-材料 (Ti64、SS316、IN718 など) セグメンテーション タスクで 93.5% という最高のテスト平均交差オーバーユニオン (mIoU) を達成し、ランダム フォレスト モデルのテスト損失は 3.30±0.02 でした。その中でも、エンドツーエンドの方法は高度に自動化されており、推論が高速であり、産業用リアルタイム監視に適していますが、解釈可能性が弱く、伝導パターン (小さな蒸気のくぼみ) の予測誤差が大きくなります。モジュラー手法は強力な解釈可能性 (SHAP 値を通じて特徴の重要性を定量化し、主要な特徴としてアスペクト比、深さ、および面積を明確に識別する) を備えていますが、正確なセグメンテーションに依存しており、窪みの境界を特定するのが難しいため、粉末を含むシナリオでは適用性が制限されます。
図 03 はグラフ分析を示しています。
図 1 は、粉末層を使用しない場合のレーザー吸収の予測結果を示しています。サブ図 a と b では、エンドツーエンド ResNet-50 モデルを使用しています。これにより、スキャン中のレーザー吸収率の変化と、固定レーザーのディープ キーホール ステージの傾向を正確に追跡できますが、固定レーザーの最初の 2 つのステージには大きな誤差があります。部分図 c と d は、エンドツーエンド ConvNeXt-T モデルを使用しており、スキャン レーザー シナリオの誤差は 3% 未満です。また、静止レーザーの浅いキーホール ステージを正確に予測することもできます。偏差は非凹みステージのみです。-部分図 e と f はモジュラー アプローチ (UNet + ランダム フォレスト) を使用しており、エンドツーエンド方式に近いレーザー スキャニングのパフォーマンスを備えています。--。ただし、固定レーザーの凹みのない段階では、予測は 0 (非常に大きな偏差) としてセグメント化され、浅いキーホールが形成された後は精度が向上します。
図 2 は、さまざまなモデルのトレーニング パフォーマンスを示しています。エンドツーエンドの ResNet-50 モデル（ImageNet 重み）（ImageNet 重み）は、ランダム初期化と比較して収束エポック数を 19% 削減し、損失がわずかに減少します。エンドツー-エンドの ConvNeXt-T モデルの事前トレーニングでは、次の結果が得られます。-コンバージェンス エポックが 69% 減少し、損失が大幅に減少します (テスト損失は 76% 減少)。一方、UNet セグメンテーション モデルの事前トレーニングでは、損失への影響は最小限で、コンバージェンス エポックが 16% 減少するだけです。-この図は、事前トレーニングされた重みがエンドツーエンド モデル (特に ConvNeXt-T) の最適化を大幅に向上させるものの、セグメンテーション モデルに対する効果が限定的であることを明確に示しており、モデル トレーニング戦略の選択に重要な指針を提供します。-
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% (キーホール モード) の予測誤差はわずか 2.54 ですが、40% 以下のサンプル (伝導モード) の予測誤差は 12.6 であり、伝導モードでのモデルの重大な誤差が強調されます。サブ図 c は、94 W (低出力、伝導モード) と 106 W (高出力、キーホール モード) での静的レーザー実験を通じて、モデルの予測がキーホール モードでは実際の値とほぼ一致しているが、伝導モードでは実際の変動を捕捉できていないことをさらに検証し、サブ図 b の結果を裏付けています。
04 まとめ
この研究は、金属積層造形におけるレーザー吸収率の瞬時の予測に焦点を当てています。シンクロトロン X- 線イメージングと積分球放射測定に基づいて、粉末の有無にかかわらず Ti-6Al-4V の吸収率のデータセットと、多-物質のキーホール セグメンテーション データセットが構築されました。エンドツーエンド (ResNet-50、ConvNeXt-T) とモジュラー (UNet + ランダム フォレスト) という 2 つの深層学習手法が提案されました。どちらも MAE で高精度の予測を実現します。<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.
