कार्नेगी मेलॉन यूनिवर्सिटी, यूएसए|एडिटिव मैन्युफैक्चरिंग में तात्कालिक लेजर अवशोषण की भविष्यवाणी के लिए गहन शिक्षण विधियाँ

01 पेपर परिचय

उन्नत विनिर्माण प्रौद्योगिकी की मुख्य दिशा के रूप में एडिटिव मैन्युफैक्चरिंग (एएम), धातु घटकों के अनुकूलित उत्पादन और जटिल संरचना निर्माण में महत्वपूर्ण लाभ दिखाता है। हालाँकि, धातु एएम प्रक्रिया के दौरान, लेजर और सामग्री के बीच जटिल अंतःक्रिया आसानी से ऊर्जा अवशोषण असंतुलन के कारण छींटे और सरंध्रता जैसे दोष पैदा करती है, जिससे इसके उच्च परिशुद्धता औद्योगिक अनुप्रयोग सीमित हो जाता है। लेजर ऊर्जा इनपुट और सामग्री प्रतिक्रिया को जोड़ने वाले प्रमुख पैरामीटर के रूप में लेजर अवशोषण, सटीक मात्रा निर्धारण और वास्तविक समय भविष्यवाणी के माध्यम से इस बाधा पर काबू पाने के लिए महत्वपूर्ण है। लेजर अवशोषण सीधे पिघले हुए पूल के तापमान वितरण को निर्धारित करता है; बहुत अधिक अवशोषण क्षमता बिखरने का कारण बन सकती है, जबकि बहुत कम अवशोषकता के कारण फ़्यूज़न दोषों की कमी हो सकती है। इसे संबोधित करने के लिए, गहन शिक्षण एल्गोरिदम को पेश किया जा सकता है, जो उनकी शक्तिशाली नॉनलाइनियर मैपिंग और छवि सुविधा निष्कर्षण क्षमताओं का लाभ उठाता है। कोर डेटा के रूप में कीहोल कोलैप्स प्रयोगों (संबंधित मापी गई अवशोषण क्षमता सहित) की सीटू सिंक्रोनाइज़्ड एक्स-रे इमेजिंग (संबंधित मापी गई अवशोषणशीलता सहित) का उपयोग करके, उपयुक्त कनवल्शनल न्यूरल नेटवर्क (ResNet-50, ConvNeXt-T), सिमेंटिक सेग्मेंटेशन मॉडल (यूनेट), और ट्रांसफर लर्निंग रणनीतियों को कीहोल कोलैप्स (गहराई, पहलू अनुपात, आदि) और अवशोषण की ज्यामितीय विशेषताओं के साथ दृढ़ता से सहसंबद्ध सुविधाओं को निकालने के लिए डिज़ाइन किया जा सकता है। यह 'एक्स किरण छवि से लेकर लेजर अवशोषण क्षमता' (दोनों छोर से {{17 इंच और मॉड्यूलर दृष्टिकोण) का एक सटीक पूर्वानुमानित मॉडल बना सकता है, जो लेजर अवशोषण की वास्तविक समय मात्रा का निर्धारण करने और पिघल पूल गतिशीलता को नियंत्रित करने और दोषों को कम करने के लिए डेटा समर्थन प्रदान करने में सक्षम बनाता है, जिससे धातु एएम के उच्च परिशुद्धता औद्योगिक अनुप्रयोग को आगे बढ़ाया जा सकता है।

02 पूर्ण पाठ अवलोकन

यह पेपर एएनएल में एडवांस्ड फोटॉन सोर्स (एपीएस) की 32{4}आईडी{5}बी बीमलाइन पर इन-{0}सीटू सिंक्रोनस हाई-{1-स्पीड एक्स-रे इमेजिंग सिस्टम से प्राप्त डेटा का उपयोग करके अवशोषण और विभाजन डेटासेट का निर्माण करता है, जिसमें बिना पाउडर परत वाले, पाउडर परत वाले और वाष्प अवसाद विभाजन वाले डेटासेट शामिल हैं, जिन्हें क्रमशः एंड-टू-एंड और मॉड्यूलर तरीकों पर लागू किया गया था। अंत से {{9} से अंत तक विधि दो संकेंद्रित तंत्रिका नेटवर्क, ResNet {12} 50 और ConvNeXt - T का उपयोग करती है, पूर्व {14} संसाधित एक्स {15} रे छवियों से सीधे अंतर्निहित सुविधाओं को स्वचालित रूप से सीखने के लिए, पूरी तरह से जुड़े प्रतिगमन परत के माध्यम से अवशोषण दर को आउटपुट करती है, ConvNeXt {{19} T पूर्व {{24} ImageNet पर प्रशिक्षित सबसे अच्छा प्रदर्शन दिखाती है, एक परीक्षण हानि प्राप्त करती है 2.35±0.35 और पाउडर-मुक्त Ti-6Al-4V परीक्षण सेट पर 3.3% से कम की औसत निरपेक्ष त्रुटि। मॉड्यूलर विधि पहले यूनेट सिमेंटिक सेगमेंटेशन मॉडल का उपयोग करके वाष्प अवसाद (जैसे गहराई, क्षेत्र और पहलू अनुपात) की ज्यामितीय विशेषताओं को निकालती है, फिर रैंडम फ़ॉरेस्ट जैसे शास्त्रीय प्रतिगमन मॉडल का उपयोग करके अवशोषण दर की भविष्यवाणी करती है; यूनेट ने बहु-सामग्री (उदाहरण के लिए, Ti64, SS316, IN718) विभाजन कार्यों में 93.5% का उच्चतम परीक्षण माध्य प्रतिच्छेदन संघ (mIoU) हासिल किया, और रैंडम फ़ॉरेस्ट मॉडल का परीक्षण नुकसान 3.30±0.02 था। उनमें से, एंड-टू-एंड विधि अत्यधिक स्वचालित और अनुमान में तेज़ है, जो औद्योगिक वास्तविक समय की निगरानी के लिए उपयुक्त है, लेकिन कमजोर व्याख्या और चालन पैटर्न (छोटे वाष्प अवसाद) के लिए बड़ी भविष्यवाणी त्रुटियों के साथ; मॉड्यूलर विधि में मजबूत व्याख्यात्मकता है (SHAP मानों के माध्यम से सुविधा महत्व को मापना, पहलू अनुपात, गहराई और क्षेत्र को प्रमुख विशेषताओं के रूप में स्पष्ट रूप से पहचानना), लेकिन अवसाद सीमाओं की पहचान करने में कठिनाई के कारण पाउडर युक्त परिदृश्यों में सीमित प्रयोज्यता के साथ, सटीक विभाजन पर निर्भर करता है।

चित्र 03 ग्राफिक विश्लेषण दिखाता है।

चित्र 1 पाउडर परत के बिना लेजर अवशोषण के अनुमानित परिणाम प्रस्तुत करता है। सबफ़िगर ए और बी अंत {{2} से {{3} अंत रेसनेट - 50 मॉडल का उपयोग करते हैं, जो स्कैनिंग के दौरान लेजर अवशोषण दर में परिवर्तन और स्थिर लेजर डीप कीहोल चरण में रुझानों को सटीक रूप से ट्रैक कर सकता है, लेकिन स्थिर लेजर के पहले दो चरणों में बड़ी त्रुटियां हैं। सबफ़िगर सी और डी अंत{7}}से{{8}अंत ConvNeXt-टी मॉडल का उपयोग करते हैं, जिसमें स्कैनिंग लेजर परिदृश्य त्रुटियां 3% से कम होती हैं, और यह स्थिर लेजर के उथले कीहोल चरण की सटीक भविष्यवाणी भी कर सकता है, केवल नो{13}डिप्रेशन चरण में विचलन के साथ। सबफ़िगर ई और एफ एक मॉड्यूलर दृष्टिकोण (यूनेट + रैंडम फ़ॉरेस्ट) का उपयोग करते हैं, जिसमें अंत के करीब लेजर स्कैनिंग विधि में प्रदर्शन होता है। हालाँकि, स्थिर लेजर के नो-डिप्रेशन चरण में, भविष्यवाणी को 0 (बहुत बड़ा विचलन) के रूप में खंडित किया जाता है, और उथले कीहोल बनने के बाद सटीकता में सुधार होता है।

चित्र 2 विभिन्न मॉडलों के प्रशिक्षण प्रदर्शन को दर्शाता है, जहां अंत {{1} से {{2} अंत ResNet {{4} 50 मॉडल पूर्व {{6} प्रशिक्षित (इमेजनेट वेट) नुकसान में मामूली कमी के साथ यादृच्छिक आरंभीकरण की तुलना में अभिसरण युगों की संख्या को 19% कम कर देता है, अंत {7} से {8} अंत ConvNeXt {{9} T मॉडल पूर्व प्रशिक्षण के परिणाम 69% हो जाते हैं। अभिसरण युगों में कमी और हानि में पर्याप्त कमी (परीक्षण हानि में 76% की कमी), जबकि यूनेट विभाजन मॉडल का पूर्व प्रशिक्षण केवल हानि पर न्यूनतम प्रभाव के साथ अभिसरण युगों को 16% तक कम करता है। यह आंकड़ा स्पष्ट रूप से दर्शाता है कि पूर्व-प्रशिक्षित भार अंतिम-से-अंत मॉडल (विशेष रूप से ConvNeXt-T) के अनुकूलन में काफी सुधार करते हैं, लेकिन विभाजन मॉडल पर सीमित प्रभाव डालते हैं, जो मॉडल प्रशिक्षण रणनीति चयन के लिए महत्वपूर्ण मार्गदर्शन प्रदान करते हैं।

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% (कीहोल मोड) में केवल 2.54 की भविष्यवाणी त्रुटि होती है, जबकि 40% (चालन मोड) से कम या उसके बराबर नमूनों में 12.6 की त्रुटि होती है, जो चालन मोड के तहत मॉडल की महत्वपूर्ण त्रुटि को उजागर करती है; सबफिगर सी, 94W (कम शक्ति, चालन मोड) और 106W (उच्च शक्ति, कीहोल मोड) पर स्थिर लेजर प्रयोगों के माध्यम से, यह सत्यापित करता है कि मॉडल की भविष्यवाणियां कीहोल मोड में वास्तविक मूल्यों से निकटता से मेल खाती हैं लेकिन चालन मोड में वास्तविक उतार-चढ़ाव को पकड़ने में विफल रहती हैं, जो सबफिगर बी के निष्कर्षों की पुष्टि करती है।

04 निष्कर्ष

यह अध्ययन धातु योज्य विनिर्माण में लेजर अवशोषण की तात्कालिक भविष्यवाणी पर केंद्रित है। सिंक्रोट्रॉन एक्स किरण इमेजिंग और एकीकृत क्षेत्र विकिरण माप के आधार पर, बिना पाउडर के और पाउडर के साथ Ti - 6Al - 4V अवशोषण के डेटासेट, साथ ही बहु - सामग्री कीहोल विभाजन डेटासेट का निर्माण किया गया था। दो गहन शिक्षण विधियाँ प्रस्तावित की गईं: अंत से {{9} से अंत तक (ResNet-50, ConvNeXt-T) और मॉड्यूलर (UNet + यादृच्छिक वन), दोनों MAE के साथ उच्च-सटीक भविष्यवाणियाँ प्राप्त कर रहे हैं<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.