01 Makalah Pendahuluan
Additive Manufacturing (AM), sebagai arah inti dari teknologi manufaktur canggih, menunjukkan keunggulan signifikan dalam produksi komponen logam yang disesuaikan dan fabrikasi struktur yang kompleks. Namun, selama proses AM logam, interaksi kompleks antara laser dan material dengan mudah menghasilkan cacat seperti percikan dan porositas karena ketidakseimbangan penyerapan energi, sehingga membatasi-aplikasi industri dengan presisi tinggi. Absorptivitas laser, sebagai parameter utama yang menghubungkan masukan energi laser dan respons material, sangat penting untuk mengatasi hambatan ini melalui kuantifikasi yang tepat dan prediksi-waktu nyata. Absorptivitas laser secara langsung menentukan distribusi suhu kumpulan lelehan; daya serap yang terlalu tinggi dapat menyebabkan percikan, sedangkan daya serap yang terlalu rendah dapat menyebabkan kurangnya-cacat-fusi. Untuk mengatasi hal ini, algoritme pembelajaran mendalam dapat diperkenalkan, memanfaatkan kemampuan pemetaan nonlinier dan ekstraksi fitur gambar yang kuat. Menggunakan pencitraan sinar X-in situ yang disinkronkan dari eksperimen keruntuhan lubang kunci (termasuk absorptivitas terukur yang sesuai) sebagai data inti, jaringan saraf konvolusional yang sesuai (ResNet-50, ConvNeXt-T), model segmentasi semantik (UNet), dan strategi pembelajaran transfer dapat dirancang untuk mengekstrak fitur yang sangat berkorelasi dengan karakteristik geometris keruntuhan lubang kunci (kedalaman, rasio aspek, dll.) dan absorptivitas. Hal ini dapat membangun model prediktif yang akurat dari 'gambar sinar X ke serapan laser' (baik pendekatan end{16}}ke-end maupun modular), memungkinkan kuantifikasi absorptivitas laser secara real-time dan menyediakan dukungan data untuk mengendalikan dinamika kumpulan lelehan dan mengurangi cacat, sehingga memajukan penerapan AM logam dalam industri dengan presisi tinggi.
02 Ikhtisar Teks Lengkap
Makalah ini menyusun kumpulan data serapan dan segmentasi menggunakan data yang diperoleh dari sistem pencitraan sinar X-kecepatan tinggi sinkron in-situ pada garis pancaran 32-ID-B dari Sumber Foton Lanjutan (APS) di ANL, termasuk kumpulan data tanpa lapisan serbuk, dengan lapisan serbuk, dan dengan segmentasi depresi uap, yang diterapkan masing-masing pada metode ujung-ke-end dan modular. Metode end-to-end menggunakan dua jaringan neural konvolusional, ResNet-50 dan ConvNeXt-T, untuk secara otomatis mempelajari fitur implisit langsung dari-gambar sinar X yang telah diproses sebelumnya, menghasilkan tingkat penyerapan melalui lapisan regresi yang terhubung sepenuhnya, dengan ConvNeXt-T yang telah dilatih sebelumnya di ImageNet menunjukkan performa terbaik, mencapai kerugian pengujian sebesar 2,35±0,35 dan kesalahan absolut rata-rata kurang dari 3,3% pada set pengujian-Ti-6Al-4V bebas bubuk. Metode modular pertama-tama mengekstrak fitur geometris dari depresi uap (seperti kedalaman, luas, dan rasio aspek) menggunakan model segmentasi semantik UNet, kemudian memprediksi laju penyerapan menggunakan model regresi klasik seperti Random Forest; UNet mencapai rata-rata pengujian interseksi atas penyatuan (mIoU) tertinggi sebesar 93,5% dalam tugas segmentasi multi-bahan (misalnya, Ti64, SS316, IN718), dan model Random Forest mengalami kerugian pengujian sebesar 3,30±0,02. Diantaranya, metode end-to-end sangat otomatis dan cepat dalam inferensi, cocok untuk pemantauan real-time industri, namun dengan interpretasi yang lemah dan kesalahan prediksi yang lebih besar untuk pola konduksi (depresi uap kecil); metode modular memiliki interpretasi yang kuat (mengukur pentingnya fitur melalui nilai SHAP, mengidentifikasi dengan jelas rasio aspek, kedalaman, dan area sebagai fitur utama), namun bergantung pada segmentasi yang tepat, dengan penerapan terbatas dalam skenario yang mengandung bubuk karena kesulitan dalam mengidentifikasi batas-batas depresi.
Gambar 03 menunjukkan analisis grafis.
Gambar 1 menyajikan prediksi hasil penyerapan laser tanpa lapisan bubuk. Subgambar a dan b menggunakan model ResNet ujung-ke-ujung ResNet-50, yang dapat secara akurat melacak perubahan laju penyerapan laser selama pemindaian dan tren pada tahap lubang kunci dalam laser stasioner, namun terdapat kesalahan besar dalam dua tahap pertama laser stasioner. Subgambar c dan d menggunakan model ConvNeXt-T ujung-ke-akhir, dengan kesalahan skenario laser pemindaian kurang dari 3%, dan juga dapat secara akurat memprediksi tahap lubang kunci dangkal dari laser stasioner, dengan penyimpangan hanya pada tahap tanpa-depresi. Subgambar e dan f menggunakan pendekatan modular (UNet + random forest), dengan performa dalam pemindaian laser yang mendekati metode-ke-end; namun, pada tahap tanpa depresi pada laser stasioner, prediksi disegmentasikan sebagai 0 (deviasi sangat besar), dan akurasi meningkat setelah lubang kunci dangkal terbentuk.
Gambar 2 menggambarkan performa pelatihan berbagai model, dengan model ResNet-50 ujung yang dilatih-ujungnya (bobot ImageNet) mengurangi jumlah periode konvergensi sebesar 19% dibandingkan dengan inisialisasi acak dengan sedikit penurunan kerugian, pra-model T ConvNeXt-akhir pelatihan menghasilkan pengurangan periode konvergensi sebesar 69% dan penurunan kerugian yang signifikan (kerugian pengujian berkurang sebesar 76%), sedangkan pra{15}}pelatihan model segmentasi UNet hanya mengurangi periode konvergensi sebesar 16% dengan dampak minimal terhadap kerugian. Gambar ini dengan jelas menunjukkan bahwa-bobot yang telah dilatih sebelumnya secara signifikan meningkatkan pengoptimalan model-hingga-end (terutama ConvNeXt-T) namun memiliki efek terbatas pada model segmentasi, sehingga memberikan panduan utama untuk pemilihan strategi pelatihan model.
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% (mode lubang kunci) memiliki kesalahan prediksi hanya 2,54, sedangkan sampel kurang dari atau sama dengan 40% (mode konduksi) memiliki kesalahan 12,6, menyoroti kesalahan signifikan model dalam mode konduksi; Subgambar c, melalui eksperimen laser statis pada 94W (daya rendah, mode konduksi) dan 106W (daya lebih tinggi, mode lubang kunci), selanjutnya memverifikasi bahwa prediksi model sangat cocok dengan nilai sebenarnya dalam mode lubang kunci tetapi gagal menangkap fluktuasi aktual dalam mode konduksi, menguatkan temuan subgambar b.
04 Kesimpulan
Studi ini berfokus pada prediksi serapan laser secara instan dalam pembuatan aditif logam. Berdasarkan pencitraan sinar X-sinkronisasi dan pengintegrasian pengukuran radiasi bola, kumpulan data absorptivitas Ti-6Al-4V tanpa dan dengan bubuk, serta kumpulan data segmentasi lubang kunci multi-bahan, dibuat. Dua metode pembelajaran mendalam diusulkan: ujung-ke-end (ResNet-50, ConvNeXt-T) dan modular (UNet + random forest), keduanya mencapai prediksi presisi tinggi dengan 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.
