01 논문소개
AM(적층 가공)은 첨단 제조 기술의 핵심 방향으로 금속 부품의 맞춤형 생산 및 복잡한 구조 제작에 상당한 이점을 보여줍니다. 그러나 금속 AM 공정에서는 레이저와 재료 사이의 복잡한 상호 작용으로 인해 에너지 흡수 불균형으로 인해 스패터링 및 다공성과 같은 결함이 쉽게 발생하여 고정밀 산업 응용이 제한됩니다-. 레이저 에너지 입력과 재료 반응을 연결하는 핵심 매개변수인 레이저 흡수성은 정확한 정량화와 실시간 예측을 통해 이러한 병목 현상을 극복하는 데 매우 중요합니다.{3}} 레이저 흡수율은 용융 풀의 온도 분포를 직접적으로 결정합니다. 흡수율이 너무 높으면 튀는 현상이 발생할 수 있고, 너무 낮으면 융합 결함이-부족-발생할 수 있습니다. 이 문제를 해결하기 위해 강력한 비선형 매핑 및 이미지 특징 추출 기능을 활용하는 딥 러닝 알고리즘을 도입할 수 있습니다. 키홀 붕괴 실험(해당 측정된 흡수율 포함)의 현장 동기화 X{9}}선 영상을 핵심 데이터로 사용하여 적절한 컨볼루션 신경망(ResNet-50, ConvNeXt-T), 의미론적 분할 모델(UNet) 및 전이 학습 전략을 설계하여 키홀 붕괴의 기하학적 특성(깊이, 종횡비 등) 및 흡수율과 밀접한 상관관계가 있는 특징을 추출하도록 설계할 수 있습니다. 이를 통해 '레이저 흡수율에 대한 X-선 이미지'(엔드-투-및 모듈식 접근 방식 모두)의 정확한 예측 모델을 구축하여 레이저 흡수율의 실시간-정량화를 가능하게 하고 용융 풀 역학 제어 및 결함 감소를 위한 데이터 지원을 제공하여 금속 AM의 고정밀 산업 응용을 발전시킬 수 있습니다.
02 전문 개요
이 문서는 ANL APS(Advanced Photon Source)의 32-ID-B 빔라인에 있는 -동기식 고속-속도 X-선 이미징 시스템에서 얻은 데이터를 사용하여 흡수 및 분할 데이터세트를 구성합니다. 여기에는 분말층이 없는 데이터세트, 분말층이 있는 데이터세트, 증기 강하 분할이 포함된 데이터세트가 포함됩니다. 이러한 데이터세트는 종단-}대-방법과 모듈식 방법에 각각 적용되었습니다. 엔드{9}}투{11}}방법은 ResNet-50과 ConvNeXt-T라는 두 개의 컨벌루션 신경망을 사용하여 사전 처리된 X-선 이미지에서 직접 암시적 특징을 자동으로 학습하고 완전히 연결된 회귀 계층을 통해 흡수율을 출력하며 ImageNet에서 사전 학습된 ConvNeXt-T-가 가장 좋은 결과를 보여줍니다. 무분말 Ti-6Al-4V 테스트 세트에서 2.35±0.35의 테스트 손실과 3.3% 미만의 평균 절대 오차를 달성했습니다. 모듈식 방법은 먼저 UNet 의미론적 분할 모델을 사용하여 증기 강하의 기하학적 특징(예: 깊이, 면적 및 종횡비)을 추출한 다음 Random Forest와 같은 고전적인 회귀 모델을 사용하여 흡수율을 예측합니다. UNet은 다중{35}}재료(예: Ti64, SS316, IN718) 분할 작업에서 93.5%의 가장 높은 테스트 평균 교차점(mIoU)을 달성했으며 Random Forest 모델의 테스트 손실은 3.30±0.02였습니다. 그중 엔드투엔드 방법은 고도로 자동화되고 추론이 빠르며 산업 실시간 모니터링에 적합하지만 해석성이 약하고 전도 패턴(작은 증기 강하)에 대한 예측 오류가 더 큽니다. 모듈식 방법은 강력한 해석 가능성(SHAP 값을 통해 기능 중요도를 정량화하고 종횡비, 깊이 및 영역을 핵심 기능으로 명확하게 식별)을 갖지만 함몰 경계를 식별하기 어렵기 때문에 분말 포함 시나리오에서 적용 가능성이 제한되어 정확한 분할에 의존합니다.
그림 03은 그래픽 분석을 보여줍니다.
그림 1은 분말층이 없는 레이저 흡수의 예측 결과를 보여줍니다. 하위 그림 a와 b는 엔드{2}}대{3}}ResNet-50 모델을 사용합니다. 이 모델은 스캐닝 중 레이저 흡수율의 변화와 고정 레이저 깊은 키홀 단계의 추세를 정확하게 추적할 수 있지만 고정 레이저의 처음 두 단계에는 큰 오류가 있습니다. 하위 그림 c와 d는 스캐닝 레이저 시나리오 오류가 3% 미만인 종단-대-ConvNeXt-T 모델을 사용하며, 우울증이 없는 단계에서만 편차가 있는 정지 레이저의 얕은 키홀 단계를 정확하게 예측할 수도 있습니다.- 하위 그림 e와 f는 엔드-}투-방법에 가까운 스캐닝 레이저 성능을 갖춘 모듈식 접근 방식(UNet + 랜덤 포레스트)을 사용합니다. 그러나 고정 레이저의 우울증 없음 단계에서는 예측이 0(매우 큰 편차)으로 분할되고 얕은 열쇠 구멍이 형성된 후 정확도가 향상됩니다.
그림 2는 다양한 모델의 학습 성능을 보여줍니다. 여기서 종단-대-사전 학습된-50개 모델(ImageNet 가중치)(ImageNet 가중치)은 손실이 약간 감소하면서 무작위 초기화에 비해 수렴 에포크 수를 19% 줄입니다. 종단-}대-ConvNeXt-T 모델 사전{12}}학습 결과는 다음과 같습니다. 수렴 시대는 69% 감소하고 손실은 크게 감소합니다(테스트 손실은 76% 감소). 반면-UNet 세분화 모델을 사전 학습하면 손실에 미치는 영향을 최소화하면서 수렴 시대를 16%만 줄입니다. 이 그림은 사전 학습된 가중치가 엔드{17}}대{18}}모델(특히 ConvNeXt-T)의 최적화를 크게 향상시키지만 분할 모델에 미치는 영향은 제한적이므로 모델 학습 전략 선택을 위한 핵심 지침을 제공한다는 점을 명확하게 보여줍니다.
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%(열쇠구멍 모드)의 예측 오류는 2.54에 불과한 반면, 40% 이하의 샘플(전도 모드)의 오류는 12.6으로, 이는 전도 모드에서 모델의 상당한 오류를 강조합니다. 하위 그림 c는 94W(저전력, 전도 모드) 및 106W(고전력, 키홀 모드)의 정적 레이저 실험을 통해 모델의 예측이 키홀 모드의 실제 값과 거의 일치하지만 전도 모드의 실제 변동을 포착하지 못함을 추가로 확인하여 하위 그림 b의 결과를 확증합니다.
04 결론
이 연구는 금속 적층 제조에서 레이저 흡수율의 즉각적인 예측에 중점을 두고 있습니다. 싱크로트론 X-선 이미징 및 통합 구형 방사선 측정을 기반으로 분말 유무에 따른 Ti-6Al-4V 흡수율 데이터세트와 다중-재료 열쇠 구멍 분할 데이터세트가 구축되었습니다. 엔드-}투-(ResNet-50, ConvNeXt-T) 및 모듈식(UNet + Random Forest)이라는 두 가지 딥 러닝 방법이 제안되었으며 둘 다 MAE를 통해 고정밀 예측을 달성했습니다.<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.
