01 পেপার পরিচিতি
অ্যাডটিভ ম্যানুফ্যাকচারিং (এএম), উন্নত উত্পাদন প্রযুক্তির একটি মূল দিক হিসাবে, ধাতব উপাদানগুলির কাস্টমাইজড উত্পাদন এবং জটিল কাঠামো তৈরিতে উল্লেখযোগ্য সুবিধা দেখায়। যাইহোক, ধাতব AM প্রক্রিয়া চলাকালীন, লেজার এবং উপাদানের মধ্যে জটিল মিথস্ক্রিয়া সহজেই শক্তি শোষণের ভারসাম্যহীনতার কারণে স্প্যাটারিং এবং পোরোসিটির মতো ত্রুটি তৈরি করে, এর উচ্চ-নির্ভুল শিল্প প্রয়োগকে সীমাবদ্ধ করে। লেজারের শোষণ, লেজার শক্তি ইনপুট এবং উপাদান প্রতিক্রিয়া লিঙ্ক করার মূল প্যারামিটার হিসাবে, সুনির্দিষ্ট পরিমাণ নির্ধারণ এবং বাস্তব সময়ের পূর্বাভাসের মাধ্যমে এই বাধা অতিক্রম করার জন্য অত্যন্ত গুরুত্বপূর্ণ। লেজার শোষণ ক্ষমতা সরাসরি গলিত পুলের তাপমাত্রা বন্টন নির্ধারণ করে; অত্যধিক শোষণ ক্ষমতা স্প্যাটারিং হতে পারে, যখন খুব কম ফিউশন ত্রুটির-অভাব হতে পারে। এটি মোকাবেলা করার জন্য, গভীর শিক্ষার অ্যালগরিদমগুলি চালু করা যেতে পারে, তাদের শক্তিশালী অরৈখিক ম্যাপিং এবং চিত্র বৈশিষ্ট্য নিষ্কাশন ক্ষমতাগুলি ব্যবহার করে। মূল ডেটা হিসাবে কীহোল ধসের পরীক্ষাগুলির (সংশ্লিষ্ট পরিমাপিত শোষণ ক্ষমতা সহ) সিটু সিঙ্ক্রোনাইজড এক্স-রে ইমেজিং ব্যবহার করে, উপযুক্ত কনভোল্যুশনাল নিউরাল নেটওয়ার্কগুলি (ResNet-50, ConvNeXt-T), শব্দার্থিক সেগমেন্টেশন মডেলগুলি (ইউএনএক্স স্ট্র্যাক্টিং মডেলগুলি) ট্রান্সফার করা যেতে পারে। কীহোল ভেঙে পড়া (গভীরতা, আকৃতির অনুপাত, ইত্যাদি) এবং শোষণের জ্যামিতিক বৈশিষ্ট্যের সাথে দৃঢ়ভাবে সম্পর্কযুক্ত। এটি 'এক্স-রে চিত্র থেকে লেজার শোষণের' (এন্ড{-থেকে-এন্ড এবং মডুলার পন্থা উভয়ই) এর একটি সঠিক ভবিষ্যদ্বাণীমূলক মডেল তৈরি করতে পারে, লেজার শোষণের বাস্তব-সময় পরিমাপকে সক্ষম করে এবং মেল্ট পুল নিয়ন্ত্রণের জন্য ডেটা সহায়তা প্রদান করে, উচ্চ-প্রযুক্তিগত ত্রুটি এবং উচ্চ-প্রযুক্তি পরিবর্তন করে। ধাতু AM.
02 সম্পূর্ণ টেক্সট ওভারভিউ
এই কাগজটি একটি ইন-সিটু সিনক্রোনাস হাই-স্পিড এক্স-রে ইমেজিং সিস্টেম থেকে প্রাপ্ত ডেটা ব্যবহার করে শোষণ এবং সেগমেন্টেশন ডেটাসেট তৈরি করে বিভাজন, যা যথাক্রমে শেষ-থেকে-এন্ড এবং মডুলার পদ্ধতিতে প্রয়োগ করা হয়েছিল। শেষ-থেকে-শেষ পদ্ধতি দুটি কনভোলিউশনাল নিউরাল নেটওয়ার্ক ব্যবহার করে, ResNet-50 এবং ConvNeXt-টি, সম্পূর্ণরূপে সংযুক্ত{14}}প্রক্রিয়াকৃত এক্স-রশ্মি চিত্রগুলি থেকে সরাসরি অন্তর্নিহিত বৈশিষ্ট্যগুলি শিখতে, সম্পূর্ণরূপে সংযুক্ত একটি{1}T9 স্তরের মাধ্যমে শোষণের হার আউটপুট করে{13}} ইমেজনেটে প্রি-প্রশিক্ষিত সর্বোত্তম পারফরম্যান্স দেখায়, 2.35±0.35 পরীক্ষায় ক্ষতি এবং পাউডার-বিনামূল্যে Ti-6Al-4V পরীক্ষা সেটে গড় পরম ত্রুটি 3.3% এর কম অর্জন করে৷ মডুলার পদ্ধতিটি প্রথমে ইউনেট শব্দার্থিক বিভাজন মডেল ব্যবহার করে বাষ্প বিষণ্নতার জ্যামিতিক বৈশিষ্ট্য (যেমন গভীরতা, ক্ষেত্রফল এবং আকৃতির অনুপাত) বের করে, তারপরে র্যান্ডম ফরেস্টের মতো ক্লাসিক্যাল রিগ্রেশন মডেল ব্যবহার করে শোষণ হারের পূর্বাভাস দেয়; UNet মাল্টি-বস্তুর (যেমন, Ti64, SS316, IN718) সেগমেন্টেশন টাস্কে 93.5% ইউনিয়নের (mIoU) উপর সর্বোচ্চ পরীক্ষার গড় ইন্টারসেকশন অর্জন করেছে এবং র্যান্ডম ফরেস্ট মডেলের পরীক্ষায় 3.30±0.02 ক্ষতি হয়েছে। তাদের মধ্যে, এন্ড-টু-এন্ড পদ্ধতিটি অত্যন্ত স্বয়ংক্রিয় এবং অনুমানে দ্রুত, শিল্প রিয়েল-টাইম নিরীক্ষণের জন্য উপযুক্ত, তবে দুর্বল ব্যাখ্যাযোগ্যতা এবং সঞ্চালনের ধরণগুলির জন্য বৃহত্তর পূর্বাভাস ত্রুটি সহ (ছোট বাষ্প বিষণ্নতা); মডুলার পদ্ধতির শক্তিশালী ব্যাখ্যাযোগ্যতা রয়েছে (SHAP মানের মাধ্যমে বৈশিষ্ট্যের গুরুত্ব পরিমাপ করা, মূল বৈশিষ্ট্য হিসাবে দিক অনুপাত, গভীরতা এবং ক্ষেত্রফলকে স্পষ্টভাবে চিহ্নিত করা), কিন্তু বিষণ্নতার সীমানা চিহ্নিত করতে অসুবিধার কারণে পাউডার-ধারণকারী পরিস্থিতিতে সীমিত প্রযোজ্যতার সাথে সুনির্দিষ্ট বিভাজনের উপর নির্ভর করে।
চিত্র 03 গ্রাফিক বিশ্লেষণ দেখায়।
চিত্র 1 পাউডার স্তর ছাড়াই লেজার শোষণের পূর্বাভাসিত ফলাফল উপস্থাপন করে। সাবফিগার a এবং b ব্যবহার করে শেষ-শেষে-ResNet-50 মডেল, যা স্ক্যান করার সময় লেজার শোষণ হারের পরিবর্তনগুলি এবং স্থির লেজারের গভীর কীহোল পর্যায়ে প্রবণতাগুলি সঠিকভাবে ট্র্যাক করতে পারে, তবে স্থির লেজারের প্রথম দুটি পর্যায়ে বড় ত্রুটি রয়েছে৷ সাবফিগার c এবং d এন্ড-শেষে-ConvNeXt-T মডেল ব্যবহার করে, স্ক্যানিং লেজারের দৃশ্যকল্পের ত্রুটি 3%-এর কম, এবং এটি স্থির লেজারের অগভীর কীহোল পর্যায়েও সঠিকভাবে ভবিষ্যদ্বাণী করতে পারে, শুধুমাত্র কোন- চাপের পর্যায়ে বিচ্যুতি নেই৷ সাবফিগার e এবং f একটি মডুলার পদ্ধতি ব্যবহার করে (UNet + র্যান্ডম ফরেস্ট), শেষের-থেকে-শেষ পদ্ধতির কাছাকাছি লেজার স্ক্যান করার কর্মক্ষমতা সহ; যাইহোক, স্থির লেজারের নো-ডিপ্রেশন পর্যায়ে, ভবিষ্যদ্বাণীটি 0 (খুব বড় বিচ্যুতি) হিসাবে ভাগ করা হয় এবং অগভীর কীহোল গঠনের পরে সঠিকতা উন্নত হয়।
চিত্র 2 বিভিন্ন মডেলের প্রশিক্ষণ কর্মক্ষমতা চিত্রিত করে, যেখানে শেষ-থেকে-ResNet শেষ-50 মডেল প্রি-প্রশিক্ষিত (ImageNet ওয়েট) ক্ষতির সামান্য হ্রাস সহ র্যান্ডম প্রারম্ভের তুলনায় কনভারজেন্স যুগের সংখ্যা 19% হ্রাস করে, শেষ পর্যন্ত{{}}{7} ConvNeXt-T মডেল প্রি-প্রশিক্ষণের ফলে কনভারজেন্স যুগের 69% হ্রাস এবং ক্ষতির উল্লেখযোগ্য হ্রাস (পরীক্ষার ক্ষতি 76% কমেছে), যখন UNet সেগমেন্টেশন মডেলের প্রাক-প্রশিক্ষণ শুধুমাত্র অভিসারী যুগের উপর %6 কম প্রভাব কমিয়ে দেয়। এই চিত্রটি স্পষ্টভাবে দেখায় যে প্রাক-প্রশিক্ষিত ওজনগুলি শেষ-থেকে-এন্ড মডেলের অপ্টিমাইজেশনকে উল্লেখযোগ্যভাবে উন্নত করে (বিশেষত কনভনেক্সট-টি) কিন্তু সেগমেন্টেশন মডেলগুলিতে সীমিত প্রভাব ফেলে, মডেল প্রশিক্ষণ কৌশল নির্বাচনের জন্য মূল নির্দেশিকা প্রদান করে।
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% (কিহোল মোড) এর ভবিষ্যদ্বাণী ত্রুটি মাত্র 2.54, যেখানে 40% এর থেকে কম বা সমান (পরিবাহী মোড) নমুনাগুলির একটি ত্রুটি রয়েছে 12.6, যা পরিবাহী মোডের অধীনে মডেলের উল্লেখযোগ্য ত্রুটিকে হাইলাইট করে; সাবফিগার c, 94W (নিম্ন শক্তি, পরিবাহী মোড) এবং 106W (উচ্চ শক্তি, কীহোল মোড) এ স্ট্যাটিক লেজার পরীক্ষার মাধ্যমে আরও যাচাই করে যে মডেলের ভবিষ্যদ্বাণীগুলি কীহোল মোডের বাস্তব মানগুলির সাথে ঘনিষ্ঠভাবে মেলে কিন্তু পরিবাহী মোডে প্রকৃত ওঠানামা ক্যাপচার করতে ব্যর্থ হয়, সাবফিগারের ফলাফলগুলিকে সমর্থন করে৷
04 উপসংহার
গবেষণাটি ধাতব সংযোজন উত্পাদনে লেজার শোষণের তাত্ক্ষণিক পূর্বাভাসের উপর দৃষ্টি নিবদ্ধ করে। সিঙ্ক্রোট্রন এক্স-রে ইমেজিং এবং সমন্বিত গোলকের বিকিরণ পরিমাপের উপর ভিত্তি করে, Ti-6Al-4V শোষণ ক্ষমতা এবং পাউডার ছাড়াই এবং সেইসাথে মাল্টি-বস্তু কীহোল সেগমেন্টেশন ডেটাসেটগুলি তৈরি করা হয়েছিল। দুটি গভীর শিক্ষার পদ্ধতি প্রস্তাব করা হয়েছিল: শেষ-থেকে-শেষ (ResNet-50, ConvNeXt-T) এবং মডুলার (UNet + র্যান্ডম ফরেস্ট), উভয়ই MAE-এর সাথে উচ্চ-নির্ভুল পূর্বাভাস অর্জন করে<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.
