01 کاغذ کا تعارف
ایڈیٹیو مینوفیکچرنگ (AM) ، جدید مینوفیکچرنگ ٹکنالوجی کی بنیادی سمت کے طور پر ، دھات کے اجزاء کی اپنی مرضی کے مطابق پیداوار اور پیچیدہ ڈھانچے کی تانے بانے میں اہم فوائد ظاہر کرتا ہے۔ تاہم ، دھات کے AM کے عمل کے دوران ، لیزر اور مادے کے مابین پیچیدہ تعامل آسانی سے توانائی کے جذب عدم توازن کی وجہ سے پھیلنے اور پوروسٹی جیسے نقائص پیدا کرتا ہے ، جس سے اس کے اعلی - صحت سے متعلق صنعتی اطلاق کو محدود کیا جاتا ہے۔ لیزر جذب ، لیزر انرجی ان پٹ اور مادی ردعمل کو جوڑنے والے کلیدی پیرامیٹر کی حیثیت سے ، عین مطابق مقدار اور حقیقی - وقت کی پیش گوئی کے ذریعے اس رکاوٹ پر قابو پانے کے لئے بہت ضروری ہے۔ لیزر جاذب پگھل تالاب کی درجہ حرارت کی تقسیم کا براہ راست تعین کرتا ہے۔ بہت زیادہ جذبات پھیلانے کا باعث بن سکتے ہیں ، جبکہ بہت کم - فیوژن نقائص کی کمی کی وجہ سے - کی کمی ہوسکتی ہے۔ اس کی نشاندہی کرنے کے لئے ، گہری لرننگ الگورتھم متعارف کرایا جاسکتا ہے ، جس میں ان کی طاقتور نان لائنر میپنگ اور تصویری خصوصیت کو نکالنے کی صلاحیتوں کا فائدہ اٹھایا جاسکتا ہے۔ کیہول کے خاتمے کے تجربات (جس میں اسی ماپنے جذب جذباتیت سمیت) کو بنیادی اعداد و شمار کے طور پر مطابقت پذیر x - رے امیجنگ کا استعمال کرتے ہوئے ، مناسب اعداد و شمار کے طور پر ، مناسب کنوولیشنل نیورل نیٹ ورکس (ریزنیٹ -}} 50 ، کونسٹیٹٹ {14- t) ، سیمنٹک سیگمنٹٹیشن ماڈل (یونیٹٹیشن ماڈل) (یونیٹ اسٹریٹشن) کے ساتھ مناسب کنوولیشنل نیورل نیٹ ورکس (ریزنیٹ- 50 ، کونسٹیٹڈ سیفٹیڈ سیفٹیڈ سیفٹیڈ}} 50) کیہول کے خاتمے کی ہندسی خصوصیات (گہرائی ، پہلو تناسب وغیرہ) اور جاذبیت۔ اس سے 'x - ray رے امیج آف لیزر جاذبیت' (دونوں اختتام - to - end اور ماڈیولر نقطہ نظر) کا ایک درست پیش گوئی کرنے والا ماڈل تشکیل دے سکتا ہے ، جس سے لیزر جذب کی حقیقی {- وقت کی مقدار کو قابل بناتا ہے اور پگھلنے والے تالاب کو کنٹرول کرنے کے لئے ڈیٹا سپورٹ فراہم کرتا ہے۔ دھات AM کی اعلی صحت سے متعلق صنعتی اطلاق۔
02 مکمل متن کا جائزہ
یہ مقالہ جذب اور قطعیت کے ڈیٹاسیٹس کو - سیٹو ہم آہنگی اعلی -} اسپیڈ-} رے پرت کے ساتھ ، 32 - id {5- b بیم لائن کے ساتھ ایڈوانس فوٹون سورس (اے پی ایس) کے ساتھ ، جس میں پی او ڈی ایس پرت کے ساتھ حاصل کردہ ڈیٹا کا استعمال کرتے ہوئے جذب اور قطعات کے ڈیٹاسیٹس تیار کیے گئے ہیں ، بخارات کی افسردگی کا قطعہ ، جو بالترتیب - سے - اختتام اور ماڈیولر طریقوں کو ختم کرنے کے لئے لاگو کیا گیا تھا۔ اختتام - to - اختتامی طریقہ میں دو مجرمانہ اعصابی نیٹ ورکس ، ریسنیٹ -} 50 اور کنیکسٹ - t کے ذریعہ ، regnext {{{13} t کے ذریعہ مکمل طور پر براہ راست مضامین کی خصوصیات کو سیکھنے کے لئے ، x- پروسیسرڈ x {{15} ray کی تصاویر کو خود بخود سیکھنے کے لئے ، Connext - t پری - بہترین کارکردگی کا مظاہرہ کرتے ہوئے ، تخیل کی بہترین کارکردگی کا مظاہرہ کرتے ہوئے ، 2.35 ± 0.35 کے ٹیسٹ میں نقصان اور پاؤڈر - free مفت ti {33} 6AL-}}}} 6AL- پر اوسط مطلق غلطی حاصل کرتے ہوئے۔ ماڈیولر طریقہ پہلے بخارات کے افسردگی کی ہندسی خصوصیات (جیسے گہرائی ، علاقہ اور پہلو تناسب) کو یونٹ سیمنٹک سیگمنٹیشن ماڈل کا استعمال کرتے ہوئے نکالتا ہے ، پھر کلاسیکی رجعت پسند ماڈل جیسے بے ترتیب جنگلات کا استعمال کرتے ہوئے جذب کی شرح کی پیش گوئی کرتا ہے۔ یونیٹ نے ملٹی - مواد (جیسے ، TI64 ، SS316 ، IN718) طبقاتی کاموں میں 93.5 ٪ کے یونین (MIOU) کے مقابلے میں ایک اعلی ترین ٹیسٹ کا مطلب حاصل کیا ، اور بے ترتیب جنگلاتی ماڈل میں 3.30 ± 0.02 کا ٹیسٹ نقصان ہوا۔ ان میں ، اختتام سے آخر تک کا طریقہ انتہائی خود کار اور تیز رفتار ہے ، جو صنعتی حقیقی وقت کی نگرانی کے لئے موزوں ہے ، لیکن ترسیل کے نمونوں (چھوٹے بخارات کے افسردگی) کے لئے کمزور تشریح اور پیش گوئی کی بڑی غلطیوں کے ساتھ۔ ماڈیولر طریقہ کار میں مضبوط تشریح ہے (شکل کی اقدار کے ذریعہ خصوصیت کی اہمیت کی مقدار ، واضح طور پر پہلو تناسب ، گہرائی اور علاقے کو کلیدی خصوصیات کے طور پر شناخت کرتی ہے) ، لیکن عین مطابق طبقہ پر انحصار کرتی ہے ، جس میں افسردگی کی حدود کی نشاندہی کرنے میں دشواری کی وجہ سے پاؤڈر پر مشتمل منظرناموں میں محدود اطلاق ہوتا ہے۔
چترا 03 گرافک تجزیہ کو ظاہر کرتا ہے۔
چترا 1 پاؤڈر پرت کے بغیر لیزر جذب کے پیش گوئی شدہ نتائج پیش کرتا ہے۔ subfigures A اور B اختتام - سے - end resnet - 50 ماڈل کا استعمال کریں ، جو اسکیننگ کے دوران لیزر جذب کی شرح میں ہونے والی تبدیلیوں اور اسٹیشنری لیزر گہری کی ہول مرحلے میں رجحانات کو درست طریقے سے ٹریک کرسکتا ہے ، لیکن اسٹیشنری لیزر کے پہلے دو مراحل میں بڑی بڑی غلطیاں ہیں۔ subfigures c اور d اختتام - سے - end convenext - t ماڈل کا استعمال کریں ، لیزر منظر نامے کی غلطیوں کو 3 than سے کم اسکیننگ کے ساتھ ، اور یہ صرف اسٹیشنری لیزر کے اتلی کیہول مرحلے کی بھی درست پیشن گوئی کرسکتا ہے ، جس میں صرف no no {13 {13 in میں موجود ہے۔ سب فگرس E اور F ایک ماڈیولر نقطہ نظر (UNET + بے ترتیب جنگل) کا استعمال کریں ، لیزر کو اسکیننگ میں کارکردگی کے ساتھ اختتام کے قریب - سے - اختتامی طریقہ ؛ تاہم ، اسٹیشنری لیزر کے کوئی دباؤ والے مرحلے میں ، پیشن گوئی کو 0 (بہت بڑے انحراف) کے طور پر تقسیم کیا گیا ہے ، اور اتلی کیہول شکلوں کے بعد درستگی میں بہتری آتی ہے۔
چترا 2 میں مختلف ماڈلز کی تربیت کی کارکردگی کو دکھایا گیا ہے ، جہاں اختتام - to - end resnet - 50 ماڈل پری - تربیت یافتہ (تخیلاتی وزن) نقصان کی تعداد کو کم کرتا ہے ، جس میں 19 ٪ کے مقابلے میں کنورجنس ایپوچ کی تعداد کو کم کیا جاتا ہے ، اس کے مقابلے میں 19 فیصد کے مقابلے میں ایک معمولی سی کمی کے مقابلے میں ایک معمولی سی کمی کے مقابلے میں ایک معمولی سی کمی کے مقابلے میں 19 فیصد کے مقابلے میں کنورجنس ایپوچ کی تعداد کم ہوتی ہے۔ اختتام - to - end convenext - t ماڈل پری پری - تربیت کے نتیجے میں کنورجنس کے عہدوں میں 69 ٪ کمی اور نقصان میں کافی حد تک کمی (ٹیسٹ کے نقصان کو 76 ٪ سے کم کیا گیا ہے) ، جبکہ پہلے سے {{15} سیگ کی تربیت نقصان پر کم سے کم اثر۔ اس اعداد و شمار سے واضح طور پر ظاہر ہوتا ہے کہ پری - تربیت یافتہ وزن اختتام - سے - اختتامی ماڈلز (خاص طور پر کنیکسٹ-ٹی) کی اصلاح کو نمایاں طور پر بہتر بناتا ہے لیکن ماڈل کی تربیت کی حکمت عملی کے انتخاب کے لئے کلیدی رہنمائی فراہم کرتے ہیں۔
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 ٪ (کیہول وضع) میں صرف 2.54 کی پیش گوئی کی غلطی ہوتی ہے ، جبکہ نمونے 40 ٪ (ترسیل موڈ) سے کم یا اس کے برابر 12.6 کی غلطی رکھتے ہیں ، جس سے کنڈکشن موڈ کے تحت ماڈل کی اہم غلطی کو اجاگر کیا جاتا ہے۔ subfigure C ، 94W (کم طاقت ، کنڈکشن موڈ) اور 106W (اعلی طاقت ، کیہول موڈ) پر جامد لیزر تجربات کے ذریعے ، مزید تصدیق کرتا ہے کہ ماڈل کی پیش گوئیاں کیہول موڈ میں حقیقی اقدار کو قریب سے ملتی ہیں لیکن کنڈکشن موڈ میں اصل اتار چڑھاو پر قبضہ کرنے میں ناکام ہوجاتی ہیں ، جس میں سب فگر بی کی تلاش کی جاتی ہے۔
04 نتیجہ
اس مطالعے میں دھات کے اضافی مینوفیکچرنگ میں لیزر جذب کی فوری پیش گوئی پر توجہ دی گئی ہے۔ synchrotron x - کرن امیجنگ اور دائرہ تابکاری کی پیمائش کو مربوط کرنے کی بنیاد پر ، Ti - 6al- 4v جذب کے بغیر پاؤڈر کے اور ساتھ ساتھ ملٹی - مادی کیہول سیگمنٹٹیشن ڈیٹاسٹس کے بغیر ، کے بغیر ، ٹائی - 6al- 4V جذب کی بنیاد پر تعمیر کیا گیا۔ سیکھنے کے دو گہرے طریقے تجویز کیے گئے تھے: اختتام - سے - end (Resnet-50 ، Convnext-T) اور ماڈیولر (UNET + بے ترتیب جنگل) ، دونوں MAA کے ساتھ اعلی صحت سے متعلق پیش گوئیاں حاصل کرتے ہیں<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.
