Эта статья представляет собой краткое изложение статьи, опубликованной Smoqi et al. в Journal of Materials Processing Technology.
Введение:
В этой статье делается попытка продемонстрировать эффективность машинного обучения, основанного на физике, в прогнозировании образования трещин (или их отсутствия) в лазерном порошковом сплаве, который представляет собой процесс 3D-печати металлом на основе лазера.
В этом процессе лазерный луч избирательно расплавляет участки слоя металлического порошка, и если плавление и последующее охлаждение происходит по желанию, то в результате получается расплавленный металлический компонент.
Для тех, кто не знаком с L-PBF, вот 1-минутное введение:
Как вы понимаете, точка, где лазерный луч встречается с порошковым слоем, является критической областью. Именно здесь создается расплавленная ванна, которая очень быстротечна, и ее эффективное формирование, движение и последующее охлаждение определяют успех конечной части.
Моделирование ванн расплава в L-PBF
Идея:
Идея, лежащая в основе этой статьи, продолжает недавнюю тенденцию в машинном обучении, основанном на физике. Авторы этой статьи используют идею извлечения физически интуитивных сигнатур из изображений пирометра. Новизна этого исследования заключается в возможности интерпретации и уменьшении размерности, которое позволяет их извлечение признаков: каждое изображение размером 370 x 384 пикселей (~ 103 680 признаков) сводится просто к 4 признакам (длина расплава, средний разброс выброса, средняя температура выброса и распределение расплава). Температура). Они используют их для функций, чтобы выполнить две задачи машинного обучения: классифицировать тип и серьезность пористости.
Сбор данных:
Авторы собрали изображения пирометрии плавильной ванны из одной сборки. Сборка состояла из одного компонента, большого кубоида (10 мм x 10 мм x 137 мм, да, это много для L-PBF), сделанного из порошка ATI 718Plus, что-то вроде причудливой версии порошка Inconel 718 😊.
Во время сборки авторы изменяют два параметра процесса: мощность лазера (P) и скорость сканирования (v). Я имею в виду, что они самые большие из возможных 130 или около того. Авторы меняли эти части во время сборки, чтобы они могли создавать различные типы пористости, и это то, что они хотят, чтобы их модель машинного обучения могла предсказывать (читай: классифицировать).
Итак, зачем строить одну гигантскую деталь с различными параметрами, а не кучу мелких деталей с различными параметрами между ними? Ну, их идея заключалась в следующем: расположение детали на рабочей пластине также является фактором. И поскольку они не хотят учитывать этот фактор для данного исследования, лучше просто построить одну гигантскую часть.
Подготовка данных:
Авторы собрали 22 400 экземпляров данных из сборки, что составляет 22 400 пирометрических изображений, которые были сокращены до 22 400 наборов из 4 физических функций. Чтобы выделить особенности, сначала на изображениях были разделены тело плавильной ванны и выбросы. Подробности того, как были извлечены признаки, объясняются в полном тексте статьи.
Две особенности, длина плавильной ванны и средний разброс выброса, основаны на форме. Две другие функции, распределение температуры плавильной ванны и средняя температура выброса, основаны на температуре.
Задачи машинного обучения:
Тип пористости
Авторы сообщили о трех показателях для этой задачи: оценка F1, частота ложноположительных результатов и частота ложноотрицательных результатов. Из различных моделей, которые они пробовали, K-ближайшие соседи дали наивысший балл F1, превзойдя даже сверточные нейронные сети. CNN пытается абстрагироваться непосредственно от необработанных изображений, а не от функций, основанных на физике. Частота двух ошибок также составляет менее 3% для модели KNN.
Степень пористости
Авторы попытались классифицировать пористость по различным уровням серьезности. Например, двухуровневая шкала была бы хорошей-плохой. Но трехуровневая шкала была бы хорошей-хорошей-плохой. И так далее. Результаты показывают, что KNN снова превосходит другие модели, включая CNN, для задач всех уровней серьезности. В таблице ниже показана производительность модели KNN по сравнению с другими моделями с разной степенью серьезности.
Заключение:
Так чем же эта бумага крутая? Что ж, я думаю, что уменьшение размерности, чтобы мы могли реализовать более легкие модели машинного обучения, которые могут превзойти кавалерию, — это путь. Эта бумага делает это очень хорошо. Он использует богатый информацией источник исходных данных, пирометрию плавильной ванны и извлекает 4 функции, которые сохраняют достаточно информации для хорошего прогнозирования пористости.
Если это можно распространить на различные геометрические формы компонентов, материалы и другие важные факторы, то такой подход приблизит нас к реализации обнаружения и контроля дефектов в реальном времени.
Ссылка на полный документ:
Первоначально опубликовано на https://jigarp12892.github.io 8 августа 2022 г.
