激光粉末床熔池动力学的多模态学习
机器学习
2025-09-04 v1
摘要
尽管在增材制造中使用多个传感器进行实时监控，但并非所有传感器都提供实用或可靠的过程洞察。例如，高速X射线成像提供有关亚表面熔池行为的有价值空间信息，但在大多数工业设置下昂贵且不实用。相比之下，来自低成本光电二极管的吸收率数据与熔池动力学相关，但常常过于嘈杂，难以单独使用进行准确预测。本文提出一种多模态数据融合方法，用于预测激光粉末床熔池（LPBF）中的熔池动力学。我们的多模态学习框架将用于从X射线数据中提取空间特征的卷积神经网络（CNN）与用于从吸收率信号中提取时间特征的循环神经网络（RNN）集成，通过early融合策略。该多模态模型进一步用作迁移学习模型，用于微调仅能使用吸收率数据预测熔池动力学的RNN模型，准确率优于单一模态模型。结果表明，使用两种模态训练显著提高了预测准确率，优于单独使用任一模态。此外，一旦训练完成，该模型即可仅使用吸收率数据推断熔池特征，无需昂贵的X射线成像。这种多模态融合方法实现了成本效益实时监控，在增材制造领域具有广泛适用性。
引用
@article{arxiv.2509.03029,
title = {Multimodal learning of melt pool dynamics in laser powder bed fusion},
author = {Satyajit Mojumder and Pallock Halder and Tiana Tonge},
journal= {arXiv preprint arXiv:2509.03029},
year = {2025}
}
备注
20 pages, 6 figures, 1 table