Melt pool instability in surface polishing by laser remelting: preliminary analysis and online monitoring with K-means clustering
Notice bibliographique
Résumé
Surface polishing by laser remelting (SP-LRM) is a novel, versatile, high-speed, and low-cost advanced manufacturing technology for producing high-quality surface finishes. The process utilizes a high-power laser that delivers a large amount of instantaneous energy melting a superficial thin layer of material to a molten state. This allows the melt pool to flow driven by thermocapillary and surface tension forces. The target of the process is to melt, reallocate, and resolidify surface peaks into valleys in order to yield a low surface roughness (Sa). SP-LRM, complexity arises from instabilities occurring during laser-material interactions, resulting from non-linear thermodynamics, initial surface topography, overheating, abrupt changes in laser path trajectories involving acceleration and deceleration, and various other factors. These process instabilities significantly affect the attainment of a desired smooth final surface. Presently, the identification of anomalies resulting from a specific set of laser parameters in laser remelting (LRM) is performed offline by assessing the surface topography of LRM using optical profilometer and correlating it with surface non-uniformities that are indicative of process instabilities. This study streamlines the anomaly detection process and identifies the presence of irregularities using an unsupervised clustering machine learning (ML) technique, specifically K-means clustering. During the laser remelting (LRM) process, a high-speed near-infrared (NIR) camera captures relative thermal emission images, which are then classified into a minimum of three clusters using the K-means algorithm. These clusters correspond to positive and negative axial laser beam positions, indicating shifts in the laser spot on the image, and the stability states of laser-material interactions. Preliminary findings show promising results in the employment of artificial intelligence (AI) to enhance LRM as a conventional industrial technology for polishing and structuring tooling surfaces.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».