डायनैमिक वेल्ड पूल सीरियल इमेज से वेल्ड पैठ की सटीक निगरानी कैसे करें? सीएनएन-एलSTM डीप लर्निंग मॉडल का उपयोग करते हुए?

यह पत्र दर्शाता है कि कैसे एक चुनौतीपूर्ण समस्या को कच्चे जानकारी की पर्याप्तता को सुनिश्चित करके और प्रासंगिक जानकारी निकालने के लिए एक उचित डीप लर्निंग नेटवर्क का उपयोग करके हल किया जा सकता है। संबंधित समस्या पूर्ण रूप से पैठी हुई वेल्ड पूल में पैठ की सटीक निगरानी करना है, जिसे कार्य पीस के पीछे की ओर वेल्ड की चौड़ाई के द्वारा मापा गया है। यह चुनौतीपूर्ण है क्योंकि पैठ कार्य पीस की सतह के नीचे होती है और यह दृश्य नहीं होती है। एक लोकप्रिय विधि वेल्ड पूल इमेज का उपयोग करके इसे निकालना है। भौतिक प्रक्रिया के विश्लेषण से पता चलता है कि एकल वेल्ड पूल में पर्याप्त जानकारी नहीं होती है लेकिन हाल के सीरियल वेल्ड पूल में हो सकती है। ऐसे में, हालाँकि एक डीप लर्निंग मॉडल पहले से मौजूद जानकारी निकाल सकता है, कच्ची जानकारी पर्याप्त नहीं हो सकती है। इसलिए, एक ऐसा मॉडल आवश्यक है जो डायनैमिक सीरियल वेल्ड पूल इमेज से जानकारी निकालने में सक्षम हो। इस उद्देश्य के लिए, एक सीएनएन-एलSTM (कन्वोल्यूशनल न्यूरल नेटवर्क और लॉन्ग-शॉर्ट टर्म मेमोरी का संयोजन) मॉडल का प्रस्तावित किया गया है। डायनैमिक वेल्ड पूल प्रयोगात्मक रूप से वेल्डिंग करंट और वेल्डिंग स्पीड को यादृच्छिक रूप से बदलकर उत्पन्न किए जाते हैं। प्रयोगों के दौरान वेल्ड पूल को एचडीआर कैमरा का उपयोग करते हुए इमेज किया जाता है। इमेज कार्य पीस की पीछे की सतह से भी कैप्चर की जाती हैं ताकि प्रशिक्षण, मान्यता और परीक्षण के लिए ग्राउंड ट्रुथ प्रदान किया जा सके। यह पाया गया है कि अत्यधिक गतिशील रूप से बदलते वेल्ड पूल को इसके पीछे की बीड चौड़ाई के लिए 0.3 मिमी पर सीरियल वेल्ड पूल इमेज का उपयोग करके सटीक रूप से पूर्वानुमानित किया जा सकता है। सूचना की पर्याप्तता (सीरियल इमेज का उपयोग करके) और विशेषता निकालने की क्षमता (डीप लर्निंग का उपयोग करके) के योगदान और प्रभावशीलता को सत्यापित करने के लिए तुलनात्मक अध्ययन के परिणामों के साथ तुलना की गई है।