01
Paperin esittely
Laserhitsaus syväläpäisytilassa{0}} edustaa erittäin lupaavaa metallien liitosprosessia nykyaikaisessa valmistuksessa. sen käyttöä haittaavat kuitenkin usein huokoisuusvirheet. Koska huokosten muodostumiseen liittyy erittäin epälineaarisia ja moniin{2}}kytkettyjä fyysisiä prosesseja-ja on vaikea seurata *in situ* läpinäkymättömissä metalleissa-huokoisuusvirheiden ja niiden taustalla olevien muodostumismekanismien tarkka ennustaminen on edelleen valtava haaste. Perinteiset parametritutkimukset ja koneoppimismallit, jotka perustuvat yksinomaan raakahitsausparametreihin, kärsivät rajoituksista, jotka liittyvät yleistyskykyyn, syvälle{6}}istuvien huokosten ennustamisen tarkkuuteen ja tulkittavuuteen. Tämän kriittisen ongelman ratkaisemiseksi tässä tutkimuksessa ehdotetaan innovatiivista Physics{8}}Informed Deep Learning (PIDL) -kehystä. Integroimalla mekanistisen mallinnuksen kokeellisiin tietoihin, tämä kehys pyrkii ennustamaan tarkasti huokoisuusasteen alumiiniseosten laserhitsauksen aikana ja selvittämään sen muodostumisen taustalla olevat fysikaaliset syyt.
02
**Tutkimuksen yleiskatsaus**
Tämä tutkimus käsittelee laserhitsauksen huokoisuutta-ongelmaa, joka johtuu monimutkaisista ilmiöistä, kuten avaimenreikien epävakaudesta, sulamisaltaan dynamiikasta ja jähmettymisestä,-ehdottamalla uutta ennustavaa viitekehystä, joka yhdistää monifysiikan numeerisen simulaation syvään oppimiseen. Tutkimus alkaa hyödyntämällä kokeellisesti validoitua monifysiikkamallia avaimenreiän stabiilisuuteen, sulatusaltaan geometriaan, nestemäisen metallin virtaukseen ja lämpöominaisuuksiin liittyvien keskeisten fysikaalisten muuttujien systemaattiseen erottamiseen. Tämän perustan perusteella rakennettiin PIDL-malli; verrattuna perinteisiin syväoppimismalleihin, jotka on koulutettu pelkästään prosessiparametreilla, tämä malli saavutti huomattavan 41 %:n vähennyksen keskimääräisessä neliövirheessä (MSE). Mallin tulkittavuuden parantamiseksi tutkijat syntetisoivat nämä fyysiset muuttujat dimensiottomiksi ominaisuuksiksi, joilla oli selkeä fyysinen merkitys (esim. avaimenreiän kuvasuhde, Stokes-luku jne.). Lopuksi SHAP-analyysiä (Shapley Additive Explanations) hyödyntävä tutkimus paljasti kvantitatiivisesti-ensimmäistä kertaa-erilaisten fyysisten tekijöiden hierarkkisen merkityksen huokoisuuden muodostumisprosessissa. Löydökset tunnistavat avaimenreiän muotosuhteen ja alaspäin suuntautuvan sulavirtauksen aiheuttaman virtausvastuksen kahdeksi kriittisimmäksi huokoisuuden muodostumisen tekijäksi, mikä antaa selkeät ohjeet prosessin optimointiin.
03
Visuaalinen analyysi
Kuva 1 esittää tyypillisiä huokosten jakautumiskuvia, jotka on saatu eri hitsausparametreilla röntgentarkastuksen ja kuvantunnistusalgoritmien avulla suoritetun käsittelyn jälkeen. Kuva osoittaa, että koska hitsausparametrien yhdistelmä vaihtelee, huokosten määrässä, koossa ja jakautumisessa syntyy merkittäviä eroja hitsaussauman sisällä; nämä huokoisuustiedot toimivat tarroina syväoppimismallien myöhempään koulutukseen.
Kuvassa 2 on kaaviokuva tässä tutkimuksessa käytetystä monifysikaalisesta numeerisesta mallista. Ratkaisemalla massan, liikemäärän ja energian säilymisyhtälöt-ja sisällyttämällä säteen-seurantaalgoritmin-, tämä malli laskee tarkasti avaimenreiässä olevan lasersäteen useat heijastukset ja energian absorption. Kuva 2(a) havainnollistaa lasersäteen jakamista useiksi osasäteiksi, joista jokainen kuljettaa tietyn määrän energiaa; kuvio 2(b) esittää geometrisesti laserin säteen vyötäröä; ja kuva 2(c) esittää visuaalisesti monimutkaisen prosessin, jossa laseralisäteet läpikäyvät useita heijastuksia avaimenreiän sisällä. Tämä malli tarjoaa kolmiulotteisia, ohimeneviä tietoja avaimenreikien morfologiasta ja sulamisaltaan virtauskentistä-, joita on vaikea saada kokeellisesti-, mikä tarjoaa kriittisiä syöteominaisuuksia PIDL-mallin rakentamiselle.
Kuvassa 3 on esitetty monifysiikan mallin validointitulokset vertaamalla kokeellisesti mitattuja arvoja malliennusteisiin sulaaltaan syvyydestä (kuva. 3(a)) ja sulaaltaan pituudesta (kuva. 3(b)) äärimmäisillä prosessiparametreilla. Tulokset osoittavat vahvan yksimielisyyden malliennusteiden ja kokeellisten tietojen välillä; erityisesti suhteellinen virhe sulaaltaan syvyyden ennusteille on -6,3 % - 20,9 %, kun taas sulaaltaan pituusennusteiden virhe on -16,9 % - 20,4 %. Nämä validointitulokset vahvistavat vakiintuneen multifysiikkamallin suuren tarkkuuden osoittaen sen kyvyn tarjota luotettavaa fyysistä muuttujadataa myöhempiä syväoppimismalleja varten.
