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 taustalla olevat fysikaaliset mekanismit, jotka ovat vastuussa sen muodostumisesta.
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 sopivuuden 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.
Kuva 4 havainnollistaa suorien fyysisten muuttujien tietojoukolla-opetetun PIDL-mallin suorituskykyä huokoisuuden ennustamisessa. Kuva 4(a) osoittaa, että kaikkien ensemble-oppimiskehyksen ala{5}}alimallien häviöfunktiot konvergoivat tehokkaasti. Kuvat 4(b) ja 4(c) esittävät vertailuja mallin ennustetun huokoisuuden ja todellisen huokoisuuden välillä harjoitus- ja testisarjoissa, vastaavasti. Tulokset osoittavat, että PIDL-malli saavutti MSE-arvon 0,32 harjoitussarjassa ja 0,75 testisarjassa, mikä osoittaa menetelmän kyvyn oppia tehokkaasti monimutkaiset epälineaariset suhteet fysikaalisten muuttujien ja huokoisuuden välillä ja saavuttaa suhteellisen tarkkoja kvantitatiivisia ennusteita.
04
Johtopäätös
Käsiteltiin haasteita, jotka liittyvät vaikeasti--ennakoitavaan luontoon ja vaikeasti--määrittäviin huokoisuusvirheiden syihin lasersyväläpäisyhitsauksessa, ehdotettiin ja validoitiin uusi fysiikka-tietoisen syväoppimisen (PIDL) ennustusmenetelmä. Tässä tutkimuksessa muodostettiin tietojoukko valitsemalla fysikaaliset muuttujat moni-fysiikan kenttämallista, joka sisälsi neljä pääluokkaa: termodynaamiset tekijät, nestemäisen metallin virtaus, avaimenreikään liittyvät tekijät ja sulatusaltaan geometria. Kokeelliset tulokset osoittivat, että verrattuna perinteisiin syväoppimismalleihin, jotka perustuivat yksinomaan prosessiparametreihin, ehdotettu PIDL-malli saavutti merkittävän 41 %:n vähennyksen ennusteen keskimääräisessä neliövirheessä (MSE). Todettiin, että suurin alaspäin suuntautuva virtausnopeus ja avaimenreiän syvyys ovat kaksi kriittisintä huokoisuuden muodostumista säätelevää fyysistä muuttujaa; Lisäksi molemmilla on monotoninen korrelaatio huokoisuustasojen kanssa, kun taas jähmettymisajan ja sulamisaltaan koon osuus on suhteellisen vähäinen ja ei--monotoninen. Käyttämällä ominaisuuksien fuusiotekniikoita fyysisten muuttujien muuntamiseksi ulottumattomiksi ominaisuuksiksi, -jotka kuvaavat tehokkaasti kuplien muodostumista, liikettä ja jumiutumista-, tutkimus ei ainoastaan vähentänyt piirteiden ulottuvuutta, vaan myös säilyttänyt huomattavan ennustetarkkuuden, antaen mallille selkeämmän fyysisen tulkittavuuden ja parannetun tilastollisen vakauden. SHAP-tulkinta-analyysin perusteella todettiin nimenomaisesti, että avaimenreiän muotosuhteella on vahva positiivinen korrelaatio huokoisuustasojen kanssa, mikä toimii tehokkaana indikaattorina huokoisuuden muodostumisalttiuden arvioimiseksi suoraan; samanaikaisesti Stokes-luvulla luonnehtivan alaspäin suuntautuvan virtauksen vetovoiman-todettiin myös vaikuttavan merkittävästi huokoisuuden muodostumiseen.
