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, syvähuokoisuuden ennustamisen tarkkuuteen ja tulkittavuuteen. Tämän kriittisen ongelman ratkaisemiseksi tässä tutkimuksessa ehdotetaan innovatiivista Physics{8}}Informed Deep Learning (PIDL) -kehystä, joka integroi mekanistisen mallinnuksen kokeelliseen tietoon. Sen tavoitteena on ennustaa tarkasti huokoisuustasot alumiiniseosten laserhitsauksen aikana ja selvittää niiden muodostumisen taustalla olevat fysikaaliset mekanismit.
Tässä tutkimuksessa käsitellään laserhitsauksen huokoisuutta-ilmiötä, joka johtuu monimutkaisista prosesseista, kuten avaimenreiän epävakaudesta, sulamisaltaan dynamiikasta ja jähmettymisestä-. Tässä tutkimuksessa ehdotetaan uutta ennustavaa viitekehystä, joka yhdistää monifysiikan numeerisen simulaation syväoppimiseen. Tutkimus alkaa poimimalla systemaattisesti keskeisiä fyysisiä muuttujia-, jotka liittyvät avaimenreiän stabiilisuuteen, sulatusaltaan geometriaan, nestemäisen metallin virtaukseen ja lämpöominaisuuksiin-, käyttämällä monifysikaalista mallia, joka on validoitu kokeellisten tietojen avulla. Tämän perustan perusteella kehitetty PIDL-malli saavutti 41 %:n vähennyksen keskimääräisessä neliövirheessä (MSE) verrattuna perinteisiin syväoppimismalleihin, jotka on koulutettu pelkästään prosessiparametreilla. Mallin tulkittavuuden parantamiseksi tutkijat syntetisoivat nämä fyysiset muuttujat dimensiottomiksi ominaisuuksiksi, joilla oli selkeä fyysinen merkitys (esim. avaimenreiän kuvasuhde, Stokes-luku). Lopuksi SHAP-analyysiä (Shapley Additive Explanations) hyödyntävä tutkimus vahvisti kvantitatiivisesti-ensimmäistä kertaa-erilaisten fysikaalisten tekijöiden hierarkkisen merkityksen huokoisuuden muodostumisprosessissa. Tarkemmin sanottuna se tunnisti avaimenreiän muotosuhteen ja alaspäin suuntautuvan sulavirtauksen ohjaaman virtausvastuksen kahdeksi kriittisimmäksi huokoisuuden muodostumisen tekijäksi, mikä tarjoaa selkeät ohjeet prosessin optimointiin.
Kuva 1 havainnollistaa tyypillisiä kuvia huokoisuusjakaumasta, 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 hitsisaumoissa; 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 ennustettujen ja todellisten huokoisuusarvojen välillä harjoitus- ja testisarjoille, 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 tarkkoja kvantitatiivisia ennusteita.
Kuva 5 paljastaa SHAP-analyysin avulla eri fyysisten muuttujien tärkeysjärjestyksen ja vaikutussuunnan huokoisuuden ennustamiseen. Kuva 5(a) osoittaa, että kaikista valituista fysikaalisista muuttujista nestemäisen metallin virtauksen suurin alaspäin suuntautuva nopeus vaikuttaa eniten huokoisuuteen, jota seuraa avaimenreiän syvyys. Kuva 5(b) havainnollistaa kunkin ominaisuuden vaikutusten jakautumista kunkin näytteen ennustetuloksiin, jossa punainen edustaa korkeita piirrearvoja ja sininen edustaa alhaisia piirrearvoja. Yhdistetty analyysi paljastaa, että suurin alaspäin suuntautuva nopeus korreloi negatiivisesti huokoisuuden kanssa (eli mitä voimakkaampi alaspäin suuntautuva virtaus, sitä suurempi huokoisuus), kun taas avaimenreiän syvyys korreloi positiivisesti huokoisuuden kanssa (eli mitä syvempi avaimenreikä, sitä suurempi huokoisuus).
