01
Wprowadzenie do papieru
Spawanie laserowe w trybie głębokiej-penetracji to wysoce obiecujący proces łączenia metali w nowoczesnej produkcji. jednakże jego zastosowanie jest często utrudnione przez występowanie defektów porowatości. Biorąc pod uwagę, że powstawanie porów obejmuje wysoce nieliniowe i wielo-sprzężone procesy fizyczne-i jest trudne do monitorowania *in situ* w metalach nieprzezroczystych-dokładne przewidywanie defektów porowatości i leżących u ich podstaw mechanizmów powstawania pozostaje ogromnym wyzwaniem. Tradycyjne badania parametryczne i modele uczenia maszynowego oparte wyłącznie na surowych parametrach spawania mają ograniczenia dotyczące możliwości uogólniania, dokładności przewidywania-głęboko osadzonych porów i możliwości interpretacji. Aby rozwiązać tę kluczową kwestię, w niniejszym badaniu zaproponowano innowacyjną strukturę-informowanego głębokiego uczenia się w fizyce (PIDL). Integrując modelowanie mechanistyczne z danymi eksperymentalnymi, ramy te mają na celu dokładne przewidywanie stopnia porowatości podczas spawania laserowego stopów aluminium i wyjaśnienie podstawowych mechanizmów fizycznych odpowiedzialnych za jego powstawanie.
02
**Przegląd badania**
W tym badaniu podjęto kwestię porowatości w spawaniu laserowym-problem wynikający ze złożonych zjawisk, takich jak niestabilność dziurki od klucza, dynamika jeziorka i krzepnięcie,-proponując nowatorskie ramy predykcyjne, które integrują wielofizyczną symulację numeryczną z głębokim uczeniem. Badania rozpoczynają się od wykorzystania zweryfikowanego eksperymentalnie modelu wielofizycznego do systematycznego wyodrębniania kluczowych zmiennych fizycznych związanych ze stabilnością dziurki od klucza, geometrią jeziorka stopionego, przepływem ciekłego metalu i właściwościami termicznymi. Na tej podstawie skonstruowano model PIDL; w porównaniu z tradycyjnymi modelami głębokiego uczenia się uczonymi wyłącznie na podstawie parametrów procesu, model ten osiągnął znaczną redukcję błędu średniokwadratowego (MSE) o 41%. Aby zwiększyć możliwości interpretacji modelu, badacze zsyntetyzowali te zmienne fizyczne w cechy bezwymiarowe o wyraźnym znaczeniu fizycznym (np. współczynnik kształtu dziurki od klucza, liczba Stokesa itp.). Wreszcie, wykorzystując analizę SHAP (Shapley Additive Explanations), badanie po raz pierwszy w sposób ilościowy ujawniło-hierarchiczne znaczenie różnych czynników fizycznych w procesie tworzenia porowatości. Odkrycia wskazują, że współczynnik kształtu dziurki od klucza i opór przepływu powodowany przepływem stopu w dół to dwa najważniejsze czynniki determinujące powstawanie porowatości, zapewniając w ten sposób jasne wskazówki dotyczące optymalizacji procesu.
03
Analiza wizualna
Rysunek 1 ilustruje typowe obrazy rozkładu porów uzyskane przy różnych parametrach spawania, po przetworzeniu za pomocą algorytmów kontroli rentgenowskiej i rozpoznawania obrazu. Rysunek pokazuje, że wraz ze zmianą kombinacji parametrów spawania pojawiają się znaczące różnice w ilości, rozmiarze i rozmieszczeniu porów w spoinie; te dane dotyczące porowatości służą jako etykiety do późniejszego uczenia modeli głębokiego uczenia się.
Rysunek 2 przedstawia schematyczny diagram wielofizycznego modelu numerycznego zastosowanego w tym badaniu. Rozwiązując równania zachowania masy, pędu i energii-oraz wykorzystując algorytm-śledzenia promieni-, model ten dokładnie oblicza wielokrotne odbicia i absorpcję energii wiązki laserowej w dziurce od klucza. Rysunek 2(a) ilustruje dyskretyzację wiązki lasera na liczne podpromienie, z których każdy niesie określoną ilość energii; Rysunek 2(b) przedstawia geometrycznie szerokość wiązki lasera; a rysunek 2(c) wizualnie przedstawia złożony proces wielokrotnych odbić, jakim poddawane są podpromienie lasera- wewnątrz dziurki od klucza. Model ten zapewnia trójwymiarowe-przejściowe informacje dotyczące morfologii dziurki od klucza i danych pól przepływu jeziorka stopionego-, które są trudne do uzyskania eksperymentalnie-, zapewniając w ten sposób kluczowe cechy wejściowe do konstrukcji modelu PIDL.
Rysunek 3 przedstawia wyniki walidacji modelu wielofizycznego, porównując wartości zmierzone eksperymentalnie z przewidywaniami modelu dotyczącymi głębokości jeziorka (Rys.. 3(a)) i długości jeziorka (Rys.. 3(b)) w ekstremalnych parametrach procesu. Wyniki wykazują silną zgodność między przewidywaniami modelu a danymi eksperymentalnymi; w szczególności błąd względny przewidywań głębokości jeziorka wytopu mieści się w zakresie od -6,3% do 20,9%, podczas gdy błąd przewidywań długości jeziorka wytopu mieści się w zakresie od -16,9% do 20,4%. Wyniki walidacji potwierdzają wysoką dokładność ustalonego modelu wielofizycznego, wykazując jego zdolność do dostarczania wiarygodnych danych o zmiennych fizycznych na potrzeby kolejnych modeli głębokiego uczenia się.
Rysunek 4 ilustruje wydajność modelu PIDL-wytrenowanego przy użyciu zbioru danych bezpośrednich zmiennych fizycznych-w przewidywaniu porowatości. Rysunek 4(a) pokazuje, że funkcje straty dla wszystkich pod-modeli w ramach uczenia się zespołowego skutecznie zbiegają się. Rysunki 4(b) i 4(c) przedstawiają porównania pomiędzy przewidywaną porowatością modelu a rzeczywistą porowatością odpowiednio na zbiorze uczącym i testowym. Wyniki wskazują, że model PIDL osiągnął MSE wynoszący 0,32 na zbiorze uczącym i 0,75 na zbiorze testowym, demonstrując w ten sposób zdolność metody do skutecznego uczenia się złożonych nieliniowych zależności między zmiennymi fizycznymi a porowatością oraz do osiągania stosunkowo dokładnych przewidywań ilościowych.
04
Wniosek
Aby sprostać wyzwaniom związanym z trudnym--przewidywalnym charakterem i trudnym--określeniem ilościowym przyczyn defektów porowatości podczas laserowego spawania-głębokiej penetracji, zaproponowano i zweryfikowano nowatorską-fizyczną metodę przewidywania głębokiego uczenia się (PIDL). W ramach tego badania stworzono zbiór danych, wybierając zmienne fizyczne z wielo-fizycznego modelu pola, obejmującego cztery główne kategorie: czynniki termodynamiczne, przepływ ciekłego metalu, czynniki związane z dziurką od klucza-i geometrię jeziorka. Wyniki eksperymentów wykazały, że w porównaniu z tradycyjnymi modelami głębokiego uczenia się opartymi wyłącznie na parametrach procesu, proponowany model PIDL osiągnął znaczną redukcję średniego błędu kwadratowego (MSE) o 41%. Stwierdzono, że maksymalna prędkość przepływu w dół i głębokość dziurki od klucza to dwie najważniejsze zmienne fizyczne regulujące powstawanie porowatości; ponadto oba wykazują monotoniczną korelację z poziomami porowatości, podczas gdy udział czasu krzepnięcia i wielkości jeziorka jest stosunkowo niewielki i-niemonotoniczny. Dzięki zastosowaniu technik łączenia cech w celu przekształcenia zmiennych fizycznych w cechy bezwymiarowe,-które skutecznie opisują powstawanie, ruch i uwięzienie bąbelków,-w badaniu nie tylko zmniejszono wymiarowość cech, ale także utrzymano znaczną dokładność predykcyjną, zapewniając jednocześnie modelowi lepszą interpretację fizyczną i zwiększoną stabilność statystyczną. Na podstawie analizy interpretowalności SHAP wyraźnie ustalono, że współczynnik kształtu dziurki od klucza wykazuje silną dodatnią korelację z poziomem porowatości, służąc tym samym jako skuteczny wskaźnik do bezpośredniej oceny skłonności do tworzenia porowatości; jednocześnie odkryto, że siła oporu przepływu w dół-charakteryzowana liczbą Stokesa-wywiera również znaczący wpływ na powstawanie porowatości.
