01
Papieren introductie
Laserlassen in de diepe- penetratiemodus vertegenwoordigt een veelbelovend metaalverbindingsproces in de moderne productie; de toepassing ervan wordt echter vaak belemmerd door het optreden van porositeitsdefecten. Gegeven dat porievorming zeer niet-lineaire en multi{2}}gekoppelde fysische processen- omvat en moeilijk *in situ* te monitoren is in ondoorzichtige metalen-blijft het nauwkeurig voorspellen van porositeitsdefecten en hun onderliggende vormingsmechanismen een enorme uitdaging. Traditionele parametrische studies en machine learning-modellen die uitsluitend op ruwe lasparameters zijn gebaseerd, hebben te kampen met beperkingen wat betreft het generalisatievermogen, de nauwkeurigheid bij het voorspellen van diep-gewortelde poriën en de interpreteerbaarheid. Om dit cruciale probleem aan te pakken, stelt de huidige studie een innovatief natuurkunde-Informed Deep Learning (PIDL) raamwerk voor. Door mechanistische modellering te integreren met experimentele gegevens, heeft dit raamwerk tot doel de porositeitssnelheid tijdens het laserlassen van aluminiumlegeringen nauwkeurig te voorspellen en de onderliggende fysieke oorzaken achter de vorming ervan op te helderen.
02
**Studieoverzicht**
Deze studie richt zich op het probleem van porositeit bij laserlassen-een probleem dat voortkomt uit complexe fenomenen zoals sleutelgatinstabiliteit, smeltpooldynamiek en stolling-door een nieuw voorspellend raamwerk voor te stellen dat multifysische numerieke simulatie integreert met deep learning. Het onderzoek begint met het gebruik van een experimenteel gevalideerd multifysisch model om systematisch de belangrijkste fysieke variabelen te extraheren die verband houden met de sleutelgatstabiliteit, de geometrie van het smeltbad, de stroming van vloeibaar metaal en thermische eigenschappen. Op basis van deze basis werd een PIDL-model geconstrueerd; vergeleken met traditionele deep learning-modellen die uitsluitend op procesparameters zijn getraind, bereikte dit model een substantiële reductie van 41% in de gemiddelde kwadratische fout (MSE). Om de interpreteerbaarheid van het model te vergroten, synthetiseerden de onderzoekers deze fysieke variabelen in dimensieloze kenmerken met een duidelijke fysieke betekenis (bijvoorbeeld de sleutelgat-aspectverhouding, het Stokes-getal, enz.). Ten slotte heeft het onderzoek, gebruikmakend van SHAP-analyse (Shapley Additive Explanations), kwantitatief -voor de eerste keer-het hiërarchische belang van verschillende fysieke factoren in het porositeitvormingsproces onthuld. De bevindingen identificeren de sleutelgat-aspectverhouding en de stromingsweerstand, veroorzaakt door neerwaartse smeltstroming, als de twee meest kritische determinanten van porositeitsvorming, waardoor duidelijke richtlijnen worden gegeven voor procesoptimalisatie.
03
Visuele analyse
Figuur 1 illustreert typische poriedistributiebeelden verkregen onder verschillende lasparameters, na verwerking via röntgeninspectie en beeldherkenningsalgoritmen. De figuur laat zien dat naarmate de combinatie van lasparameters varieert, er significante verschillen ontstaan in de hoeveelheid, grootte en verdeling van de poriën in de lasnaad; deze porositeitsgegevens dienen als labels voor de daaropvolgende training van deep learning-modellen.
Figuur 2 presenteert een schematisch diagram van het numerieke multifysische model dat in deze studie wordt gebruikt. Door de behoudsvergelijkingen voor massa, momentum en energie op te lossen-en een straal-tracingalgoritme-te integreren, berekent dit model nauwkeurig de meervoudige reflecties en energieabsorptie van de laserstraal in het sleutelgat. Figuur 2(a) illustreert de discretisatie van de laserstraal in talrijke sub-stralen, die elk een specifieke hoeveelheid energie dragen; Figuur 2(b) geeft geometrisch de bundeltaille van de laser weer; en figuur 2(c) geeft visueel het complexe proces weer van meerdere reflecties ondergaan door de lasersub-stralen in het sleutelgat. Dit model biedt drie-transiënte informatie over de sleutelgatmorfologie en stromingsvelden van smeltbaden-gegevens die moeilijk experimenteel te verkrijgen zijn-en levert daarbij kritische invoerkenmerken voor de constructie van het PIDL-model.
Figuur 3 presenteert de validatieresultaten van het multifysische model, waarbij experimenteel gemeten waarden worden vergeleken met modelvoorspellingen voor de diepte van het smeltbad (Fig. 3(a)) en de lengte van het smeltbad (Fig. 3(b)) onder extreme procesparameters. De resultaten tonen een sterke overeenkomst aan tussen de modelvoorspellingen en de experimentele gegevens; specifiek valt de relatieve fout voor voorspellingen van de smeltbaddiepte binnen het bereik van -6,3% tot 20,9%, terwijl de fout voor voorspellingen van de smeltbadlengte varieert van -16,9% tot 20,4%. Deze validatieresultaten bevestigen de hoge nauwkeurigheid van het gevestigde multifysische model en demonstreren het vermogen ervan om betrouwbare fysieke variabele gegevens te leveren voor daaropvolgende deep learning-modellen.
