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 mechanismen die verantwoordelijk zijn voor 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.
Figuur 4 illustreert de prestaties van het PIDL-model-dat is getraind met behulp van een dataset van directe fysieke variabelen-bij het voorspellen van porositeit. Figuur 4(a) laat zien dat de verliesfuncties voor alle sub-modellen binnen het ensemble-leerraamwerk effectief convergeren. Figuren 4(b) en 4(c) geven vergelijkingen weer tussen de voorspelde porositeit van het model en de werkelijke porositeit op respectievelijk de trainings- en testsets. De resultaten geven aan dat het PIDL-model een MSE van 0,32 op de trainingsset en 0,75 op de testset behaalde, waarmee het vermogen van de methode wordt gedemonstreerd om effectief de complexe niet-lineaire relaties tussen fysieke variabelen en porositeit te leren, en om relatief nauwkeurige kwantitatieve voorspellingen te bereiken.
04
Conclusie
Om de uitdagingen aan te pakken die verband houden met de moeilijk-te-voorspelbaarheid van de natuur en de moeilijk-om-oorzaken van porositeitsdefecten bij laserdiep-penetratielassen, werd een nieuwe fysica-informed deep learning (PIDL)-voorspellingsmethode voorgesteld en gevalideerd. Deze studie heeft een dataset samengesteld door fysieke variabelen te selecteren uit een multi-natuurkundig veldmodel, dat vier hoofdcategorieën omvat: thermodynamische factoren, stroming van vloeibaar metaal, sleutelgat-gerelateerde factoren en smeltpoolgeometrie. Experimentele resultaten toonden aan dat, vergeleken met traditionele deep learning-modellen die uitsluitend op procesparameters zijn gebaseerd, het voorgestelde PIDL-model een significante reductie van 41% in de voorspelde Mean Squared Error (MSE) behaalde. Er werd vastgesteld dat de maximale neerwaartse stroomsnelheid en sleutelgatdiepte de twee meest kritische fysieke variabelen zijn die de vorming van porositeit bepalen; bovendien vertonen beide een monotone correlatie met de porositeitsniveaus, terwijl de bijdragen van de stollingstijd en de grootte van het smeltbad relatief klein en niet-monotoon zijn. Door gebruik te maken van technieken voor het samenvoegen van kenmerken om fysieke variabelen om te zetten in dimensieloze kenmerken-die effectief de vorming, beweging en insluiting van bellen beschrijven-verkleinde het onderzoek niet alleen de dimensionaliteit van kenmerken, maar handhaafde het ook een substantiële voorspellende nauwkeurigheid, terwijl het model een duidelijkere fysieke interpreteerbaarheid en verbeterde statistische stabiliteit kreeg. Op basis van de SHAP-interpreteerbaarheidsanalyse werd expliciet vastgesteld dat de sleutelgat-aspectratio een sterke positieve correlatie vertoont met porositeitsniveaus, en daardoor dient als een effectieve indicator voor het direct beoordelen van de neiging tot porositeitsvorming; Tegelijkertijd bleek ook dat de neerwaartse weerstandskracht-gekenmerkt door het getal van Stokes-een significante invloed uitoefende op de vorming van porositeit.
