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, lijden onder beperkingen wat betreft het generalisatievermogen, de nauwkeurigheid bij het voorspellen van diep-gewortelde porositeit en interpreteerbaarheid. Om dit cruciale probleem aan te pakken, stelt deze studie een innovatief Physics{8}}Informed Deep Learning (PIDL)-framework voor dat mechanistische modellering integreert met experimentele gegevens, met als doel de porositeitsniveaus tijdens het laserlassen van aluminiumlegeringen nauwkeurig te voorspellen en de onderliggende fysieke mechanismen die verantwoordelijk zijn voor hun vorming op te helderen.
Door het probleem van porositeit bij laserlassen aan te pakken-een fenomeen dat wordt veroorzaakt door complexe processen zoals sleutelgatinstabiliteit, smeltpooldynamiek en stolling- stelt deze studie een nieuw voorspellend raamwerk voor dat multifysische numerieke simulatie integreert met deep learning. Het onderzoek begint met het systematisch extraheren van belangrijke fysieke variabelen-met betrekking tot de stabiliteit van het sleutelgat, de geometrie van het smeltbad, de stroming van vloeibaar metaal en thermische eigenschappen-met behulp van een multifysisch model dat is gevalideerd door experimentele gegevens. Op basis van deze basis bereikte het ontwikkelde PIDL-model een reductie van 41% in de gemiddelde kwadratische fout (MSE) vergeleken met traditionele deep learning-modellen die uitsluitend op procesparameters waren getraind. Om de interpreteerbaarheid van het model te vergroten, hebben de onderzoekers deze fysieke variabelen gesynthetiseerd tot dimensieloze kenmerken met een duidelijke fysieke betekenis (bijvoorbeeld de sleutelgatverhouding, het Stokes-getal). Ten slotte heeft het onderzoek, met behulp van SHAP-analyse (Shapley Additive Explanations), kwantitatief -voor de eerste keer- het hiërarchische belang van verschillende fysieke factoren in het porositeitvormingsproces vastgesteld; in het bijzonder identificeerde het de sleutelgat-aspectverhouding en de stromingsweerstand, veroorzaakt door neerwaartse smeltstroming als de twee meest kritische determinanten van porositeitsvorming, waardoor duidelijke richtlijnen voor procesoptimalisatie werden geboden.
Figuur 1 illustreert typische beelden van de porositeitsverdeling 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 lasnaden; 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 en werkelijke porositeitswaarden voor 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 nauwkeurige kwantitatieve voorspellingen te bereiken.
Figuur 5 onthult via SHAP-analyse de rangorde van belangrijkheid en de invloedstrends van verschillende fysieke variabelen op de voorspelling van porositeit. Figuur 5(a) geeft aan dat, van alle geselecteerde fysieke variabelen, de maximale neerwaartse snelheid in de stroom van vloeibaar metaal de grootste invloed uitoefent op de porositeit, gevolgd door de sleutelgatdiepte. Figuur 5(b) illustreert de verdeling van de bijdragen van elk kenmerk aan de voorspellingsresultaten voor elk monster, waarbij rood hoge kenmerkwaarden vertegenwoordigt en blauw lage kenmerkwaarden vertegenwoordigt. Uit een gecombineerde analyse blijkt dat de maximale neerwaartse snelheid negatief gecorreleerd is met porositeit (dwz hoe sterker de neerwaartse stroming, hoe hoger de porositeit), terwijl de sleutelgatdiepte positief gecorreleerd is met porositeit (dwz hoe dieper het sleutelgat, hoe hoger de porositeit).
