01
Pappersintroduktion
Lasersvetsning i läget för djup-penetration representerar en mycket lovande metallfogningsprocess i modern tillverkning; emellertid hindras dess applicering ofta av förekomsten av porositetsdefekter. Med tanke på att porbildning involverar mycket olinjära och multi-kopplade fysiska processer-och är svår att övervaka *in situ* inom ogenomskinliga metaller-förutsäger porositetsdefekter och deras underliggande bildningsmekanismer en formidabel utmaning. Traditionella parametriska studier och maskininlärningsmodeller baserade enbart på obearbetade svetsparametrar lider av begränsningar vad gäller generaliseringsförmåga, noggrannhet i att förutsäga djupa-porer och tolkningsmöjligheter. För att ta itu med denna kritiska fråga föreslår den här studien ett innovativt ramverk för fysik-Informed Deep Learning (PIDL). Genom att integrera mekanistisk modellering med experimentella data syftar detta ramverk till att exakt förutsäga porositetshastigheten under lasersvetsning av aluminiumlegeringar och att belysa de underliggande fysiska orsakerna bakom dess bildning.
02
**Studieöversikt**
Den här studien tar upp frågan om porositet vid lasersvetsning-ett problem som härrör från komplexa fenomen som nyckelhålsinstabilitet, smältbassängsdynamik och stelning-genom att föreslå ett nytt prediktivt ramverk som integrerar multifysisk numerisk simulering med djupinlärning. Forskningen börjar med att använda en experimentellt validerad multifysikmodell för att systematiskt extrahera viktiga fysiska variabler associerade med nyckelhålsstabilitet, smältpoolsgeometri, flytande metallflöde och termiska egenskaper. Utifrån denna grund konstruerades en PIDL-modell; jämfört med traditionella modeller för djupinlärning som enbart tränas på processparametrar, uppnådde denna modell en avsevärd minskning med 41 % av medelkvadratfel (MSE). För att förbättra modelltolkbarheten syntetiserade forskarna dessa fysiska variabler till dimensionslösa egenskaper med tydlig fysisk betydelse (t.ex. nyckelhålsformat, Stokes-tal, etc.). Slutligen, med hjälp av SHAP-analys (Shapley Additive Explanations) avslöjade studien kvantitativt-för första gången-den hierarkiska betydelsen av olika fysiska faktorer i porositetsbildningsprocessen. Fynden identifierar nyckelhålets aspektförhållande och flödesmotståndet som drivs av nedåtgående smältflöde som de två mest kritiska bestämningsfaktorerna för porositetsbildning, och ger därmed tydlig vägledning för processoptimering.
03
Visuell analys
Figur 1 illustrerar typiska porfördelningsbilder erhållna under olika svetsparametrar, efter bearbetning via röntgeninspektion och bildigenkänningsalgoritmer. Figuren visar att när kombinationen av svetsparametrar varierar, uppstår betydande skillnader i mängden, storleken och fördelningen av porer i svetsfogen; dessa porositetsdata fungerar som etiketter för den efterföljande träningen av modeller för djupinlärning.
Figur 2 visar ett schematiskt diagram av den multifysiska numeriska modellen som används i denna studie. Genom att lösa bevarandeekvationerna för massa, rörelsemängd och energi-och införliva en-strålespårningsalgoritm-kalkylerar den här modellen noggrant de multipla reflektionerna och energiabsorptionen för laserstrålen i nyckelhålet. Figur 2(a) illustrerar diskretiseringen av laserstrålen till ett flertal understrålar-, som var och en bär en specifik mängd energi; Figur 2(b) visar geometriskt strålens midja hos lasern; och figur 2(c) visar visuellt den komplexa processen med flera reflektioner som genomgår lasersubstrålar-inuti nyckelhålet. Den här modellen tillhandahåller tre-dimensionell, övergående information om nyckelhålsmorfologi och smältpoolsflödesfält-data som är svåra att erhålla experimentellt-och tillhandahåller därigenom kritiska indatafunktioner för konstruktionen av PIDL-modellen.
Figur 3 presenterar valideringsresultaten för multifysikmodellen, och jämför experimentellt uppmätta värden med modellförutsägelser för smältbassängdjup (Fig. 3(a)) och smältbassänglängd (Fig. 3(b)) under extrema processparametrar. Resultaten visar en stark överensstämmelse mellan modellförutsägelserna och experimentella data; specifikt faller det relativa felet för förutsägelser om smältbassängsdjup inom intervallet -6,3 % till 20,9 %, medan felet för förutsägelser om smältbassängens längd sträcker sig från -16,9 % till 20,4 %. Dessa valideringsresultat bekräftar den höga noggrannheten hos den etablerade multifysikmodellen, vilket visar dess förmåga att tillhandahålla tillförlitliga fysiska variabeldata för efterföljande modeller för djupinlärning.
