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 djup-porositet och tolkningsbarhet. För att ta itu med denna kritiska fråga föreslår den här studien ett innovativt ramverk för fysik-Informed Deep Learning (PIDL) som integrerar mekanistisk modellering med experimentella data, som syftar till att exakt förutsäga porositetsnivåer under lasersvetsning av aluminiumlegeringar och för att klargöra de underliggande fysiska mekanismerna som är ansvariga för deras bildning.
För att ta itu med frågan om porositet vid lasersvetsning-ett fenomen som drivs av komplexa processer som nyckelhålsinstabilitet, smältbassängsdynamik och stelning-föreslår den här studien ett nytt prediktivt ramverk som integrerar multifysisk numerisk simulering med djupinlärning. Forskningen börjar med att systematiskt extrahera viktiga fysiska variabler-som hänför sig till nyckelhålsstabilitet, smältpoolsgeometri, flytande metallflöde och termiska egenskaper-med hjälp av en multifysisk modell validerad genom experimentella data. Baserat på denna grund, uppnådde den utvecklade PIDL-modellen en 41 % minskning av medelkvadratfel (MSE) jämfört med traditionella modeller för djupinlärning som enbart tränades på processparametrar. För att förbättra modelltolkbarheten syntetiserade forskarna dessa fysiska variabler till dimensionslösa egenskaper med tydlig fysisk betydelse (t.ex. nyckelhålsformat, Stokes-tal). Slutligen, med hjälp av SHAP (Shapley Additive Explanations)-analys, fastställde studien kvantitativt-för första gången-den hierarkiska betydelsen av olika fysiska faktorer i porositetsbildningsprocessen; specifikt identifierade den nyckelhålets bildförhållande och flödesmotståndet som drivs av nedåtgående smältflöde som de två mest kritiska bestämningsfaktorerna för porositetsbildning, och gav därmed tydlig vägledning för processoptimering.
Figur 1 illustrerar typiska bilder av porositetsfördelning 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 svetsfogarna; 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.
Figur 4 illustrerar prestandan för PIDL-modellen-tränad med hjälp av en datauppsättning av direkta fysiska variabler-för att förutsäga porositet. Figur 4(a) visar att förlustfunktionerna för alla under-undermodeller inom ramverket för ensembleinlärning konvergerar effektivt. Figurerna 4(b) och 4(c) visar jämförelser mellan de förutsagda och faktiska porositetsvärdena för tränings- respektive testset. Resultaten indikerar att PIDL-modellen uppnådde en MSE på 0,32 på träningssetet och 0,75 på testsetet, och demonstrerade därigenom metodens förmåga att effektivt lära sig de komplexa olinjära sambanden mellan fysiska variabler och porositet, och att uppnå korrekta kvantitativa förutsägelser.
Figur 5, genom SHAP-analys, avslöjar rangordningen av betydelse och inverkanstrenderna för olika fysiska variabler på porositetsprediktion. Figur 5(a) indikerar att, bland alla utvalda fysikaliska variabler, den maximala nedåtgående hastigheten inom det flytande metallflödet utövar störst inverkan på porositeten, följt av nyckelhålsdjupet. Figur 5(b) illustrerar fördelningen av bidrag från varje funktion till prediktionsresultaten för varje prov, där rött representerar höga funktionsvärden och blått representerar låga funktionsvärden. En kombinerad analys avslöjar att den maximala nedåtgående hastigheten är negativt korrelerad med porositeten (dvs. ju starkare nedåtgående flöde, desto högre porositet), medan nyckelhålsdjupet är positivt korrelerat med porositet (dvs. ju djupare nyckelhål, desto högre porositet).
