01
Papir introduktion
Lasersvejsning i dyb-penetrationstilstand repræsenterer en meget lovende metalsammenføjningsproces i moderne fremstilling; dog hindres dets anvendelse ofte af forekomsten af porøsitetsdefekter. I betragtning af at poredannelse involverer meget ikke-lineære og multi-koblede fysiske processer-og det er vanskeligt at overvåge *in situ* inden for uigennemsigtige metaller, er det fortsat en formidabel udfordring at forudsige porøsitetsdefekter og deres underliggende dannelsesmekanismer nøjagtigt. Traditionelle parametriske undersøgelser og maskinlæringsmodeller baseret udelukkende på rå svejseparametre lider af begrænsninger med hensyn til generaliseringsevne, nøjagtighed i forudsigelse af dybtsiddende porer og fortolkning. For at løse dette kritiske problem foreslår denne undersøgelse en innovativ fysik-informeret dyb læring (PIDL)-ramme. Ved at integrere mekanistisk modellering med eksperimentelle data, sigter denne ramme mod nøjagtigt at forudsige porøsitetshastigheden under lasersvejsning af aluminiumslegeringer og at belyse de underliggende fysiske mekanismer, der er ansvarlige for dens dannelse.
02
**Studieoversigt**
Denne undersøgelse behandler spørgsmålet om porøsitet ved lasersvejsning-et problem, der stammer fra komplekse fænomener såsom nøglehulsustabilitet, smeltebassin-dynamik og størkning-ved at foreslå en ny forudsigende ramme, der integrerer multifysisk numerisk simulering med dyb læring. Forskningen begynder med at bruge en eksperimentelt valideret multifysisk model til systematisk at udtrække vigtige fysiske variabler forbundet med nøglehulsstabilitet, smeltebassin geometri, flydende metalstrøm og termiske egenskaber. Ud fra dette grundlag blev en PIDL-model konstrueret; sammenlignet med traditionelle deep learning-modeller, der udelukkende er trænet på procesparametre, opnåede denne model en væsentlig reduktion på 41 % i middelkvadratfejl (MSE). For at forbedre modelfortolkningen syntetiserede forskerne disse fysiske variable til dimensionsløse træk med klar fysisk betydning (f.eks. nøglehulsformatforhold, Stokes-tal osv.). Endelig ved at udnytte SHAP-analysen (Shapley Additive Explanations) afslørede undersøgelsen kvantitativt-for første gang-den hierarkiske betydning af forskellige fysiske faktorer i porøsitetsdannelsesprocessen. Resultaterne identificerer nøglehullets aspektforhold og strømningsmodstanden drevet af nedadgående smeltestrøm som de to mest kritiske determinanter for porøsitetsdannelse og giver derved klar vejledning for procesoptimering.
03
Visuel Analyse
Figur 1 illustrerer typiske porefordelingsbilleder opnået under forskellige svejseparametre, efter behandling via røntgeninspektion og billedgenkendelsesalgoritmer. Figuren viser, at når kombinationen af svejseparametre varierer, opstår der betydelige forskelle i mængden, størrelsen og fordelingen af porer i svejsesømmen; disse porøsitetsdata tjener som etiketter for den efterfølgende træning af deep learning-modeller.
Figur 2 viser et skematisk diagram af den multifysiske numeriske model, der anvendes i denne undersøgelse. Ved at løse bevarelsesligningerne for masse, momentum og energi-og inkorporere en stråle-algoritme-beregner denne model nøjagtigt de multiple refleksioner og energiabsorption af laserstrålen i nøglehullet. Figur 2(a) illustrerer diskretiseringen af laserstrålen til adskillige understråler, der hver bærer en specifik mængde energi; fig. 2(b) geometrisk afbilder laserens stråletalje; og figur 2(c) visuelt gengiver den komplekse proces med flere refleksioner, som undergår af laser-understrålerne inde i nøglehullet. Denne model giver tre-forbigående information vedrørende nøglehulsmorfologi og smeltebassinstrømningsfelter-data, der er vanskelige at opnå eksperimentelt-og giver derved kritiske inputfunktioner til konstruktionen af PIDL-modellen.
Figur 3 viser valideringsresultaterne af multifysikmodellen, der sammenligner eksperimentelt målte værdier med modelforudsigelser for smeltebassindybde (Fig. 3(a)) og smeltebassinlængde (Fig. 3(b)) under ekstreme procesparametre. Resultaterne viser en stærk overensstemmelse mellem modelforudsigelserne og de eksperimentelle data; specifikt falder den relative fejl for forudsigelser af smeltebassindybde inden for området -6,3 % til 20,9 %, mens fejlen for forudsigelser af smeltebassinets længde varierer fra -16,9 % til 20,4 %. Disse valideringsresultater bekræfter den høje nøjagtighed af den etablerede multifysikmodel, hvilket viser dens evne til at levere pålidelige fysiske variable data til efterfølgende dybe læringsmodeller.
Figur 4 illustrerer ydeevnen af PIDL-modellen-trænet ved hjælp af et datasæt med direkte fysiske variabler-til at forudsige porøsitet. Figur 4(a) viser, at tabsfunktionerne for alle under-modeller inden for ensemblelæringsrammen konvergerer effektivt. Figur 4(b) og 4(c) viser sammenligninger mellem modellens forudsagte porøsitet og den faktiske porøsitet på henholdsvis trænings- og testsættene. Resultaterne indikerer, at PIDL-modellen opnåede en MSE på 0,32 på træningssættet og 0,75 på testsættet, og derved demonstrerede metodens evne til effektivt at lære de komplekse ikke-lineære sammenhænge mellem fysiske variable og porøsitet, og at opnå relativt præcise kvantitative forudsigelser.
04
Konklusion
For at løse de udfordringer, der er forbundet med den vanskelige-at-forudsige natur og svære-at-kvantificere årsager til porøsitetsdefekter ved laser dyb-penetrationssvejsning, blev en ny forudsigelsesmetode for fysik-informeret dyb læring (PIDL) foreslået og valideret. Denne undersøgelse konstruerede et datasæt ved at vælge fysiske variabler fra en multi-fysisk feltmodel, der omfattede fire hovedkategorier: termodynamiske faktorer, flydende metalstrøm, nøglehuls-relaterede faktorer og smeltebassin-geometri. Eksperimentelle resultater viste, at sammenlignet med traditionelle deep learning-modeller baseret udelukkende på procesparametre, opnåede den foreslåede PIDL-model en signifikant reduktion på 41 % i forudsigelse af Mean Squared Error (MSE). Det blev identificeret, at den maksimale nedadgående strømningshastighed og nøglehulsdybde er de to mest kritiske fysiske variabler, der styrer porøsitetsdannelse; desuden udviser begge en monoton korrelation med porøsitetsniveauer, hvorimod bidragene fra størkningstid og smeltemassestørrelse er relativt små og ikke{12}}monotone. Ved at anvende funktionsfusionsteknikker til at transformere fysiske variabler til dimensionsløse funktioner-som effektivt beskriver dannelsen, bevægelsen og indfangningen af bobler- reducerede undersøgelsen ikke kun egenskabernes dimensionalitet, men bibeholdte også en betydelig forudsigelsesnøjagtighed, samtidig med at modellen gav en klarere fysisk fortolkning og forbedret statistisk stabilitet. Baseret på SHAP fortolkningsanalyse blev det eksplicit fastslået, at nøglehulsformatforholdet udviser en stærk positiv korrelation med porøsitetsniveauer, og derved tjener som en effektiv indikator til direkte at vurdere tilbøjeligheden til porøsitetsdannelse; sideløbende viste det sig, at den nedadgående strømningsmodstand-karakteriseret ved Stokes-tallet- også havde en betydelig indflydelse på porøsitetsdannelsen.
