Lasersveising i dyp-penetrasjonsmodus representerer en svært lovende metallsammenføyningsprosess i moderne produksjon; imidlertid hindres dets anvendelse ofte av forekomsten av porøsitetsdefekter. Gitt at poredannelse involverer svært ikke-lineære og multi-koblede fysiske prosesser-og det er vanskelig å overvåke *in situ* innenfor ugjennomsiktige metaller-nøyaktig forutsi porøsitetsdefekter og deres underliggende formasjonsmekanismer, er det fortsatt en formidabel utfordring. Tradisjonelle parametriske studier og maskinlæringsmodeller basert utelukkende på rå sveiseparametere lider av begrensninger angående generaliseringsevne, nøyaktighet i å forutsi dyp-porøsitet og tolkningsmuligheter. For å løse dette kritiske problemet, foreslår denne studien et innovativt rammeverk for fysikk-Informed Deep Learning (PIDL) som integrerer mekanistisk modellering med eksperimentelle data, som tar sikte på å presist forutsi porøsitetsnivåer under lasersveising av aluminiumslegeringer og for å belyse de underliggende fysiske mekanismene som er ansvarlige for deres dannelse.
For å ta opp problemet med porøsitet ved lasersveising-et fenomen drevet av komplekse prosesser som nøkkelhullsustabilitet, smeltebassengdynamikk og størkning-foreslo denne studien et nytt prediktivt rammeverk som integrerer numerisk multifysisk simulering med dyp læring. Forskningen starter med å systematisk trekke ut viktige fysiske variabler-angående nøkkelhullstabilitet, smeltebassenggeometri, flytende metallflyt og termiske egenskaper-ved hjelp av en multifysisk modell validert gjennom eksperimentelle data. Basert på dette grunnlaget oppnådde den utviklede PIDL-modellen en 41 % reduksjon i gjennomsnittlig kvadratfeil (MSE) sammenlignet med tradisjonelle dyplæringsmodeller som utelukkende ble trent på prosessparametere. For å forbedre modelltolkbarheten syntetiserte forskerne disse fysiske variablene til dimensjonsløse funksjoner med klar fysisk betydning (f.eks. nøkkelhullsforhold, Stokes-tall). Til slutt, ved å bruke SHAP (Shapley Additive Explanations)-analyse, etablerte studien kvantitativt-for første gang-den hierarkiske betydningen av ulike fysiske faktorer i porøsitetsdannelsesprosessen; spesifikt identifiserte den nøkkelhullets sideforhold og strømningsmotstanden drevet av nedadgående smeltestrøm som de to mest kritiske determinantene for porøsitetsdannelse, og ga dermed en klar veiledning for prosessoptimalisering.
Figur 1 illustrerer typiske bilder av porøsitetsfordeling oppnådd under ulike sveiseparametere, etter behandling via røntgeninspeksjon og bildegjenkjenningsalgoritmer. Figuren viser at når kombinasjonen av sveiseparametere varierer, oppstår det betydelige forskjeller i mengde, størrelse og fordeling av porene i sveisesømmene; disse porøsitetsdataene fungerer som etiketter for den påfølgende opplæringen av dyplæringsmodeller.
Figur 2 viser et skjematisk diagram av den multifysiske numeriske modellen brukt i denne studien. Ved å løse bevaringsligningene for masse, momentum og energi-og inkorporere en stråle-algoritme-beregner denne modellen nøyaktig de multiple refleksjonene og energiabsorpsjonen til laserstrålen i nøkkelhullet. Figur 2(a) illustrerer diskretiseringen av laserstrålen til tallrike understråler, som hver bærer en spesifikk mengde energi; Figur 2(b) viser geometrisk strålemidjen til laseren; og figur 2(c) viser visuelt den komplekse prosessen med flere refleksjoner som gjennomgår av laser-substrålene inne i nøkkelhullet. Denne modellen gir tre-dimensjonal, forbigående informasjon angående nøkkelhullsmorfologi og smeltebassengstrømningsfelt-data som er vanskelige å skaffe eksperimentelt-og gir dermed kritiske inputfunksjoner for konstruksjonen av PIDL-modellen.
Figur 3 presenterer valideringsresultatene til multifysikkmodellen, og sammenligner eksperimentelt målte verdier med modellspådommer for smeltebassengdybde (Fig. 3(a)) og smeltebassenglengde (Fig. 3(b)) under ekstreme prosessparametere. Resultatene viser en sterk overensstemmelse mellom modellprediksjonene og de eksperimentelle dataene; spesifikt faller den relative feilen for prediksjon av smeltebassengdybde innenfor området -6,3 % til 20,9 %, mens feilen for prediksjon av smeltebassenglengde varierer fra -16,9 % til 20,4 %. Disse valideringsresultatene bekrefter den høye nøyaktigheten til den etablerte multifysikkmodellen, og demonstrerer dens evne til å gi pålitelige fysiske variable data for påfølgende dyplæringsmodeller.
Figur 4 illustrerer ytelsen til PIDL-modellen-trent ved hjelp av et datasett med direkte fysiske variabler-for å forutsi porøsitet. Figur 4(a) viser at tapsfunksjonene for alle under-undermodeller innenfor rammeverket for ensemblelæring konvergerer effektivt. Figur 4(b) og 4(c) viser sammenligninger mellom de antatte og faktiske porøsitetsverdiene for henholdsvis trenings- og testsettene. Resultatene indikerer at PIDL-modellen oppnådde en MSE på 0,32 på treningssettet og 0,75 på testsettet, og demonstrerte dermed metodens evne til effektivt å lære de komplekse ikke-lineære sammenhengene mellom fysiske variabler og porøsitet, og å oppnå nøyaktige kvantitative prediksjoner.
Figur 5, gjennom SHAP-analyse, avslører rangeringen av viktighet og påvirkningstrendene til ulike fysiske variabler på porøsitetsprediksjon. Figur 5(a) indikerer at blant alle utvalgte fysiske variabler, har den maksimale nedadgående hastigheten innenfor flytende metallstrøm størst innflytelse på porøsiteten, etterfulgt av nøkkelhullsdybden. Figur 5(b) illustrerer fordelingen av bidrag fra hver funksjon til prediksjonsresultatene for hvert utvalg, der rødt representerer høye funksjonsverdier og blått representerer lave funksjonsverdier. En kombinert analyse avslører at den maksimale nedadgående hastigheten er negativt korrelert med porøsitet (dvs. jo sterkere nedadgående strømning, jo høyere porøsitet), mens nøkkelhullsdybden er positivt korrelert med porøsitet (dvs. jo dypere nøkkelhullet er, jo høyere porøsitet).
