01
Papír Bevezetés
A mély{0}}behatolású lézeres hegesztés igen ígéretes fémillesztési eljárást jelent a modern gyártásban; alkalmazását azonban gyakran akadályozza a porozitási hibák előfordulása. Tekintettel arra, hogy a pórusképződés erősen nemlineáris és többszörösen összekapcsolt fizikai folyamatokat foglal magában,-és az átlátszatlan fémeken belül nehéz *in situ* nyomon követni,-a porozitási hibák és az ezek mögött meghúzódó képződési mechanizmusok pontos előrejelzése továbbra is óriási kihívást jelent. A hagyományos paraméteres vizsgálatok és a kizárólag nyers hegesztési paramétereken alapuló gépi tanulási modellek az általánosítási képesség, a mélyen{6}}fekvő pórusok előrejelzésének pontossága és az értelmezhetőség tekintetében korlátozottak. Ennek a kritikus problémának a megoldására a jelen tanulmány egy innovatív fizika{8}}informált mélytanulási (PIDL) keretrendszert javasol. A mechanikai modellezés és a kísérleti adatok integrálásával ez a keretrendszer célja az alumíniumötvözetek lézeres hegesztése során a porozitási arány pontos előrejelzése, valamint a kialakulásáért felelős fizikai mechanizmusok tisztázása.
02
**A tanulmány áttekintése**
Ez a tanulmány a lézerhegesztés porozitásának kérdésével foglalkozik, amely olyan összetett jelenségekből fakad, mint a kulcslyuk instabilitása, az olvadékmedence dinamikája és a megszilárdulás-, és egy új prediktív keretrendszert javasol, amely integrálja a többfizikai numerikus szimulációt a mély tanulással. A kutatás egy kísérletileg validált multifizikai modell felhasználásával kezdődik a kulcslyuk stabilitással, az olvadékmedence geometriájával, a folyékony fém áramlásával és a termikus jellemzőkkel kapcsolatos kulcsfontosságú fizikai változók szisztematikus kinyerésére. Erre az alapra építve egy PIDL modellt építettek fel; a hagyományos, kizárólag folyamatparaméterekre oktatott mély tanulási modellekhez képest ez a modell lényegesen, 41%-kal csökkentette az átlagos négyzetes hibát (MSE). A modell értelmezhetőségének javítása érdekében a kutatók ezeket a fizikai változókat dimenzió nélküli jellemzőkké szintetizálták, amelyek egyértelmű fizikai jelentőséggel bírnak (pl. kulcslyuk méretarány, Stokes-szám stb.). Végül a SHAP (Shapley Additive Explanations) elemzést felhasználva a tanulmány-először-fedte fel kvantitatív módon a különböző fizikai tényezők hierarchikus jelentőségét a porozitás kialakulásának folyamatában. Az eredmények a kulcslyuk méretarányát és a lefelé irányuló olvadékáramlás által vezérelt áramlási ellenállást azonosítják a porozitás kialakulásának két legkritikusabb meghatározójaként, ezáltal egyértelmű útmutatást adnak a folyamat optimalizálásához.
03
Vizuális elemzés
Az 1. ábra a különböző hegesztési paraméterek mellett kapott tipikus póruseloszlási képeket szemlélteti, röntgenvizsgálati és képfelismerő algoritmusokkal végzett feldolgozást követően. Az ábra azt mutatja, hogy a hegesztési paraméterek kombinációjának változása következtében jelentős különbségek mutatkoznak a pórusok mennyiségében, méretében és eloszlásában a hegesztési varraton belül; ezek a porozitási adatok címkéként szolgálnak a mély tanulási modellek későbbi képzéséhez.
A 2. ábra a jelen tanulmányban alkalmazott többfizikai numerikus modell sematikus diagramját mutatja be. A tömeg-, impulzus- és energiamegmaradási egyenlet megoldásával-és egy sugár-nyomkövető algoritmus-beépítésével ez a modell pontosan kiszámítja a kulcslyukon belüli lézersugár többszörös visszaverődését és energiaelnyelését. A 2(a) ábra a lézersugár számos részsugárrá történő diszkretizálását mutatja be, amelyek mindegyike meghatározott mennyiségű energiát hordoz; a 2(b) ábra geometriailag ábrázolja a lézer nyaláb derekát; és a 2(c) ábra vizuálisan szemlélteti a többszörös visszaverődés összetett folyamatát, amelyen a kulcslyukon belüli lézersugarak{10}}mennek át. Ez a modell háromdimenziós, átmeneti információkat biztosít a kulcslyuk morfológiájáról és az olvadékmedence áramlási mezőiről-, amelyeket nehéz kísérleti úton megszerezni,-ezáltal kritikus bemeneti jellemzőket biztosít a PIDL-modell felépítéséhez.
A 3. ábra a többfizikai modell validálási eredményeit mutatja be, összehasonlítva a kísérletileg mért értékeket a modell előrejelzéseivel az olvadékmedence mélységére (. 3(a) ábra) és az olvadékmedence hosszára (. 3(b) ábra) extrém folyamatparaméterek mellett. Az eredmények erős egyezést mutatnak a modell előrejelzései és a kísérleti adatok között; konkrétan az olvadékmedence-mélység előrejelzésének relatív hibája a -6,3% és 20,9% közötti tartományba esik, míg az olvadékmedence hosszának előrejelzéseinek hibája -16,9% és 20,4% között van. Ezek a validálási eredmények megerősítik a létrehozott multifizikai modell nagy pontosságát, bizonyítva, hogy képes megbízható fizikai változó adatokat szolgáltatni a későbbi mély tanulási modellekhez.
A 4. ábra szemlélteti a PIDL-modell -közvetlen fizikai változókból álló adatkészlettel- betanított teljesítményét a porozitás előrejelzésében. A 4(a) ábra szemlélteti, hogy a veszteségfüggvények az ensemble learning keretrendszeren belül az összes almodellre{5}} hatékonyan konvergálnak. A 4(b) és 4(c) ábra a modell előrejelzett porozitása és a tényleges porozitás közötti összehasonlítást mutatja be a képzési és a tesztkészleteken. Az eredmények azt mutatják, hogy a PIDL-modell 0,32-es MSE-t ért el a képzési készleten és 0,75-ös MSE-t a tesztkészleten, ezzel demonstrálva a módszer képességét a fizikai változók és a porozitás közötti komplex nemlineáris összefüggések hatékony megtanulására, és viszonylag pontos kvantitatív előrejelzések elérésére.
04
Következtetés
A lézeres mélyen behatoló hegesztés nehezen--jósolható természetével és nehezen--számszerűsíthető porozitási okainak megválaszolására egy új fizika-informált mélytanulás (PIDL) előrejelzési módszert javasoltak és validáltak. Ez a tanulmány egy olyan adatkészletet állított fel, amelyből a fizikai változókat egy több-fizikai terepi modellből választotta ki, amely négy fő kategóriát foglalt magában: termodinamikai tényezők, folyékony fémáramlás, kulcslyukkal kapcsolatos tényezők és olvadékmedence geometriája. A kísérleti eredmények azt mutatták, hogy a hagyományos, kizárólag folyamatparamétereken alapuló mély tanulási modellekhez képest a javasolt PIDL-modell jelentős, 41%-os csökkenést ért el az előrejelzési átlagos négyzetes hibában (MSE). Megállapítottuk, hogy a maximális lefelé irányuló áramlási sebesség és a kulcslyuk mélysége a két legkritikusabb fizikai változó a porozitás kialakulásában; továbbá mindkettő monoton korrelációt mutat a porozitási szintekkel, míg a megszilárdulási idő és az olvadékmedence mérete viszonylag csekély és nem -monoton. A jellemzőfúziós technikák alkalmazásával a fizikai változókat dimenzió nélküli jellemzőkké alakítva,-amelyek hatékonyan írják le a buborékok kialakulását, mozgását és bezáródását{15}}, a tanulmány nemcsak csökkentette a jellemzők dimenzióit, hanem megőrizte a jelentős prediktív pontosságot is, miközben tisztább fizikai értelmezhetőséget és nagyobb statisztikai stabilitást biztosított a modellnek. A SHAP értelmezhetőségi elemzése alapján egyértelműen megállapították, hogy a kulcslyuk oldalaránya erős pozitív korrelációt mutat a porozitási szintekkel, ezáltal hatékony indikátorként szolgál a porozitásképződési hajlam közvetlen értékeléséhez; ezzel egyidejűleg a Stokes-számmal jellemezhető lefelé irányuló áramlási húzóerő- is jelentős hatást gyakorol a porozitás kialakulására.
