01
Úvod do práce
Laserové svařování v režimu hlubokého průniku{0}} představuje vysoce slibný proces spojování kovů v moderní výrobě; jeho aplikaci však často brání výskyt defektů poréznosti. Vzhledem k tomu, že tvorba pórů zahrnuje vysoce nelineární a více{2}}spojené fyzikální procesy-a je obtížné ji monitorovat *in situ* v neprůhledných kovech,-přesné předpovídání defektů pórovitosti a jejich základní mechanismy tvorby zůstává obrovskou výzvou. Tradiční parametrické studie a modely strojového učení založené pouze na nezpracovaných parametrech svařování trpí omezeními týkajícími se schopnosti zobecnění, přesnosti předpovídání hlubokých-porů a interpretovatelnosti. Tato studie řeší tento kritický problém a navrhuje inovativní rámec Physics{8}}Informed Deep Learning (PIDL). Integrací mechanistického modelování s experimentálními daty si tento rámec klade za cíl přesně předpovědět míru pórovitosti během laserového svařování hliníkových slitin a objasnit základní fyzikální mechanismy odpovědné za její tvorbu.
02
**Přehled studie**
Tato studie se zabývá problémem poréznosti při laserovém svařování-problémem pramenícím ze složitých jevů, jako je nestabilita klíčové dírky, dynamika tavné lázně a tuhnutí-navržením nového prediktivního rámce, který integruje multifyzikální numerickou simulaci s hlubokým učením. Výzkum začíná využitím experimentálně ověřeného multifyzikálního modelu k systematickému extrahování klíčových fyzikálních proměnných spojených se stabilitou klíčové dírky, geometrií tavné lázně, tokem tekutého kovu a tepelnými charakteristikami. Na základě tohoto základu byl zkonstruován model PIDL; ve srovnání s tradičními modely hlubokého učení trénovanými pouze na procesních parametrech dosáhl tento model podstatného 41% snížení střední kvadratické chyby (MSE). Aby se zlepšila interpretovatelnost modelu, výzkumníci syntetizovali tyto fyzikální proměnné do bezrozměrných prvků s jasným fyzikálním významem (např. poměr stran klíčové dírky, Stokesovo číslo atd.). Nakonec studie s využitím analýzy SHAP (Shapley Additive Explanations) kvantitativně odhalila-poprvé{11}}hierarchický význam různých fyzikálních faktorů v procesu tvorby pórů. Zjištění identifikují poměr stran klíčové dírky a odpor proudění řízený sestupným tokem taveniny jako dva nejkritičtější determinanty tvorby poréznosti, čímž poskytují jasné vodítko pro optimalizaci procesu.
03
Vizuální analýza
Obrázek 1 ilustruje typické obrazy rozdělení pórů získané při různých parametrech svařování po zpracování pomocí rentgenové kontroly a algoritmů pro rozpoznávání obrazu. Obrázek ukazuje, že jak se mění kombinace parametrů svařování, objevují se významné rozdíly v množství, velikosti a distribuci pórů ve svarovém švu; tato data porozity slouží jako štítky pro následný trénink modelů hlubokého učení.
Obrázek 2 představuje schematický diagram multifyzikálního numerického modelu použitého v této studii. Řešením rovnic zachování hmotnosti, hybnosti a energie-a začleněním algoritmu-sledování paprsků- tento model přesně vypočítává mnohonásobné odrazy a absorpci energie laserového paprsku v klíčové dírce. Obrázek 2(a) znázorňuje diskretizaci laserového paprsku na četné dílčí paprsky, z nichž každý nese specifické množství energie; Obrázek 2(b) geometricky znázorňuje pás paprsku laseru; a Obrázek 2(c) vizuálně zobrazuje složitý proces mnoha odrazů, kterým procházejí dílčí{10}}paprsky laseru uvnitř klíčové dírky. Tento model poskytuje trojrozměrné, přechodné informace týkající se morfologie klíčových dírek a polí toku taveniny,{13}}která je obtížné získat experimentálně-, čímž poskytuje kritické vstupní funkce pro konstrukci modelu PIDL.
Obrázek 3 uvádí výsledky validace multifyzikálního modelu, porovnává experimentálně naměřené hodnoty s modelovými předpověďmi pro hloubku lázně taveniny (obr.. 3(a)) a délku lázně taveniny (obr.. 3(b)) při extrémních parametrech procesu. Výsledky ukazují silnou shodu mezi předpovědí modelu a experimentálními daty; konkrétně relativní chyba předpovědí hloubky lázně taveniny spadá do rozsahu -6,3 % až 20,9 %, zatímco chyba předpovědí délky lázně taveniny se pohybuje od -16,9 % do 20,4 %. Tyto výsledky validace potvrzují vysokou přesnost zavedeného multifyzikálního modelu a prokazují jeho schopnost poskytovat spolehlivá data fyzikálních proměnných pro následné modely hlubokého učení.
Obrázek 4 ilustruje výkon modelu PIDL -trénovaného pomocí datové sady přímých fyzikálních proměnných- při predikci pórovitosti. Obrázek 4(a) ukazuje, že ztrátové funkce pro všechny pod-modely v rámci souborového učení se efektivně sbližují. Obrázky 4(b) a 4(c) představují srovnání předpokládané pórovitosti modelu a skutečné pórovitosti na trénovacích a testovacích sadách. Výsledky naznačují, že model PIDL dosáhl MSE 0,32 na trénovací sadě a 0,75 na zkušební sadě, čímž demonstruje schopnost metody efektivně se učit složité nelineární vztahy mezi fyzikálními proměnnými a porozitou a dosáhnout relativně přesných kvantitativních předpovědí.
04
Závěr
V rámci řešení problémů spojených s těžko{0}}{1}}předvídatelnou přírodou a těžko{2}}-kvantifikovatelnými příčinami defektů pórovitosti při laserovém hloubkovém-penetračním svařování byla navržena a ověřena nová metoda předpovědi založené na fyzikálním-informovaném hlubokém učení (PIDL). Tato studie vytvořila soubor dat výběrem fyzikálních proměnných z více-fyzikálního modelu pole, který zahrnuje čtyři hlavní kategorie: termodynamické faktory, tok tekutého kovu, faktory související s klíčovou dírkou-a geometrie tavné lázně. Experimentální výsledky ukázaly, že ve srovnání s tradičními modely hlubokého učení založenými pouze na procesních parametrech dosáhl navrhovaný model PIDL významného 41% snížení predikce střední kvadratické chyby (MSE). Bylo zjištěno, že maximální rychlost proudění směrem dolů a hloubka klíčové dírky jsou dvě nejkritičtější fyzikální proměnné, které řídí tvorbu poréznosti; kromě toho oba vykazují monotónní korelaci s úrovněmi poréznosti, zatímco příspěvky doby tuhnutí a velikosti lázně taveniny jsou relativně malé a ne-monotónní. Využitím technik fúze prvků k transformaci fyzikálních proměnných na bezrozměrné prvky,{14}}které účinně popisují tvorbu, pohyb a zachycování bublin,-studie nejen snížila dimenzionalitu prvků, ale také zachovala značnou prediktivní přesnost, přičemž modelu poskytla jasnější fyzikální interpretovatelnost a zvýšenou statistickou stabilitu. Na základě analýzy interpretovatelnosti SHAP bylo výslovně stanoveno, že poměr stran klíčové dírky vykazuje silnou pozitivní korelaci s úrovněmi pórovitosti, čímž slouží jako účinný indikátor pro přímé posouzení sklonu k tvorbě pórů; současně bylo zjištěno, že tažná síla proudění směrem dolů-charakterizovaná Stokesovým číslem-má významný vliv na tvorbu poréznosti.
