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 hluboké-porozity a interpretovatelnosti. K vyřešení tohoto kritického problému tato studie navrhuje inovativní rámec Physics-Informed Deep Learning (PIDL), který integruje mechanické modelování s experimentálními daty s cílem přesně předpovědět úrovně poréznosti během laserového svařování hliníkových slitin a objasnit základní fyzikální mechanismy odpovědné za jejich tvorbu.
Tato studie, která se zabývá problémem poréznosti při laserovém svařování-což je jev řízený složitými procesy, jako je nestabilita klíčové dírky, dynamika tavné lázně a tuhnutí-, navrhuje nový prediktivní rámec, který integruje multifyzikální numerickou simulaci s hlubokým učením. Výzkum začíná systematickým získáváním klíčových fyzikálních proměnných-týkajících se stability klíčové dírky, geometrie tavné lázně, proudění tekutého kovu a tepelných charakteristik-pomocí multifyzikálního modelu ověřeného experimentálními daty. Na základě tohoto základu vyvinutý model PIDL dosáhl 41% snížení střední kvadratické chyby (MSE) ve srovnání s tradičními modely hlubokého učení trénovanými pouze na procesních parametrech. Aby se zlepšila interpretovatelnost modelu, výzkumníci syntetizovali tyto fyzikální proměnné do bezrozměrných prvků s jasným fyzikálním významem (např. poměr stran klíčové dírky, Stokesovo číslo). A konečně, s využitím analýzy SHAP (Shapley Additive Explanations) studie kvantitativně stanovila-poprvé-hierarchickou důležitost různých fyzikálních faktorů v procesu tvorby pórů; konkrétně identifikoval poměr stran klíčové dírky a odpor toku řízený tokem taveniny směrem dolů jako dva nejkritičtější determinanty tvorby poréznosti, čímž poskytl jasné vodítko pro optimalizaci procesu.
Obrázek 1 ilustruje typické snímky distribuce pórovitosti získané při různých svařovacích parametrech po zpracování pomocí rentgenové kontroly a algoritmů rozpoznávání snímků. Obrázek ukazuje, že jak se mění kombinace parametrů svařování, objevují se významné rozdíly v množství, velikosti a distribuci pórů ve svarových švech; 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 mezi předpokládanými a skutečnými hodnotami pórovitosti pro trénovací a testovací sady. 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 přesných kvantitativních předpovědí.
Obrázek 5, prostřednictvím analýzy SHAP, odhaluje pořadí důležitosti a trendy vlivu různých fyzikálních proměnných na předpověď pórovitosti. Obrázek 5(a) ukazuje, že ze všech vybraných fyzikálních proměnných má největší vliv na poréznost maximální rychlost směrem dolů v proudu tekutého kovu, následovaná hloubkou klíčové dírky. Obrázek 5(b) znázorňuje rozložení příspěvků každého znaku k výsledkům predikce pro každý vzorek, kde červená představuje vysoké hodnoty znaků a modrá představuje nízké hodnoty znaků. Kombinovaná analýza ukazuje, že maximální rychlost směrem dolů negativně koreluje s pórovitostí (tj. čím silnější je tok směrem dolů, tím vyšší je pórovitost), zatímco hloubka klíčové dírky pozitivně koreluje s pórovitostí (tj. čím hlubší je klíčová dírka, tím vyšší je pórovitost).
