01
Uvod u rad
Lasersko zavarivanje u načinu -dubokog prodiranja predstavlja vrlo obećavajući proces spajanja metala u modernoj proizvodnji; međutim, njegovu primjenu često otežava pojava nedostataka poroznosti. S obzirom na to da stvaranje pora uključuje vrlo nelinearne i više{2}}spregnute fizičke procese-i teško ih je pratiti *in situ* unutar neprozirnih metala-točno predviđanje defekata poroznosti i njihovih temeljnih mehanizama stvaranja ostaje ogroman izazov. Tradicionalne parametarske studije i modeli strojnog učenja koji se temelje samo na sirovim parametrima zavarivanja pate od ograničenja u pogledu sposobnosti generalizacije, točnosti u predviđanju duboko-smještenih pora i interpretabilnosti. Baveći se ovim kritičnim problemom, ova studija predlaže inovativni okvir za-informirano dubinsko učenje (PIDL). Integriranjem mehaničkog modeliranja s eksperimentalnim podacima, ovaj okvir ima za cilj točno predvidjeti stopu poroznosti tijekom laserskog zavarivanja aluminijskih legura i razjasniti temeljne fizikalne mehanizme koji su odgovorni za njeno formiranje.
02
**Pregled studije**
Ova se studija bavi pitanjem poroznosti kod laserskog zavarivanja-problemom koji proizlazi iz složenih fenomena kao što su nestabilnost ključanice, dinamika bazena taline i skrućivanje-predlažući novi prediktivni okvir koji integrira multifizičku numeričku simulaciju s dubokim učenjem. Istraživanje počinje korištenjem eksperimentalno potvrđenog multifizičkog modela za sustavno izdvajanje ključnih fizičkih varijabli povezanih sa stabilnošću ključanice, geometrijom bazena taline, protokom tekućeg metala i toplinskim karakteristikama. Na temelju ove osnove konstruiran je PIDL model; u usporedbi s tradicionalnim modelima dubinskog učenja koji se obučavaju isključivo na parametrima procesa, ovaj je model postigao znatno smanjenje srednje kvadratne pogreške (MSE) od 41%. Kako bi poboljšali interpretabilnost modela, istraživači su sintetizirali te fizičke varijable u bezdimenzionalne značajke s jasnim fizičkim značenjem (npr. omjer širine i visine ključanice, Stokesov broj itd.). Konačno, koristeći SHAP (Shapley Additive Explanations) analizu, studija je kvantitativno otkrila-po prvi put-hijerarhijsku važnost različitih fizičkih čimbenika u procesu stvaranja poroznosti. Nalazi identificiraju omjer širine otvora ključanice i otpor protoka potaknut silaznim protokom taline kao dvije najkritičnije odrednice formiranja poroznosti, čime se pružaju jasne smjernice za optimizaciju procesa.
03
Vizualna analiza
Slika 1 ilustrira tipične slike raspodjele pora dobivene pod različitim parametrima zavarivanja, nakon obrade putem X-inspekcije i algoritama za prepoznavanje slike. Slika pokazuje da kako kombinacija parametara zavarivanja varira, pojavljuju se značajne razlike u količini, veličini i raspodjeli pora unutar zavarenog šava; ti podaci o poroznosti služe kao oznake za kasniju obuku modela dubokog učenja.
Slika 2 predstavlja shematski dijagram multifizičkog numeričkog modela korištenog u ovoj studiji. Rješavanjem jednadžbi očuvanja mase, zamaha i energije-i ugradnjom-algoritma za praćenje zraka-ovaj model točno izračunava višestruku refleksiju i apsorpciju energije laserske zrake unutar ključanice. Slika 2(a) ilustrira diskretizaciju laserske zrake u brojne pod-zrake, od kojih svaka nosi određenu količinu energije; Slika 2(b) geometrijski prikazuje struk laserske zrake; a slika 2(c) vizualno prikazuje složeni proces višestrukih refleksija koje prolaze laserske pod-zrake unutar ključanice. Ovaj model pruža tro{12}}prolazne informacije u vezi s morfologijom ključanice i poljima protoka bazena taline-koje je teško dobiti eksperimentalno-čime se osiguravaju kritične ulazne značajke za konstrukciju PIDL modela.
Slika 3 prikazuje rezultate validacije multifizičkog modela, uspoređujući eksperimentalno izmjerene vrijednosti s predviđanjima modela za dubinu bazena taline (Slika. 3(a)) i duljinu bazena taline (Slika. 3(b)) pod ekstremnim parametrima procesa. Rezultati pokazuju snažno slaganje između predviđanja modela i eksperimentalnih podataka; konkretno, relativna pogreška za predviđanja dubine bazena taline pada u rasponu od -6,3% do 20,9%, dok se pogreška za predviđanja duljine bazena taline kreće od -16,9% do 20,4%. Ovi rezultati validacije potvrđuju visoku točnost uspostavljenog multifizičkog modela, pokazujući njegovu sposobnost pružanja pouzdanih fizičkih varijabilnih podataka za naknadne modele dubokog učenja.
Slika 4 ilustrira izvedbu PIDL modela-uvježbanog pomoću skupa podataka izravnih fizičkih varijabli-u predviđanju poroznosti. Slika 4(a) pokazuje da funkcije gubitka za sve pod-modele unutar okvira učenja ansambla učinkovito konvergiraju. Slike 4(b) i 4(c) predstavljaju usporedbe između poroznosti predviđene modelom i stvarne poroznosti na setovima za obuku i testu. Rezultati pokazuju da je PIDL model postigao MSE od 0,32 na skupu za obuku i 0,75 na skupu za testiranje, pokazujući time sposobnost metode da učinkovito nauči složene nelinearne odnose između fizičkih varijabli i poroznosti, te da postigne relativno precizna kvantitativna predviđanja.
04
Zaključak
Rješavajući izazove povezane s -za-predvidjeti prirodu i teško{2}}za-kvantificirati uzroke nedostataka poroznosti kod laserskog duboko-probojnog zavarivanja, predložena je i potvrđena nova fizikalno-metoda predviđanja dubokog učenja (PIDL). Ovo je istraživanje konstruiralo skup podataka odabirom fizičkih varijabli iz multi-modela polja fizike, obuhvaćajući četiri glavne kategorije: termodinamičke čimbenike, protok tekućeg metala, čimbenike koji se odnose-na ključanicu i geometriju bazena taline. Eksperimentalni rezultati pokazali su da je, u usporedbi s tradicionalnim modelima dubokog učenja koji se temelje isključivo na parametrima procesa, predloženi PIDL model postigao značajno smanjenje od 41% u predviđanju srednje kvadratne pogreške (MSE). Utvrđeno je da su maksimalna silazna brzina protoka i dubina ključanice dvije najkritičnije fizičke varijable koje upravljaju stvaranjem poroznosti; nadalje, obje pokazuju monotonu korelaciju s razinama poroznosti, dok su doprinosi vremena skrućivanja i veličine bazena taline relativno mali i ne-monotoni. Upotrebom tehnika fuzije značajki za transformaciju fizičkih varijabli u bezdimenzionalne značajke-koje učinkovito opisuju formiranje, kretanje i zarobljavanje mjehurića-studija ne samo da je smanjila dimenzionalnost značajki, već je i zadržala značajnu prediktivnu točnost, dok je modelu dala jasniju fizičku interpretabilnost i poboljšanu statističku stabilnost. Na temelju analize interpretabilnosti SHAP-a, eksplicitno je utvrđeno da omjer širine i visine ključanice pokazuje jaku pozitivnu korelaciju s razinama poroznosti, čime služi kao učinkovit pokazatelj za izravnu procjenu sklonosti stvaranju poroznosti; istovremeno, utvrđeno je da sila otpora toka prema dolje-karakterizirana Stokesovim brojem-također ima značajan utjecaj na stvaranje poroznosti.
