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 isključivo na sirovim parametrima zavarivanja pate od ograničenja u pogledu sposobnosti generalizacije, točnosti u predviđanju duboko-skrivene poroznosti i interpretabilnosti. Kako bi se riješio ovaj kritični problem, ova studija predlaže inovativni Physics-Informed Deep Learning (PIDL) okvir koji integrira mehaničko modeliranje s eksperimentalnim podacima, s ciljem točnog predviđanja razina poroznosti tijekom laserskog zavarivanja aluminijskih legura i razjašnjavanja temeljnih fizičkih mehanizama odgovornih za njihov nastanak.
Baveći se problemom poroznosti kod laserskog zavarivanja-, fenomenom koji pokreću složeni procesi kao što su nestabilnost ključanice, dinamika bazena taline i skrućivanje-ova studija predlaže novi prediktivni okvir koji integrira multifizičku numeričku simulaciju s dubokim učenjem. Istraživanje počinje sustavnim izdvajanjem ključnih fizičkih varijabli-koje se odnose na stabilnost ključanice, geometriju bazena taline, protok tekućeg metala i toplinske karakteristike-pomoću multifizičkog modela potvrđenog eksperimentalnim podacima. Na temelju ovog temelja, razvijeni PIDL model postigao je 41% smanjenje srednje kvadratne pogreške (MSE) u usporedbi s tradicionalnim modelima dubinskog učenja obučenim isključivo na parametrima procesa. 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). Konačno, koristeći SHAP (Shapley Additive Explanations) analizu, studija je kvantitativno utvrdila-po prvi put-hijerarhijsku važnost različitih fizičkih čimbenika u procesu stvaranja poroznosti; konkretno, identificirao je omjer širine otvora i otpor protoka potaknut silaznim protokom taline kao dvije najkritičnije odrednice formiranja poroznosti, čime je dao jasne smjernice za optimizaciju procesa.
Slika 1 ilustrira tipične slike raspodjele poroznosti 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 zavarenih šavova; 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) prikazuju usporedbe između predviđenih i stvarnih vrijednosti poroznosti za setove za obuku i testove. 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 točna kvantitativna predviđanja.
Slika 5, kroz SHAP analizu, otkriva rangiranje važnosti i trendove utjecaja različitih fizičkih varijabli na predviđanje poroznosti. Slika 5(a) pokazuje da, među svim odabranim fizičkim varijablama, maksimalna silazna brzina unutar protoka tekućeg metala ima najveći utjecaj na poroznost, nakon čega slijedi dubina ključanice. Slika 5(b) ilustrira distribuciju doprinosa svake značajke rezultatima predviđanja za svaki uzorak, pri čemu crvena predstavlja visoke vrijednosti značajki, a plava niske vrijednosti značajki. Kombinirana analiza otkriva da je maksimalna silazna brzina u negativnoj korelaciji s poroznošću (tj. što je jači silazni tok, veća je poroznost), dok je dubina ključanice u pozitivnoj korelaciji s poroznošću (tj. što je ključanica dublja, veća je poroznost).
