Laserové zváranie v režime hlbokej{0}}penetrácie predstavuje veľmi sľubný proces spájania kovov v modernej výrobe; jeho aplikácii však často bráni výskyt defektov pórovitosti. Vzhľadom na to, že tvorba pórov zahŕňa vysoko nelineárne a multi{2}}prepojené fyzikálne procesy-a je ťažké ju monitorovať *in situ* v nepriehľadných kovoch-presné predpovedanie defektov pórovitosti a ich základné mechanizmy tvorby zostáva obrovskou výzvou. Tradičné parametrické štúdie a modely strojového učenia založené výlučne na nespracovaných parametroch zvárania trpia obmedzeniami týkajúcimi sa schopnosti zovšeobecňovania, presnosti predpovedania hlbokej-porozity a interpretovateľnosti. Na vyriešenie tohto kritického problému táto štúdia navrhuje inovatívny rámec Physics{8}}Informed Deep Learning (PIDL), ktorý integruje mechanické modelovanie s experimentálnymi údajmi s cieľom presne predpovedať úrovne pórovitosti počas laserového zvárania hliníkových zliatin a objasniť základné fyzikálne mechanizmy zodpovedné za ich tvorbu.
Táto štúdia, ktorá sa zaoberá problémom pórovitosti pri laserovom zváraní-javom poháňaným zložitými procesmi, ako je nestabilita kľúčových dier, dynamika tavného bazéna a tuhnutie{1}, navrhuje nový prediktívny rámec, ktorý integruje multifyzikálnu numerickú simuláciu s hĺbkovým učením. Výskum začína systematickým extrahovaním kľúčových fyzikálnych premenných-týkajúcich sa stability kľúčovej dierky, geometrie tavného bazéna, prietoku tekutého kovu a tepelných charakteristík-pomocou multifyzikálneho modelu overeného experimentálnymi údajmi. Na základe tohto základu vyvinutý model PIDL dosiahol 41% zníženie priemernej štvorcovej chyby (MSE) v porovnaní s tradičnými modelmi hlbokého učenia trénovanými výlučne na procesných parametroch. Na zlepšenie interpretovateľnosti modelu výskumníci syntetizovali tieto fyzikálne premenné do bezrozmerných prvkov s jasným fyzikálnym významom (napr. pomer strán kľúčovej dierky, Stokesovo číslo). Nakoniec, pomocou analýzy SHAP (Shapley Additive Explanations), štúdia kvantitatívne stanovila-po prvý raz-hierarchickú dôležitosť rôznych fyzikálnych faktorov v procese tvorby pórovitosti; konkrétne identifikoval pomer strán kľúčovej dierky a prietokový odpor poháňaný tokom taveniny smerom nadol ako dva najkritickejšie determinanty tvorby pórovitosti, čím poskytuje jasný návod na optimalizáciu procesu.
Obrázok 1 znázorňuje typické obrázky distribúcie pórovitosti získané pri rôznych parametroch zvárania po spracovaní pomocou röntgenovej kontroly a algoritmov na rozpoznávanie obrázkov. Obrázok ukazuje, že keď sa kombinácia parametrov zvárania mení, objavujú sa významné rozdiely v množstve, veľkosti a distribúcii pórov vo zvarových švoch; tieto údaje o pórovitosti slúžia ako štítky pre následné školenie modelov hlbokého učenia.
Obrázok 2 predstavuje schematický diagram multifyzikálneho numerického modelu použitého v tejto štúdii. Vyriešením rovníc zachovania hmotnosti, hybnosti a energie-a začlenením algoritmu-sledovania lúčov- tento model presne vypočíta viacnásobné odrazy a absorpciu energie laserového lúča v kľúčovej dierke. Obrázok 2(a) znázorňuje diskretizáciu laserového lúča na početné podlúče, z ktorých každý nesie špecifické množstvo energie; Obrázok 2(b) geometricky znázorňuje pás lúča lasera; a Obrázok 2(c) vizuálne zobrazuje komplexný proces viacerých odrazov, ktorým podstupujú podlúče lasera{10}}v kľúčovej dierke. Tento model poskytuje trojrozmerné{12}}prechodné informácie týkajúce sa morfológie kľúčových dier a polí prietoku taveniny,{13}}ktoré je ťažké získať experimentálne-, čím poskytuje kritické vstupné funkcie pre konštrukciu modelu PIDL.
Obrázok 3 predstavuje výsledky validácie multifyzikálneho modelu, porovnávajúc experimentálne namerané hodnoty s modelovými predpoveďami pre hĺbku bazénu taveniny (obr.. 3(a)) a dĺžku bazéna topenia (obr.. 3(b)) pri extrémnych parametroch procesu. Výsledky demonštrujú silnú zhodu medzi modelovými predpoveďami a experimentálnymi údajmi; konkrétne, relatívna chyba pre predpovede hĺbky bazéna taveniny spadá do rozsahu -6,3 % až 20,9 %, zatiaľ čo chyba predpovedí dĺžky bazéna topenia sa pohybuje od -16,9 % do 20,4 %. Tieto výsledky validácie potvrdzujú vysokú presnosť zavedeného multifyzikálneho modelu a demonštrujú jeho schopnosť poskytovať spoľahlivé údaje o fyzikálnych premenných pre následné modely hlbokého učenia.
Obrázok 4 znázorňuje výkonnosť modelu PIDL-vytrénovaného pomocou súboru údajov priamych fyzikálnych premenných-pri predpovedaní pórovitosti. Obrázok 4(a) ukazuje, že stratové funkcie pre všetky pod-modely v rámci súboru učenia sa efektívne konvergujú. Obrázky 4(b) a 4(c) predstavujú porovnania medzi predpokladanými a skutočnými hodnotami pórovitosti pre tréningové a testovacie sady. Výsledky naznačujú, že model PIDL dosiahol MSE 0,32 na tréningovej sade a 0,75 na testovacej sade, čím demonštruje schopnosť metódy efektívne sa učiť komplexné nelineárne vzťahy medzi fyzikálnymi premennými a pórovitosťou a dosiahnuť presné kvantitatívne predpovede.
Obrázok 5 prostredníctvom analýzy SHAP odhaľuje poradie dôležitosti a trendy vplyvu rôznych fyzikálnych premenných na predikciu pórovitosti. Obrázok 5(a) ukazuje, že spomedzi všetkých vybraných fyzikálnych premenných má najväčší vplyv na pórovitosť maximálna rýchlosť smerom nadol v prúde tekutého kovu, po ktorej nasleduje hĺbka kľúčovej dierky. Obrázok 5(b) znázorňuje distribúciu príspevkov každého znaku k výsledkom predikcie pre každú vzorku, pričom červená predstavuje vysoké hodnoty znakov a modrá predstavuje nízke hodnoty znakov. Kombinovaná analýza odhaľuje, že maximálna rýchlosť smerom nadol negatívne koreluje s pórovitosťou (tj čím silnejší je tok smerom nadol, tým vyššia je pórovitosť), zatiaľ čo hĺbka kľúčovej dierky pozitívne koreluje s pórovitosťou (tj čím hlbšia je kľúčová dierka, tým vyššia je pórovitosť).
