01
Papiereinführung
Das Laserschweißen im Deep-{0}}Penetrationsmodus stellt einen vielversprechenden Metallverbindungsprozess in der modernen Fertigung dar; Seine Anwendung wird jedoch häufig durch das Auftreten von Porositätsfehlern behindert. Angesichts der Tatsache, dass die Porenbildung stark nichtlineare und mehrfach gekoppelte physikalische Prozesse beinhaltet-und es schwierig ist, *in situ* in undurchsichtigen Metallen zu überwachen-, bleibt die genaue Vorhersage von Porositätsdefekten und ihren zugrunde liegenden Bildungsmechanismen eine gewaltige Herausforderung. Herkömmliche parametrische Studien und Modelle des maschinellen Lernens, die ausschließlich auf rohen Schweißparametern basieren, weisen Einschränkungen hinsichtlich der Generalisierungsfähigkeit, der Genauigkeit bei der Vorhersage tief sitzender Poren und der Interpretierbarkeit auf. Um dieses kritische Problem anzugehen, schlägt die vorliegende Studie ein innovatives Physics-Informed Deep Learning (PIDL)-Framework vor. Durch die Integration mechanistischer Modellierung mit experimentellen Daten zielt dieses Rahmenwerk darauf ab, die Porositätsrate beim Laserschweißen von Aluminiumlegierungen genau vorherzusagen und die zugrunde liegenden physikalischen Ursachen für ihre Entstehung aufzuklären.
02
**Studienübersicht**
Diese Studie befasst sich mit dem Problem der Porosität beim Laserschweißen-einem Problem, das aus komplexen Phänomenen wie Schlüssellochinstabilität, Schmelzbaddynamik und Erstarrung resultiert-, indem sie ein neuartiges Vorhersagerahmenwerk vorschlägt, das multiphysikalische numerische Simulation mit Deep Learning integriert. Die Forschung beginnt mit der Verwendung eines experimentell validierten Multiphysikmodells, um systematisch wichtige physikalische Variablen zu extrahieren, die mit der Schlüssellochstabilität, der Schmelzbadgeometrie, dem Fluss von flüssigem Metall und den thermischen Eigenschaften verbunden sind. Auf dieser Grundlage wurde ein PIDL-Modell erstellt; Im Vergleich zu herkömmlichen Deep-Learning-Modellen, die ausschließlich auf Prozessparameter trainiert wurden, erreichte dieses Modell eine erhebliche Reduzierung des mittleren quadratischen Fehlers (MSE) um 41 %. Um die Interpretierbarkeit des Modells zu verbessern, synthetisierten die Forscher diese physikalischen Variablen in dimensionslose Merkmale mit klarer physikalischer Bedeutung (z. B. Schlüsselloch-Seitenverhältnis, Stokes-Zahl usw.). Schließlich zeigte die Studie mithilfe der SHAP-Analyse (Shapley Additive Explanations) -zum ersten Mal- quantitativ die hierarchische Bedeutung verschiedener physikalischer Faktoren im Porositätsbildungsprozess auf. Die Ergebnisse identifizieren das Schlüsselloch-Aspektverhältnis und den durch den Abwärtsfluss der Schmelze verursachten Strömungswiderstand als die beiden kritischsten Determinanten der Porositätsbildung und bieten damit klare Leitlinien für die Prozessoptimierung.
03
Visuelle Analyse
Abbildung 1 zeigt typische Porenverteilungsbilder, die unter verschiedenen Schweißparametern nach der Verarbeitung mittels Röntgeninspektion und Bilderkennungsalgorithmen erhalten wurden. Die Abbildung zeigt, dass bei unterschiedlicher Kombination von Schweißparametern erhebliche Unterschiede in der Menge, Größe und Verteilung der Poren innerhalb der Schweißnaht auftreten; Diese Porositätsdaten dienen als Etiketten für das anschließende Training von Deep-Learning-Modellen.
Abbildung 2 zeigt ein schematisches Diagramm des in dieser Studie verwendeten multiphysikalischen numerischen Modells. Durch die Lösung der Erhaltungsgleichungen für Masse, Impuls und Energie-und die Einbeziehung eines Ray-{3}}Tracing-Algorithmus- berechnet dieses Modell genau die Mehrfachreflexionen und Energieabsorption des Laserstrahls im Schlüsselloch. Abbildung 2(a) veranschaulicht die Diskretisierung des Laserstrahls in zahlreiche Unterstrahlen, von denen jeder eine bestimmte Energiemenge trägt; Abbildung 2(b) zeigt geometrisch die Strahltaille des Lasers; und Abbildung 2(c) stellt visuell den komplexen Prozess mehrerer Reflexionen dar, die die Laser-Teilstrahlen im Schlüsselloch durchlaufen. Dieses Modell liefert dreidimensionale, transiente Informationen zur Schlüssellochmorphologie und Schmelzbad-Strömungsfeldern,-Daten, die experimentell schwer zu erhalten sind-und liefern so wichtige Eingabemerkmale für die Konstruktion des PIDL-Modells.
Abbildung 3 zeigt die Validierungsergebnisse des Multiphysikmodells und vergleicht experimentell gemessene Werte mit Modellvorhersagen für die Schmelzbadtiefe (Abb. 3(a)) und die Schmelzbadlänge (Abb. 3(b)) unter extremen Prozessparametern. Die Ergebnisse zeigen eine starke Übereinstimmung zwischen den Modellvorhersagen und den experimentellen Daten; Insbesondere liegt der relative Fehler für Vorhersagen der Schmelzbadtiefe im Bereich von -6,3 % bis 20,9 %, während der Fehler für Vorhersagen der Schmelzbadlänge zwischen -16,9 % und 20,4 % liegt. Diese Validierungsergebnisse bestätigen die hohe Genauigkeit des etablierten Multiphysikmodells und demonstrieren seine Fähigkeit, zuverlässige Daten zu physikalischen Variablen für nachfolgende Deep-Learning-Modelle bereitzustellen.
