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 Mechanismen aufzuklären, die für ihre Bildung verantwortlich sind.
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.
Abbildung 4 veranschaulicht die Leistung des PIDL-Modells-, das mithilfe eines Datensatzes direkter physikalischer Variablen trainiert wurde-bei der Vorhersage der Porosität. Abbildung 4(a) zeigt, dass die Verlustfunktionen für alle Sub--Modelle innerhalb des Ensemble-Lernrahmens effektiv konvergieren. Die Abbildungen 4(b) und 4(c) zeigen Vergleiche zwischen der vorhergesagten Porosität des Modells und der tatsächlichen Porosität im Trainings- bzw. Testsatz. Die Ergebnisse zeigen, dass das PIDL-Modell einen MSE von 0,32 im Trainingssatz und 0,75 im Testsatz erreichte, was die Fähigkeit der Methode demonstriert, die komplexen nichtlinearen Beziehungen zwischen physikalischen Variablen und Porosität effektiv zu lernen und relativ genaue quantitative Vorhersagen zu erzielen.
04
Abschluss
Zur Bewältigung der Herausforderungen, die mit der schwer-vorhersehbaren-Vorhersage der Natur und den schwer-zu-quantifizierenden Ursachen von Porositätsdefekten beim Laser-Tiefschweißen einhergehen, wurde eine neuartige physikalisch-informierte Deep-Learning-Vorhersagemethode (PIDL) vorgeschlagen und validiert. Diese Studie erstellte einen Datensatz durch Auswahl physikalischer Variablen aus einem multiphysikalischen Feldmodell, das vier Hauptkategorien umfasst: thermodynamische Faktoren, Flüssigmetallfluss, Schlüssellochfaktoren und Schmelzbadgeometrie. Experimentelle Ergebnisse zeigten, dass das vorgeschlagene PIDL-Modell im Vergleich zu herkömmlichen Deep-Learning-Modellen, die ausschließlich auf Prozessparametern basieren, eine signifikante Reduzierung des mittleren quadratischen Fehlers (MSE) der Vorhersage um 41 % erzielte. Es wurde festgestellt, dass die maximale Abwärtsströmungsgeschwindigkeit und die Schlüssellochtiefe die beiden kritischsten physikalischen Variablen sind, die die Porositätsbildung bestimmen; Darüber hinaus weisen beide eine monotone Korrelation mit dem Porositätsgrad auf, wohingegen die Beiträge der Erstarrungszeit und der Schmelzbadgröße relativ gering und nicht-monoton sind. Durch den Einsatz von Feature-Fusion-Techniken zur Umwandlung physikalischer Variablen in dimensionslose Features-die die Bildung, Bewegung und den Einschluss von Blasen effektiv beschreiben-reduzierte die Studie nicht nur die Feature-Dimensionalität, sondern behielt auch eine erhebliche Vorhersagegenauigkeit bei und verlieh dem Modell gleichzeitig eine klarere physikalische Interpretierbarkeit und eine verbesserte statistische Stabilität. Basierend auf der SHAP-Interpretierbarkeitsanalyse wurde ausdrücklich festgestellt, dass das Schlüssellochseitenverhältnis eine starke positive Korrelation mit dem Porositätsgrad aufweist und somit als wirksamer Indikator für die direkte Bewertung der Neigung zur Porositätsbildung dient; Gleichzeitig wurde festgestellt, dass die nach unten gerichtete Strömungswiderstandskraft-charakterisiert durch die Stokes-Zahl-auch einen signifikanten Einfluss auf die Porositätsbildung ausübt.
