Das Laserschweißen im Deep-{0}}Penetrationsmodus stellt einen vielversprechenden Metallverbindungsprozess in der modernen Fertigung dar; Allerdings wird seine Anwendung 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 tiefsitzender Porosität und der Interpretierbarkeit auf. Um dieses kritische Problem anzugehen, schlägt diese Studie ein innovatives Physics-Informed Deep Learning (PIDL)-Framework vor, das mechanistische Modellierung mit experimentellen Daten integriert und darauf abzielt, Porositätsniveaus während des Laserschweißens von Aluminiumlegierungen genau vorherzusagen und die zugrunde liegenden physikalischen Mechanismen aufzuklären, die für ihre Bildung verantwortlich sind.
Diese Studie befasst sich mit dem Problem der Porosität beim Laserschweißen-einem Phänomen, das durch komplexe Prozesse wie Schlüssellochinstabilität, Schmelzbaddynamik und Erstarrung verursacht wird- und schlägt ein neuartiges Vorhersagesystem vor, das multiphysikalische numerische Simulation mit Deep Learning integriert. Die Forschung beginnt mit der systematischen Extraktion wichtiger physikalischer Variablen-in Bezug auf Schlüssellochstabilität, Schmelzbadgeometrie, Flüssigmetallfluss und thermische Eigenschaften-unter Verwendung eines multiphysikalischen Modells, das durch experimentelle Daten validiert wurde. Auf dieser Grundlage erreichte das entwickelte PIDL-Modell eine Reduzierung des mittleren quadratischen Fehlers (MSE) um 41 % im Vergleich zu herkömmlichen Deep-Learning-Modellen, die ausschließlich auf Prozessparametern trainiert wurden. 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). Schließlich wurde in der Studie mithilfe der SHAP-Analyse (Shapley Additive Explanations) -zum ersten Mal-die hierarchische Bedeutung verschiedener physikalischer Faktoren im Porositätsbildungsprozess quantitativ nachgewiesen; Insbesondere wurden das Schlüsselloch-Aspektverhältnis und der durch den Abwärtsfluss der Schmelze verursachte Strömungswiderstand als die beiden kritischsten Determinanten der Porositätsbildung identifiziert und so klare Leitlinien für die Prozessoptimierung bereitgestellt.
Abbildung 1 zeigt typische Bilder der Porositätsverteilung, 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 Schweißnähte 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-trainiert unter Verwendung eines Datensatzes direkter physikalischer Variablen-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 den vorhergesagten und tatsächlichen Porositätswerten für die Trainings- bzw. Testsätze. 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 genaue quantitative Vorhersagen zu erzielen.
Abbildung 5 zeigt anhand der SHAP-Analyse die Rangfolge der Bedeutung und die Einflusstrends verschiedener physikalischer Variablen auf die Porositätsvorhersage. Abbildung 5(a) zeigt, dass unter allen ausgewählten physikalischen Variablen die maximale Abwärtsgeschwindigkeit innerhalb des Flüssigmetallstroms den größten Einfluss auf die Porosität hat, gefolgt von der Schlüssellochtiefe. Abbildung 5(b) veranschaulicht die Verteilung der Beiträge jedes Merkmals zu den Vorhersageergebnissen für jede Stichprobe, wobei Rot hohe Merkmalswerte und Blau niedrige Merkmalswerte darstellt. Eine kombinierte Analyse zeigt, dass die maximale Abwärtsgeschwindigkeit negativ mit der Porosität korreliert (d. h. je stärker die Abwärtsströmung, desto höher die Porosität), wohingegen die Schlüssellochtiefe positiv mit der Porosität korreliert (d. h. je tiefer das Schlüsselloch, desto höher die Porosität).
