01
Papir Uvod
Lasersko varjenje v načinu-globoke penetracije predstavlja zelo obetaven postopek spajanja kovin v sodobni proizvodnji; vendar je njegova uporaba pogosto ovirana zaradi pojava napak poroznosti. Glede na to, da nastajanje por vključuje zelo nelinearne in več{2}}povezane fizikalne procese-in jih je težko spremljati *in situ* v neprozornih kovinah-natančno napovedovanje napak poroznosti in njihovih temeljnih mehanizmov nastajanja ostaja izjemen izziv. Tradicionalne parametrične študije in modeli strojnega učenja, ki temeljijo izključno na neobdelanih parametrih varjenja, imajo omejitve glede zmožnosti posploševanja, natančnosti pri napovedovanju globoko-sedečih por in interpretabilnosti. Za obravnavo tega kritičnega vprašanja ta študija predlaga inovativno ogrodje fizikalnega-informiranega globokega učenja (PIDL). Z integracijo mehanističnega modeliranja z eksperimentalnimi podatki želi ta okvir natančno napovedati stopnjo poroznosti med laserskim varjenjem aluminijevih zlitin in razjasniti temeljne fizične vzroke za njen nastanek.
02
**Pregled študije**
Ta študija obravnava vprašanje poroznosti pri laserskem varjenju-težavo, ki izhaja iz zapletenih pojavov, kot so nestabilnost v ključavnici, dinamika talilnega bazena in strjevanje-s predlaganjem novega okvira za napovedovanje, ki združuje večfizikalno numerično simulacijo z globokim učenjem. Raziskava se začne z uporabo eksperimentalno potrjenega večfizikalnega modela za sistematično ekstrahiranje ključnih fizičnih spremenljivk, povezanih s stabilnostjo ključavnice, geometrijo bazena taline, pretokom tekoče kovine in toplotnimi značilnostmi. Na podlagi tega je bil izdelan model PIDL; v primerjavi s tradicionalnimi modeli globokega učenja, ki se usposabljajo izključno na parametrih procesa, je ta model dosegel znatno 41-odstotno zmanjšanje srednje kvadratne napake (MSE). Da bi izboljšali interpretabilnost modela, so raziskovalci te fizične spremenljivke sintetizirali v brezdimenzionalne lastnosti z jasnim fizičnim pomenom (npr. razmerje stranic ključavnice, Stokesovo število itd.). Končno je študija z uporabo analize SHAP (Shapley Additive Explanations) kvantitativno-prvič-razkrila hierarhično pomembnost različnih fizikalnih dejavnikov v procesu nastajanja poroznosti. Ugotovitve opredeljujejo razmerje stranic ključavnice in upor proti pretoku, ki ga poganja tok taline navzdol, kot dva najbolj kritična dejavnika tvorbe poroznosti, s čimer zagotavljajo jasne smernice za optimizacijo procesa.
03
Vizualna analiza
Slika 1 prikazuje tipične slike porazdelitve por, pridobljene pri različnih varilnih parametrih po obdelavi z rentgenskim-inšpekcijskim pregledom in algoritmi za prepoznavanje slike. Slika prikazuje, da ko se kombinacija varilnih parametrov spreminja, se pojavijo pomembne razlike v količini, velikosti in porazdelitvi por znotraj zvara; ti podatki o poroznosti služijo kot oznake za nadaljnje usposabljanje modelov globokega učenja.
Slika 2 predstavlja shematski diagram multifizičnega numeričnega modela, uporabljenega v tej študiji. Z reševanjem ohranitvenih enačb za maso, zagon in energijo-in vključitvijo-algoritma za sledenje žarkom-ta model natančno izračuna večkratne odboje in absorpcijo energije laserskega žarka v ključavnici. Slika 2(a) prikazuje diskretizacijo laserskega žarka v številne pod-žarke, od katerih vsak nosi določeno količino energije; Slika 2(b) geometrijsko prikazuje pas žarka laserja; Slika 2(c) pa vizualno prikazuje kompleksen proces večkratnih odbojev, ki so jim podvrženi laserski pod-žarki znotraj ključavnice. Ta model zagotavlja tri{12}}tridimenzionalne, prehodne informacije o morfologiji ključavnice in poljih pretoka talilnega bazena-, ki jih je težko pridobiti eksperimentalno-in s tem zagotavlja kritične vhodne funkcije za konstrukcijo modela PIDL.
Slika 3 predstavlja rezultate validacije večfizikalnega modela, ki primerja eksperimentalno izmerjene vrednosti z modelskimi napovedmi za globino bazena taline (slika. 3(a)) in dolžino bazena taline (slika. 3(b)) pri ekstremnih procesnih parametrih. Rezultati kažejo močno ujemanje med napovedmi modela in eksperimentalnimi podatki; natančneje, relativna napaka za napovedi globine bazena taline je v razponu od -6,3 % do 20,9 %, medtem ko je napaka za napovedi dolžine bazena taline v območju od -16,9 % do 20,4 %. Ti rezultati validacije potrjujejo visoko natančnost vzpostavljenega multifizikalnega modela in dokazujejo njegovo sposobnost zagotavljanja zanesljivih fizičnih spremenljivih podatkov za poznejše modele globokega učenja.
