01
Бумага Введение
Лазерная сварка в режиме глубокого-провара представляет собой весьма перспективный процесс соединения металлов в современном производстве; однако его применение часто затрудняется наличием дефектов пористости. Учитывая, что образование пор включает в себя сильно нелинейные и много-многосвязанные физические процессы-и его трудно контролировать *in situ* в непрозрачных металлах,-точное предсказание дефектов пористости и лежащих в их основе механизмов образования остается сложной задачей. Традиционные параметрические исследования и модели машинного обучения, основанные исключительно на необработанных параметрах сварки, страдают от ограничений в отношении возможностей обобщения, точности прогнозирования глубоких-пор и интерпретируемости. Для решения этой важной проблемы в настоящем исследовании предлагается инновационная основа физического-информированного глубокого обучения (PIDL). Путем интеграции механистического моделирования с экспериментальными данными эта концепция направлена на точное прогнозирование скорости пористости во время лазерной сварки алюминиевых сплавов и выяснение основных физических механизмов, ответственных за ее образование.
02
**Обзор исследования**
В этом исследовании рассматривается проблема пористости при лазерной сварке-проблема, возникающая из-за сложных явлений, таких как нестабильность замочной скважины, динамика ванны расплава и затвердевание-, путем предложения новой системы прогнозирования, которая объединяет мультифизическое численное моделирование с глубоким обучением. Исследование начинается с использования экспериментально проверенной мультифизической модели для систематического извлечения ключевых физических переменных, связанных со стабильностью замочной скважины, геометрией ванны расплава, течением жидкого металла и тепловыми характеристиками. На основе этой основы была построена модель PIDL; по сравнению с традиционными моделями глубокого обучения, обученными исключительно на параметрах процесса, эта модель достигла существенного снижения среднеквадратической ошибки (MSE) на 41%. Чтобы улучшить интерпретируемость модели, исследователи синтезировали эти физические переменные в безразмерные характеристики с четким физическим значением (например, соотношение сторон замочной скважины, число Стокса и т. д.). Наконец, используя анализ SHAP (Аддитивные объяснения Шепли), исследование впервые количественно выявило--иерархическую важность различных физических факторов в процессе формирования пористости. Полученные результаты определяют соотношение сторон замочной скважины и сопротивление течению, обусловленное нисходящим потоком расплава, как два наиболее важных фактора, определяющих образование пористости, тем самым обеспечивая четкие рекомендации по оптимизации процесса.
03
Визуальный анализ
На рисунке 1 показаны типичные изображения распределения пор, полученные при различных параметрах сварки после обработки с помощью алгоритмов рентгеновского контроля и распознавания изображений. Из рисунка видно, что при изменении сочетания параметров сварки возникают существенные различия в количестве, размерах и распределении пор внутри сварного шва; эти данные о пористости служат метками для последующего обучения моделей глубокого обучения.
На рисунке 2 представлена принципиальная схема мультифизической численной модели, использованной в данном исследовании. Решая уравнения сохранения массы, импульса и энергии-и используя алгоритм-трассировки лучей-, эта модель точно рассчитывает многократное отражение и поглощение энергии лазерного луча внутри замочной скважины. Рисунок 2(a) иллюстрирует дискретизацию лазерного луча на множество суб-лучей, каждый из которых несет определенное количество энергии; На рис. 2(б) геометрически изображена перетяжка луча лазера; а на рисунке 2(c) визуально показан сложный процесс многократного отражения лазерных сублучей внутри замочной скважины. Эта модель предоставляет трехмерную,-переходную информацию о морфологии замочной скважины и полях течения ванны расплава,-которые трудно получить экспериментально,-тем самым предоставляя важные входные данные для построения модели PIDL.
На рисунке 3 представлены результаты проверки мультифизической модели, сравнивающие экспериментально измеренные значения с предсказаниями модели для глубины ванны расплава (рис. 3(a)) и длины ванны расплава (рис. 3(b)) при экстремальных параметрах процесса. Результаты демонстрируют сильное согласие между предсказаниями модели и экспериментальными данными; в частности, относительная ошибка прогнозирования глубины ванны расплава находится в диапазоне от -6,3% до 20,9%, тогда как ошибка прогнозирования длины ванны расплава колеблется от -16,9% до 20,4%. Эти результаты проверки подтверждают высокую точность установленной мультифизической модели, демонстрируя ее способность предоставлять надежные данные о физических переменных для последующих моделей глубокого обучения.
На рисунке 4 показана эффективность модели PIDL, -обученной с использованием набора данных прямых физических переменных-, при прогнозировании пористости. Рисунок 4(a) демонстрирует, что функции потерь для всех под-моделей в рамках ансамблевой структуры обучения эффективно сходятся. На рисунках 4(b) и 4(c) представлено сравнение прогнозируемой моделью пористости и фактической пористости на обучающем и тестовом наборах соответственно. Результаты показывают, что модель PIDL достигла MSE 0,32 на обучающем наборе и 0,75 на тестовом наборе, тем самым демонстрируя способность метода эффективно изучать сложные нелинейные взаимосвязи между физическими переменными и пористостью и достигать относительно точных количественных прогнозов.
04
Заключение
Для решения проблем, связанных со сложностью-предсказания-характера и трудностями--количественной оценки причин дефектов пористости при лазерной-сварке с глубоким проплавлением, был предложен и проверен новый метод предсказания с использованием физики-глубокого обучения (PIDL). В ходе этого исследования был построен набор данных путем выбора физических переменных из мульти-физической модели поля, охватывающей четыре основные категории: термодинамические факторы, течение жидкого металла, факторы, связанные с замочной скважиной-, и геометрия ванны расплава. Экспериментальные результаты показали, что по сравнению с традиционными моделями глубокого обучения, основанными исключительно на параметрах процесса, предложенная модель PIDL позволила добиться значительного снижения среднеквадратической ошибки прогнозирования (MSE) на 41%. Было установлено, что максимальная скорость нисходящего потока и глубина замочной скважины являются двумя наиболее важными физическими переменными, определяющими образование пористости; кроме того, оба демонстрируют монотонную корреляцию с уровнем пористости, тогда как вклад времени затвердевания и размера ванны расплава относительно незначителен и не-монотонен. Используя методы объединения признаков для преобразования физических переменных в безразмерные признаки,-которые эффективно описывают образование, движение и захват пузырей-, исследование не только уменьшило размерность признаков, но и сохранило значительную точность прогнозирования, одновременно придав модели более четкую физическую интерпретируемость и повышенную статистическую стабильность. На основе анализа интерпретируемости SHAP было четко установлено, что соотношение сторон замочной скважины демонстрирует сильную положительную корреляцию с уровнями пористости, тем самым служа эффективным индикатором для непосредственной оценки склонности к образованию пористости; одновременно было обнаружено, что сила сопротивления нисходящего потока, -характеризуемая числом Стокса-, оказывает значительное влияние на образование пористости.
