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, касающихся возможности обобщения, точности прогнозирования глубокой-пористости и интерпретируемости. Для решения этой важной проблемы в этом исследовании предлагается инновационная основа физического-глубокого обучения (PIDL), которая объединяет механистическое моделирование с экспериментальными данными с целью точного прогнозирования уровней пористости во время лазерной сварки алюминиевых сплавов и выяснения основных физических механизмов, ответственных за их образование.
Рассматривая проблему пористости при лазерной сварке-явления, вызванного сложными процессами, такими как нестабильность замочной скважины, динамика ванны расплава и затвердевание,-в этом исследовании предлагается новая система прогнозирования, которая объединяет мультифизическое численное моделирование с глубоким обучением. Исследование начинается с систематического извлечения ключевых физических переменных,-относящихся к стабильности замочной скважины, геометрии ванны расплава, текучести жидкого металла и тепловых характеристик-с использованием мультифизической модели, подтвержденной экспериментальными данными. Основываясь на этом фундаменте, разработанная модель PIDL достигла снижения среднеквадратической ошибки (MSE) на 41% по сравнению с традиционными моделями глубокого обучения, обученными исключительно на параметрах процесса. Чтобы улучшить интерпретируемость модели, исследователи синтезировали эти физические переменные в безразмерные характеристики с четким физическим значением (например, соотношение сторон замочной скважины, число Стокса). Наконец, с использованием анализа SHAP (Аддитивные объяснения Шепли) исследование количественно установило-впервые-иерархическую важность различных физических факторов в процессе формирования пористости; в частности, он определил соотношение сторон замочной скважины и сопротивление течению, обусловленное нисходящим потоком расплава, как два наиболее важных фактора, определяющих образование пористости, тем самым предоставив четкие рекомендации по оптимизации процесса.
На рис. 1 показаны типичные изображения распределения пористости, 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 сварных швов; 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 прогнозируемых и фактических значений пористости для обучающего и тестового наборов 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 точных количественных прогнозов.
Рисунок 5, проведенный с помощью SHAP-анализа, показывает ранжирование важности и тенденции влияния различных физических переменных на прогноз пористости. Рисунок 5(а) показывает, что среди всех выбранных физических переменных максимальная скорость движения потока жидкого металла оказывает наибольшее влияние на пористость, за которой следует глубина замочной скважины. Рисунок 5(b) иллюстрирует распределение вклада каждого признака в результаты прогнозирования для каждой выборки, где красный цвет представляет высокие значения признака, а синий — низкие значения признака. Комбинированный анализ показывает, что максимальная скорость вниз отрицательно коррелирует с пористостью (т.е. чем сильнее нисходящий поток, тем выше пористость), тогда как глубина замочной скважины положительно коррелирует с пористостью (т.е. чем глубже замочная скважина, тем выше пористость).
