Η συγκόλληση με λέιζερ στη λειτουργία βαθιάς διείσδυσης-αντιπροσωπεύει μια πολλά υποσχόμενη διαδικασία σύνδεσης μετάλλων στη σύγχρονη κατασκευή. Ωστόσο, η εφαρμογή του συχνά παρεμποδίζεται από την εμφάνιση ελαττωμάτων πορώδους. Δεδομένου ότι ο σχηματισμός πόρων περιλαμβάνει εξαιρετικά μη γραμμικές και πολυ{2}}συζευγμένες φυσικές διεργασίες-και είναι δύσκολο να παρακολουθηθεί *in situ* εντός αδιαφανών μετάλλων-η ακριβής πρόβλεψη των ελαττωμάτων πορώδους και των υποκείμενων μηχανισμών σχηματισμού τους παραμένει μια τρομερή πρόκληση. Οι παραδοσιακές παραμετρικές μελέτες και τα μοντέλα μηχανικής μάθησης που βασίζονται αποκλειστικά σε ακατέργαστες παραμέτρους συγκόλλησης υποφέρουν από περιορισμούς όσον αφορά την ικανότητα γενίκευσης, την ακρίβεια στην πρόβλεψη του βαθέως-πρώδους πορώδους και την ερμηνευτικότητα. Για την αντιμετώπιση αυτού του κρίσιμου ζητήματος, αυτή η μελέτη προτείνει ένα καινοτόμο πλαίσιο Φυσικής-Informed Deep Learning (PIDL) που ενσωματώνει τη μηχανιστική μοντελοποίηση με πειραματικά δεδομένα, με στόχο την ακριβή πρόβλεψη των επιπέδων πορώδους κατά τη συγκόλληση με λέιζερ κραμάτων αλουμινίου και την αποσαφήνιση των υποκείμενων φυσικών μηχανισμών που είναι υπεύθυνοι για το σχηματισμό τους.
Αντιμετωπίζοντας το ζήτημα του πορώδους στη συγκόλληση με λέιζερ-ένα φαινόμενο που οφείλεται σε πολύπλοκες διαδικασίες όπως η αστάθεια της κλειδαρότρυπας, η δυναμική της λίμνης τήξης και η στερεοποίηση-αυτή η μελέτη προτείνει ένα νέο προγνωστικό πλαίσιο που ενσωματώνει την αριθμητική προσομοίωση πολυφυσικής με τη βαθιά εκμάθηση. Η έρευνα ξεκινά με συστηματική εξαγωγή βασικών φυσικών μεταβλητών-που σχετίζονται με τη σταθερότητα της κλειδαρότρυπας, τη γεωμετρία της λιμνοθάλασσας, τη ροή υγρού μετάλλου και τα θερμικά χαρακτηριστικά-χρησιμοποιώντας ένα πολυφυσικό μοντέλο επικυρωμένο μέσω πειραματικών δεδομένων. Με βάση αυτό το θεμέλιο, το μοντέλο PIDL που αναπτύχθηκε πέτυχε μείωση 41% στο μέσο τετράγωνο σφάλμα (MSE) σε σύγκριση με τα παραδοσιακά μοντέλα βαθιάς μάθησης που εκπαιδεύονται αποκλειστικά σε παραμέτρους διαδικασίας. Για να ενισχύσουν την ερμηνευσιμότητα του μοντέλου, οι ερευνητές συνέθεσαν αυτές τις φυσικές μεταβλητές σε αδιάστατα χαρακτηριστικά με σαφή φυσική σημασία (π.χ. αναλογία διαστάσεων κλειδαρότρυπας, αριθμός Stokes). Τέλος, χρησιμοποιώντας την ανάλυση SHAP (Shapley Additive Explanations), η μελέτη διαπίστωσε ποσοτικά-για πρώτη φορά-την ιεραρχική σημασία διαφόρων φυσικών παραγόντων στη διαδικασία σχηματισμού πορώδους. Συγκεκριμένα, προσδιόρισε τον λόγο διαστάσεων της κλειδαρότρυπας και την αντίσταση ροής που προκαλείται από την καθοδική ροή τήγματος ως τους δύο πιο κρίσιμους καθοριστικούς παράγοντες του σχηματισμού πορώδους, παρέχοντας έτσι σαφή καθοδήγηση για τη βελτιστοποίηση της διαδικασίας.
Το σχήμα 1 απεικονίζει τυπικές εικόνες κατανομής πορώδους που λαμβάνονται κάτω από διάφορες παραμέτρους συγκόλλησης, μετά από επεξεργασία μέσω αλγορίθμων επιθεώρησης ακτίνων Χ-και αναγνώρισης εικόνας. Το σχήμα δείχνει ότι καθώς ο συνδυασμός των παραμέτρων συγκόλλησης ποικίλλει, προκύπτουν σημαντικές διαφορές στην ποσότητα, το μέγεθος και την κατανομή των πόρων εντός των ραφών συγκόλλησης. Αυτά τα δεδομένα πορώδους χρησιμεύουν ως ετικέτες για την μετέπειτα εκπαίδευση μοντέλων βαθιάς μάθησης.
Το Σχήμα 2 παρουσιάζει ένα σχηματικό διάγραμμα του αριθμητικού μοντέλου πολυφυσικής που χρησιμοποιήθηκε σε αυτή τη μελέτη. Επιλύοντας τις εξισώσεις διατήρησης για τη μάζα, την ορμή και την ενέργεια-και ενσωματώνοντας έναν αλγόριθμο ανίχνευσης ακτίνων-αυτό το μοντέλο υπολογίζει με ακρίβεια τις πολλαπλές ανακλάσεις και την απορρόφηση ενέργειας της δέσμης λέιζερ μέσα στην κλειδαρότρυπα. Το σχήμα 2(α) απεικονίζει τη διακριτοποίηση της δέσμης λέιζερ σε πολυάριθμες υπο-ακτίνες, καθεμία από τις οποίες φέρει μια συγκεκριμένη ποσότητα ενέργειας. Το σχήμα 2(β) απεικονίζει γεωμετρικά τη μέση δέσμης του λέιζερ. και το σχήμα 2(γ) αποδίδει οπτικά τη σύνθετη διαδικασία πολλαπλών ανακλάσεων που υφίστανται οι υποακτίνες λέιζερ μέσα στην κλειδαρότρυπα. Αυτό το μοντέλο παρέχει τρισδιάστατες, παροδικές πληροφορίες σχετικά με τη μορφολογία της κλειδαρότρυπας και τα πεδία ροής της λίμνης τήξης-που είναι δύσκολο να ληφθούν πειραματικά-παρέχοντας έτσι κρίσιμα χαρακτηριστικά εισόδου για την κατασκευή του μοντέλου PIDL.
Το σχήμα 3 παρουσιάζει τα αποτελέσματα επικύρωσης του πολυφυσικού μοντέλου, συγκρίνοντας πειραματικά μετρημένες τιμές με προβλέψεις μοντέλων για το βάθος της λίμνης τήξης (Εικ. 3(α)) και το μήκος της λίμνης τήξης (Εικ. 3(β)) κάτω από ακραίες παραμέτρους διεργασίας. Τα αποτελέσματα δείχνουν μια ισχυρή συμφωνία μεταξύ των προβλέψεων του μοντέλου και των πειραματικών δεδομένων. Συγκεκριμένα, το σχετικό σφάλμα για τις προβλέψεις του βάθους της δεξαμενής τήξης κυμαίνεται στο εύρος από -6,3% έως 20,9%, ενώ το σφάλμα για προβλέψεις μήκους δεξαμενής τήξης κυμαίνεται από -16,9% έως 20,4%. Αυτά τα αποτελέσματα επικύρωσης επιβεβαιώνουν την υψηλή ακρίβεια του καθιερωμένου μοντέλου πολυφυσικής, αποδεικνύοντας την ικανότητά του να παρέχει αξιόπιστα φυσικά μεταβλητά δεδομένα για επόμενα μοντέλα βαθιάς μάθησης.
Το σχήμα 4 απεικονίζει την απόδοση του μοντέλου PIDL-που εκπαιδεύτηκε χρησιμοποιώντας ένα σύνολο δεδομένων άμεσων φυσικών μεταβλητών-στην πρόβλεψη του πορώδους. Το Σχήμα 4(α) δείχνει ότι οι συναρτήσεις απώλειας για όλα τα υπο-μοντέλα εντός του πλαισίου εκμάθησης συνόλου συγκλίνουν αποτελεσματικά. Τα σχήματα 4(β) και 4(γ) παρουσιάζουν συγκρίσεις μεταξύ των προβλεπόμενων και πραγματικών τιμών πορώδους για τα σετ εκπαίδευσης και δοκιμής, αντίστοιχα. Τα αποτελέσματα δείχνουν ότι το μοντέλο PIDL πέτυχε MSE 0,32 στο σετ εκπαίδευσης και 0,75 στο σετ δοκιμών, αποδεικνύοντας έτσι την ικανότητα της μεθόδου να μαθαίνει αποτελεσματικά τις πολύπλοκες μη γραμμικές σχέσεις μεταξύ φυσικών μεταβλητών και πορώδους και να επιτυγχάνει ακριβείς ποσοτικές προβλέψεις.
Το Σχήμα 5, μέσω της ανάλυσης SHAP, αποκαλύπτει την κατάταξη της σημασίας και τις τάσεις επιρροής διαφόρων φυσικών μεταβλητών στην πρόβλεψη πορώδους. Το Σχήμα 5(α) δείχνει ότι, μεταξύ όλων των επιλεγμένων φυσικών μεταβλητών, η μέγιστη καθοδική ταχύτητα εντός της ροής του υγρού μετάλλου ασκεί τη μεγαλύτερη επίδραση στο πορώδες, ακολουθούμενη από το βάθος της κλειδαρότρυπας. Το σχήμα 5(β) απεικονίζει την κατανομή των συνεισφορών από κάθε χαρακτηριστικό στα αποτελέσματα πρόβλεψης για κάθε δείγμα, όπου το κόκκινο αντιπροσωπεύει υψηλές τιμές χαρακτηριστικών και το μπλε αντιπροσωπεύει χαμηλές τιμές χαρακτηριστικών. Μια συνδυασμένη ανάλυση αποκαλύπτει ότι η μέγιστη προς τα κάτω ταχύτητα συσχετίζεται αρνητικά με το πορώδες (δηλαδή, όσο ισχυρότερη είναι η καθοδική ροή, τόσο μεγαλύτερο είναι το πορώδες), ενώ το βάθος της κλειδαρότρυπας συσχετίζεται θετικά με το πορώδες (δηλαδή, όσο πιο βαθιά είναι η κλειδαρότρυπα, τόσο μεγαλύτερο είναι το πορώδες).
