Lasersko zavarivanje u načinu duboko-produkcije predstavlja vrlo obećavajući proces spajanja metala u modernoj proizvodnji; međutim, njegova primjena je često otežana pojavom defekata poroznosti. S obzirom da formiranje pora uključuje vrlo nelinearne i više-spojene fizičke procese-i da je teško pratiti *in situ* unutar neprozirnih metala-precizno predviđanje defekta poroznosti i mehanizama njihovog formiranja u osnovi ostaje veliki izazov. Tradicionalne parametarske studije i modeli mašinskog učenja zasnovani isključivo na sirovim parametrima zavarivanja pate od ograničenja u pogledu sposobnosti generalizacije, preciznosti u predviđanju duboke-poroznosti i interpretabilnosti. Kako bi se riješio ovaj kritični problem, ova studija predlaže inovativni Physics-Informirani okvir dubokog učenja (PIDL) koji integrira mehaničko modeliranje s eksperimentalnim podacima, s ciljem preciznog predviđanja nivoa poroznosti tokom laserskog zavarivanja aluminijskih legura i razjašnjavanja osnovnih fizičkih mehanizama odgovornih za njihovo formiranje.
Baveći se problemom poroznosti kod laserskog zavarivanja-fenomena potaknutog složenim procesima kao što su nestabilnost ključaonice, dinamika bazena taline i očvršćavanje-ova studija predlaže novi okvir za predviđanje koji integriše multifizičku numeričku simulaciju sa dubokim učenjem. Istraživanje počinje sistematskim izdvajanjem ključnih fizičkih varijabli-koje se odnose na stabilnost ključaonice, geometriju bazena taline, protok tečnog metala i termičke karakteristike-koristeći multifizički model potvrđen eksperimentalnim podacima. Na osnovu ove osnove, razvijeni PIDL model postigao je 41% smanjenje srednje kvadratne greške (MSE) u poređenju sa tradicionalnim modelima dubokog učenja koji su obučeni isključivo na parametrima procesa. Da bi poboljšali interpretabilnost modela, istraživači su sintetizirali ove fizičke varijable u bezdimenzionalne karakteristike sa jasnim fizičkim značajem (npr. omjer stranica ključaonice, Stokesov broj). Konačno, koristeći SHAP (Shapley Additive Explanations) analizu, studija je kvantitativno utvrdila-po prvi put-hijerarhijski značaj različitih fizičkih faktora u procesu formiranja poroznosti; konkretno, identifikovao je omjer širine otvora ključaonice i otpor protoka uzrokovan silaznim tokom taline kao dvije najkritičnije determinante formiranja poroznosti, pružajući tako jasne smjernice za optimizaciju procesa.
Slika 1 ilustruje tipične slike raspodjele poroznosti dobivene pod različitim parametrima zavarivanja, nakon obrade X-inspekcijom i algoritmima za prepoznavanje slike. Slika pokazuje da kako kombinacija parametara zavarivanja varira, pojavljuju se značajne razlike u količini, veličini i distribuciji pora unutar zavarenih šavova; ovi podaci o poroznosti služe kao oznake za kasniju obuku modela dubokog učenja.
Slika 2 predstavlja šematski dijagram multifizičkog numeričkog modela korištenog u ovoj studiji. Rješavanjem jednadžbi očuvanja za masu, impuls i energiju-i ugrađivanjem-algoritma za praćenje zraka-ovaj model precizno izračunava višestruke refleksije i apsorpciju energije laserskog zraka unutar ključaonice. Slika 2(a) ilustruje diskretizaciju laserskog snopa u brojne pod-zrake, od kojih svaki nosi određenu količinu energije; Slika 2(b) geometrijski prikazuje struk snopa lasera; i Slika 2(c) vizuelno prikazuje složeni proces višestrukih refleksija koje prolaze laserski pod-zraci unutar ključaonice. Ovaj model pruža trodimenzionalne, prolazne informacije o morfologiji ključaonice i poljima toka u bazenu taline{13}}podatke koje je teško dobiti eksperimentalno-i time pruža kritične ulazne karakteristike za konstrukciju PIDL modela.
Na slici 3 prikazani su rezultati validacije multifizičkog modela, upoređujući eksperimentalno izmjerene vrijednosti sa modelskim predviđanjima za dubinu bazena taline (Slika. 3(a)) i dužinu bazena taline (Slika. 3(b)) pod ekstremnim parametrima procesa. Rezultati pokazuju snažno slaganje između predviđanja modela i eksperimentalnih podataka; konkretno, relativna greška za predviđanje dubine bazena taline je u rasponu od -6,3% do 20,9%, dok se greška za predviđanje dužine bazena taline kreće od -16,9% do 20,4%. Ovi rezultati validacije potvrđuju visoku tačnost uspostavljenog multifizičkog modela, pokazujući njegovu sposobnost da pruži pouzdane fizičke varijabilne podatke za kasnije modele dubokog učenja.
Slika 4 ilustruje performanse PIDL modela-obučenog korištenjem skupa podataka direktnih fizičkih varijabli-u predviđanju poroznosti. Slika 4(a) pokazuje da se funkcije gubitka za sve pod-modele unutar okvira učenja ansambla efikasno konvergiraju. Slike 4(b) i 4(c) prikazuju poređenja između predviđenih i stvarnih vrijednosti poroznosti za setove za obuku i testove, respektivno. Rezultati pokazuju da je PIDL model postigao MSE od 0,32 na setu za obuku i 0,75 na testnom skupu, čime je demonstrirao sposobnost metode da efikasno nauči složene nelinearne odnose između fizičkih varijabli i poroznosti i da postigne tačna kvantitativna predviđanja.
Slika 5, kroz SHAP analizu, otkriva rangiranje važnosti i trendove utjecaja različitih fizičkih varijabli na predviđanje poroznosti. Slika 5(a) pokazuje da, među svim odabranim fizičkim varijablama, maksimalna silazna brzina unutar toka tekućeg metala ima najveći utjecaj na poroznost, nakon čega slijedi dubina ključaonice. Slika 5(b) ilustruje distribuciju doprinosa svake karakteristike rezultatima predviđanja za svaki uzorak, pri čemu crvena predstavlja visoke vrijednosti karakteristika, a plava predstavlja niske vrijednosti karakteristika. Kombinovana analiza otkriva da je maksimalna brzina naniže u negativnoj korelaciji sa poroznošću (tj. što je jači protok naniže, to je veća poroznost), dok je dubina ključaonice u pozitivnoj korelaciji sa poroznošću (tj. što je dublja ključaonica, veća je poroznost).
