01
Introducere hârtie
Sudarea cu laser în modul de-penetrare adâncă reprezintă un proces de îmbinare a metalelor foarte promițător în producția modernă; cu toate acestea, aplicarea sa este frecvent împiedicată de apariția defectelor de porozitate. Având în vedere că formarea porilor implică procese fizice extrem de neliniare și multi-cuplate-și este dificil de monitorizat *in situ* în metalele opace-predicerea cu precizie a defectelor de porozitate și a mecanismelor de formare ale acestora rămâne o provocare formidabilă. Studiile parametrice tradiționale și modelele de învățare automată bazate exclusiv pe parametrii bruti de sudare suferă de limitări în ceea ce privește capacitatea de generalizare, precizia în prezicerea porilor adânci-și interpretabilitate. Pentru a aborda această problemă critică, prezentul studiu propune un cadru inovator de fizică-Informed Deep Learning (PIDL). Prin integrarea modelării mecanice cu datele experimentale, acest cadru își propune să prezică cu precizie rata porozității în timpul sudării cu laser a aliajelor de aluminiu și să elucideze cauzele fizice care stau la baza formării acesteia.
02
**Prezentare generală a studiului**
Acest studiu abordează problema porozității în sudarea cu laser-o problemă care decurge din fenomene complexe, cum ar fi instabilitatea găurii de cheie, dinamica bazinului de topire și solidificarea-prin propunerea unui nou cadru predictiv care integrează simularea numerică multifizică cu învățarea profundă. Cercetarea începe prin utilizarea unui model multifizic validat experimental pentru a extrage sistematic variabilele fizice cheie asociate cu stabilitatea găurii cheii, geometria bazinului de topire, fluxul de metal lichid și caracteristicile termice. Pe baza acestui fundament a fost construit un model PIDL; comparativ cu modelele tradiționale de învățare profundă instruite exclusiv pe parametrii procesului, acest model a obținut o reducere substanțială cu 41% a erorii pătrate medii (MSE). Pentru a îmbunătăți interpretabilitatea modelului, cercetătorii au sintetizat aceste variabile fizice în caracteristici adimensionale cu o semnificație fizică clară (de exemplu, raportul de aspect al găurii cheii, numărul Stokes etc.). În cele din urmă, utilizând analiza SHAP (Shapley Additive Explanations), studiul a dezvăluit cantitativ-pentru prima dată-importanța ierarhică a diferiților factori fizici în procesul de formare a porozității. Descoperirile identifică raportul de aspect al găurii de cheie și rezistența la curgere determinată de curgerea în jos a topiturii ca fiind cei mai importanți doi factori determinanți ai formării porozității, oferind astfel îndrumări clare pentru optimizarea procesului.
03
Analiza vizuală
Figura 1 ilustrează imagini tipice de distribuție a porilor obținute în funcție de diferiți parametri de sudare, în urma procesării prin inspecție cu raze X-algoritmi de recunoaștere a imaginii. Figura demonstrează că, pe măsură ce combinația parametrilor de sudare variază, apar diferențe semnificative în ceea ce privește cantitatea, dimensiunea și distribuția porilor în cordonul de sudură; aceste date de porozitate servesc drept etichete pentru formarea ulterioară a modelelor de învățare profundă.
Figura 2 prezintă o diagramă schematică a modelului numeric multifizic utilizat în acest studiu. Rezolvând ecuațiile de conservare pentru masă, impuls și energie-și încorporând un algoritm de-de urmărire a razei-acest model calculează cu precizie reflexiile multiple și absorbția de energie a fasciculului laser în gaura cheii. Figura 2(a) ilustrează discretizarea fasciculului laser în numeroase sub-raze, fiecare purtând o anumită cantitate de energie; Figura 2(b) ilustrează geometric talia fasciculului laserului; și Figura 2(c) redă vizual procesul complex de reflexii multiple suferit de subrazele laser în interiorul găurii cheii. Acest model oferă informații tridimensionale, tranzitorii, cu privire la morfologia găurii de cheie și datele câmpurilor de curgere a bazinului de topire-care sunt dificil de obținut experimental-, furnizând astfel caracteristici de intrare critice pentru construirea modelului PIDL.
Figura 3 prezintă rezultatele validării modelului multifizic, comparând valorile măsurate experimental cu predicțiile modelului pentru adâncimea bazinului de topire (Fig. 3(a)) și lungimea bazinului de topire (Fig {. 3(b)) sub parametri extremi ai procesului. Rezultatele demonstrează un acord puternic între predicțiile modelului și datele experimentale; în mod specific, eroarea relativă pentru predicțiile de adâncime a bazinului de topire se încadrează în intervalul de la -6,3% la 20,9%, în timp ce eroarea pentru predicțiile privind lungimea bazinului de topire variază de la -16,9% la 20,4%. Aceste rezultate de validare confirmă acuratețea ridicată a modelului multifizic stabilit, demonstrând capacitatea acestuia de a furniza date variabile fizice fiabile pentru modelele ulterioare de învățare profundă.
