01
Папір Вступ
Лазерне зварювання в режимі глибокого-провару є дуже перспективним процесом з’єднання металів у сучасному виробництві; однак його застосування часто ускладнюється появою дефектів пористості. З огляду на те, що утворення пор передбачає дуже нелінійні та багато{2}}зв’язані фізичні процеси-і його важко контролювати *in situ* в непрозорих металах-точне прогнозування дефектів пористості та механізмів їхнього утворення залишається серйозною проблемою. Традиційні параметричні дослідження та моделі машинного навчання, які базуються виключно на необроблених параметрах зварювання, страждають від обмежень щодо можливості узагальнення, точності прогнозування глибоких -пір та можливості інтерпретації. Вирішуючи цю критичну проблему, у цьому дослідженні запропоновано інноваційну структуру-інформованого глибокого навчання фізики (PIDL). Завдяки інтеграції механістичного моделювання з експериментальними даними, ця структура має на меті точно передбачити ступінь пористості під час лазерного зварювання алюмінієвих сплавів і з’ясувати основні фізичні механізми, відповідальні за її утворення.
02
**Огляд дослідження**
У цьому дослідженні розглядається проблема пористості під час лазерного зварювання-проблема, що виникає через такі складні явища, як нестабільність у замковій щілині, динаміка ванни розплаву та затвердіння-, пропонуючи нову систему прогнозування, яка об’єднує мультифізичне чисельне моделювання з глибоким навчанням. Дослідження починається з використання експериментально підтвердженої мультифізичної моделі для систематичного вилучення ключових фізичних змінних, пов’язаних із стабільністю замкової щілини, геометрією басейну розплаву, потоком рідкого металу та тепловими характеристиками. На основі цієї основи була побудована модель PIDL; порівняно з традиційними моделями глибокого навчання, які тренуються виключно на параметрах процесу, ця модель досягла значного зниження на 41% середньої квадратичної помилки (MSE). Щоб покращити інтерпретацію моделі, дослідники синтезували ці фізичні змінні в безрозмірні характеристики з чітким фізичним значенням (наприклад, співвідношення сторін замкової щілини, число Стокса тощо). Нарешті, використовуючи аналіз SHAP (Shapley Additive Explanations), дослідження вперше кількісно виявило--ієрархічну важливість різних фізичних факторів у процесі утворення пористості. Отримані результати визначають співвідношення розмірів замкової щілини та опір потоку, викликаний низхідним потоком розплаву, як два найважливіші детермінанти утворення пористості, таким чином надаючи чіткі вказівки щодо оптимізації процесу.
03
Візуальний аналіз
На малюнку 1 показано типові зображення розподілу пор, отримані за різних параметрів зварювання після обробки за допомогою рентгенівського -перегляду та алгоритмів розпізнавання зображень. На малюнку показано, що коли комбінація параметрів зварювання змінюється, виникають значні відмінності в кількості, розмірі та розподілі пор у зварному шві; ці дані про пористість служать мітками для подальшого навчання моделей глибокого навчання.
На рисунку 2 представлено схематичну діаграму мультифізичної числової моделі, використаної в цьому дослідженні. Розв’язуючи рівняння збереження маси, імпульсу та енергії-і використовуючи-алгоритм трасування променів-ця модель точно розраховує численні відбиття та поглинання енергії лазерного променя в замковій щілині. Рисунок 2(a) ілюструє дискретизацію лазерного променя на численні під-промені, кожен з яких несе певну кількість енергії; Фігура 2(b) геометрично зображує перетяжку променя лазера; а на малюнку 2(c) візуально зображено складний процес багаторазового відбивання лазерних під-променів у замковій щілині. Ця модель надає тривимірну тимчасову інформацію щодо морфології замкової щілини та полів течії басейну розплаву-, які важко отримати експериментально,-забезпечуючи критичні вхідні характеристики для побудови моделі PIDL.
На рисунку 3 представлено результати перевірки мультифізичної моделі, порівнюючи експериментально виміряні значення з прогнозами моделі для глибини басейну розплаву (рис.. 3(a)) і довжини басейну розплаву (рис.. 3(b)) за екстремальних параметрів процесу. Результати демонструють сильну узгодженість між прогнозами моделі та експериментальними даними; зокрема, відносна похибка для прогнозування глибини басейну розплаву знаходиться в діапазоні від -6,3% до 20,9%, тоді як похибка для прогнозування довжини басейну розплаву коливається від -16,9% до 20,4%. Ці результати перевірки підтверджують високу точність створеної мультифізичної моделі, демонструючи її здатність надавати надійні фізичні змінні дані для наступних моделей глибокого навчання.
На малюнку 4 показано ефективність моделі PIDL,-навченої за допомогою набору даних прямих фізичних змінних-для прогнозування пористості. На малюнку 4(a) показано, що функції втрат для всіх під-моделей у структурі ансамблевого навчання ефективно збігаються. На рисунках 4(b) і 4(c) представлено порівняння між прогнозованою моделлю пористістю та фактичною пористістю на тренувальних і тестових наборах відповідно. Результати показують, що модель PIDL досягла MSE 0,32 на тренувальному наборі та 0,75 на тестовому наборі, тим самим демонструючи здатність методу ефективно вивчати складні нелінійні зв’язки між фізичними змінними та пористістю, а також досягати відносно точних кількісних прогнозів.
04
Висновок
Для вирішення проблем, пов’язаних із важко{0}}{1}}прогнозованою природою та важко{2}}{3}}кількісно визначеними причинами дефектів пористості під час лазерного зварювання глибоким{4}}проникненням, було запропоновано та підтверджено новий метод прогнозування-на основі фізики (PIDL). У цьому дослідженні було створено набір даних шляхом вибору фізичних змінних із багато-моделі фізичного поля, що охоплює чотири основні категорії: термодинамічні фактори, потік рідкого металу, фактори, пов’язані{-з замковою щілиною, і геометрія ванни розплаву. Експериментальні результати продемонстрували, що порівняно з традиційними моделями глибокого навчання, заснованими виключно на параметрах процесу, запропонована модель PIDL досягла значного зниження на 41% середньоквадратичної помилки прогнозування (MSE). Було визначено, що максимальна швидкість низхідного потоку та глибина замкової щілини є двома найважливішими фізичними змінними, що визначають формування пористості; крім того, обидва виявляють монотонну кореляцію з рівнями пористості, тоді як внески часу затвердіння та розміру басейну розплаву є відносно незначними та не-монотонними. Застосовуючи методи злиття ознак для перетворення фізичних змінних у безрозмірні особливості-, які ефективно описують утворення, рух і захоплення бульбашок-дослідження не лише зменшило розмірність ознак, але й зберегло значну точність прогнозування, надавши моделі чіткішу фізичну інтерпретацію та підвищену статистичну стабільність. На основі аналізу інтерпретації SHAP було чітко встановлено, що співвідношення розмірів замкової щілини демонструє сильну позитивну кореляцію з рівнями пористості, таким чином слугуючи ефективним показником для прямої оцінки схильності до утворення пористості; водночас було виявлено, що сила опору низхідного потоку-, що характеризується числом Стокса-, також справляє значний вплив на формування пористості.
