01
Paberi tutvustus
Laserkeevitus sügaval{0}}läbitungimisrežiimis kujutab endast väga paljutõotavat metallide liitmisprotsessi kaasaegses tootmises; selle kasutamist takistavad aga sageli poorsusdefektid. Arvestades, et pooride moodustumine hõlmab väga mittelineaarseid ja mitme -seotud füüsikalisi protsesse- ning läbipaistmatutes metallides on *in situ* raske jälgida,- on poorsusdefektide ja nende aluseks olevate moodustumise mehhanismide täpne ennustamine endiselt suur väljakutse. Traditsioonilised parameetrilised uuringud ja masinõppemudelid, mis põhinevad ainult töötlemata keevitusparameetritel, kannatavad üldistusvõime, sügaval{6}}asuvate pooride ennustamise täpsuse ja tõlgendatavuse osas. Selle kriitilise probleemi lahendamiseks pakub käesolev uuring välja uuendusliku füüsika{8}}teadliku süvaõppe (PIDL) raamistiku. Integreerides mehaanilise modelleerimise eksperimentaalsete andmetega, on selle raamistiku eesmärk täpselt ennustada poorsuse määra alumiiniumisulamite laserkeevitamise ajal ja selgitada selle moodustamise eest vastutavaid füüsikalisi mehhanisme.
02
**Uuringu ülevaade**
Selles uuringus käsitletakse laserkeevituse poorsuse probleemi -probleem, mis tuleneb keerulistest nähtustest, nagu võtmeaugu ebastabiilsus, sulamiskogumi dünaamika ja tahkumine,-pakkudes välja uudse ennustava raamistiku, mis integreerib mitmefüüsikalise numbrilise simulatsiooni süvaõppega. Uuring algab eksperimentaalselt valideeritud multifüüsika mudeli kasutamisega, et süstemaatiliselt eraldada võtmeaugu stabiilsuse, sulamisbasseini geomeetria, vedela metalli voolu ja termiliste omadustega seotud peamised füüsikalised muutujad. Selle vundamendi põhjal konstrueeriti PIDL-mudel; Võrreldes traditsiooniliste süvaõppe mudelitega, mida treeniti ainult protsessi parameetritel, saavutas see mudel keskmise ruudu vea (MSE) olulise 41% vähenemise. Mudeli tõlgendatavuse parandamiseks sünteesisid teadlased need füüsilised muutujad selge füüsilise tähtsusega mõõtmeteta tunnusteks (nt võtmeaugu kuvasuhe, Stokesi arv jne). Lõpuks, kasutades SHAP-i (Shapley Additive Explanations) analüüsi, näitas uuring kvantitatiivselt-esimest korda-erinevate füüsikaliste tegurite hierarhilist tähtsust poorsuse kujunemise protsessis. Tulemused näitavad, et võtmeaugu kuvasuhe ja voolutakistus, mida juhib allapoole suunatud sulavool, on kaks kõige olulisemat poorsuse moodustumise määrajat, andes seeläbi selge juhise protsessi optimeerimiseks.
03
Visuaalne analüüs
Joonis 1 illustreerib tüüpilisi pooride jaotumise pilte, mis on saadud erinevate keevitusparameetrite korral pärast töötlemist röntgenikontrolli ja kujutise tuvastamise algoritmidega. Joonis näitab, et kuna keevitusparameetrite kombinatsioon varieerub, ilmnevad olulised erinevused keevisõmbluses olevate pooride koguses, suuruses ja jaotuses; need poorsuse andmed on märgised sügava õppimise mudelite edasiseks väljaõppeks.
Joonisel 2 on esitatud selles uuringus kasutatud multifüüsikalise numbrilise mudeli skemaatiline diagramm. Lahendades massi, impulsi ja energia säilivusvõrrandid-ja kaasates kiir-jälgimisalgoritmi-, arvutab see mudel täpselt võtmeaugus oleva laserkiire mitmekordse peegelduse ja energia neeldumise. Joonis 2(a) illustreerib laserkiire diskreteerimist arvukateks alamkiirteks, millest igaüks kannab teatud kogust energiat; joonisel fig 2(b) on geomeetriliselt kujutatud laseri kiire vöökoht; ja joonis 2(c) kujutab visuaalselt keerulist protsessi, mis koosneb laseri alamkiirte peegeldumisest võtmeaugus. See mudel pakub kolmemõõtmelist, mööduvat teavet võtmeaukude morfoloogia ja sulamiskogumi vooluväljade kohta,{13}}mida on raske katseliselt hankida,{14}}mis on PIDL-mudeli koostamiseks kriitilise tähtsusega.
Joonisel 3 on kujutatud multifüüsikalise mudeli valideerimise tulemused, võrreldes eksperimentaalselt mõõdetud väärtusi mudeli ennustustega sulatise sügavuse (joonis . 3(a)) ja sulamiskogumi pikkuse (joonis . 3(b)) kohta äärmuslike protsessiparameetrite korral. Tulemused näitavad mudeli ennustuste ja katseandmete vahelist tugevat ühtsust; Täpsemalt, sulamisbasseini sügavuse prognooside suhteline viga jääb vahemikku -6,3% kuni 20,9%, samas kui sulamisbasseini pikkuse prognooside viga jääb vahemikku -16,9% kuni 20,4%. Need valideerimistulemused kinnitavad loodud multifüüsika mudeli suurt täpsust, näidates selle võimet pakkuda usaldusväärseid füüsilisi muutuvaid andmeid järgnevate süvaõppe mudelite jaoks.
Joonis 4 illustreerib PIDL-i mudeli -jõudlust, mida on treenitud otseste füüsiliste muutujate andmestikuga-poorsuse ennustamisel. Joonis 4(a) näitab, et kõigi ansambliõppe raamistiku alam{5}}mudelite kadufunktsioonid ühtlustuvad tõhusalt. Joonistel 4(b) ja 4(c) on toodud mudeli prognoositud poorsuse ja tegeliku poorsuse võrdlused vastavalt treening- ja testikomplektidel. Tulemused näitavad, et PIDL-i mudel saavutas treeningkomplektis MSE 0,32 ja testikomplektis 0,75, näidates sellega meetodi võimet tõhusalt õppida keerulisi mittelineaarseid seoseid füüsikaliste muutujate ja poorsuse vahel ning saavutada suhteliselt täpseid kvantitatiivseid ennustusi.
04
Järeldus
Lahendades väljakutseid, mis on seotud raskesti--prognoositava olemusega ja raskesti--kvantifitseerida poorsusdefektide põhjuseid lasersügavkeevituses, pakuti välja ja valideeriti uudne füüsika-informeeritud süvaõppe (PIDL) ennustusmeetod. Selles uuringus koostati andmekogum, valides füüsikalised muutujad mitme-füüsikavälja mudelist, mis hõlmas nelja peamist kategooriat: termodünaamilised tegurid, vedela metalli vool, võtmeauguga seotud tegurid ja sulamisbasseini geomeetria. Katsetulemused näitasid, et võrreldes traditsiooniliste süvaõppe mudelitega, mis põhinevad ainult protsessi parameetritel, saavutas kavandatud PIDL-mudel prognoositava keskmise ruudu vea (MSE) märkimisväärse 41% vähenemise. Tehti kindlaks, et maksimaalne allavoolu kiirus ja võtmeaugu sügavus on kaks kõige kriitilisemat füüsikalist muutujat, mis reguleerivad poorsuse teket; Lisaks on mõlemal monotoonne korrelatsioon poorsuse tasemetega, samas kui tahkestumise aja ja sulamiskogumi suuruse panus on suhteliselt väike ja mitte{12}}monotoonne. Kasutades funktsioonide liitmise tehnikaid, et muuta füüsikalised muutujad mõõtmeteta funktsioonideks, -mis kirjeldavad tõhusalt mullide moodustumist, liikumist ja kinnijäämist{15}}, ei vähendanud uuring mitte ainult funktsioonide mõõtmeid, vaid säilitas ka olulise ennustustäpsuse, andes mudelile selgema füüsilise tõlgendatavuse ja parema statistilise stabiilsuse. SHAP-i tõlgendatavuse analüüsi põhjal tehti selgesõnaliselt kindlaks, et võtmeaugu kuvasuhtel on tugev positiivne korrelatsioon poorsuse tasemetega, toimides seega tõhusa näitajana poorsuse tekke kalduvuse otseseks hindamiseks; samaaegselt leiti, et allapoole suunatud voolu takistusjõud,{17}}mida iseloomustab Stokesi arv{18}}, avaldas samuti olulist mõju poorsuse kujunemisele.
