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 parameetriuuringud ja masinõppemudelid, mis põhinevad ainult töötlemata keevitusparameetritel, kannatavad üldistusvõime, sügava poorsuse ennustamise täpsuse ja tõlgendatavuse osas. Selle kriitilise probleemi lahendamiseks pakutakse selles uuringus välja uuenduslik füüsika{8}}teadliku süvaõppe (PIDL) raamistik, mis integreerib mehhaanilise modelleerimise eksperimentaalsete andmetega, eesmärgiga ennustada täpselt poorsuse taset alumiiniumisulamite laserkeevitamise ajal ja selgitada välja nende tekke eest vastutavad füüsikalised mehhanismid.
Käsitledes laserkeevituse poorsuse probleemi-nähtust, mis on tingitud keerukatest protsessidest, nagu võtmeaugu ebastabiilsus, sulamiskogumi dünaamika ja tahkumine,-selles uuringus pakutakse välja uudne ennustav raamistik, mis integreerib mitmefüüsikalise numbrilise simulatsiooni süvaõppega. Uurimistöö algab süstemaatiliselt võtmeaukude stabiilsuse, sulamisbasseini geomeetria, vedela metalli voolu ja termiliste omadustega seotud füüsikaliste muutujate süstemaatilise ekstraheerimisega-, kasutades katseandmetega kinnitatud multifüüsikalist mudelit. Sellele alusele tuginedes saavutas väljatöötatud PIDL-mudel keskmise ruutvea (MSE) vähenemise 41% võrreldes traditsiooniliste süvaõppe mudelitega, mida treeniti ainult protsessi parameetritel. Mudeli tõlgendatavuse parandamiseks sünteesisid teadlased need füüsilised muutujad mõõtmeteta tunnusteks, millel oli selge füüsiline tähendus (nt võtmeaugu kuvasuhe, Stokesi arv). Lõpuks, kasutades SHAP-i (Shapley Additive Explanations) analüüsi, tuvastas uuring{11}}esmakordselt{12}}erinevate füüsikaliste tegurite hierarhilise tähtsuse poorsuse kujunemise protsessis. Täpsemalt määratles see võtmeaugu kuvasuhte ja allapoole suunatud sulavoolust tingitud voolutakistuse kui kaks kõige kriitilisemat poorsuse moodustumise määrajat, andes seeläbi selge juhise protsessi optimeerimiseks.
Joonis 1 illustreerib tüüpilisi poorsuse jaotuse pilte, mis on saadud erinevate keevitusparameetrite korral pärast töötlemist röntgenikontrolli ja kujutise tuvastamise algoritmidega. Joonis näitab, et kuna keevitusparameetrite kombinatsioon varieerub, ilmnevad olulised erinevused keevisõmblustes 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 võrreldud vastavalt treening- ja testikomplektide prognoositud ja tegelikke poorsuse väärtusi. 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 täpseid kvantitatiivseid ennustusi.
Joonis 5 näitab SHAP-analüüsi kaudu erinevate füüsikaliste muutujate tähtsuse järjestust ja mõjutrende poorsuse prognoosile. Joonis 5 (a) näitab, et kõigi valitud füüsikaliste muutujate hulgas mõjutab poorsust kõige rohkem vedela metalli voolu maksimaalne allapoole suunatud kiirus, millele järgneb võtmeaugu sügavus. Joonis 5 (b) illustreerib iga tunnuse panuse jaotust iga proovi ennustustulemustesse, kus punane tähistab kõrgeid tunnuste väärtusi ja sinine tähistab madalaid funktsiooni väärtusi. Kombineeritud analüüs näitab, et maksimaalne allapoole suunatud kiirus on poorsusega negatiivses korrelatsioonis (st mida tugevam on allavoolu vool, seda suurem on poorsus), samas kui võtmeaugu sügavus on poorsusega positiivses korrelatsioonis (st mida sügavam on võtmeauk, seda suurem on poorsus).
