Lāzermetināšana dziļās{0}}iesiešanās režīmā ir ļoti daudzsološs metālu savienošanas process mūsdienu ražošanā; tomēr tās pielietošanu bieži kavē porainības defektu rašanās. Ņemot vērā, ka poru veidošanās ir saistīta ar ļoti nelineāriem un daudzpusīgiem{2}}saistītiem fizikāliem procesiem-un to ir grūti uzraudzīt *in situ* necaurspīdīgos metālos-, joprojām ir milzīgs izaicinājums paredzēt porainības defektus un to pamatā esošos veidošanās mehānismus. Tradicionālie parametru pētījumi un mašīnmācīšanās modeļi, kuru pamatā ir tikai neapstrādāti metināšanas parametri, cieš no ierobežojumiem attiecībā uz vispārināšanas spēju, precizitāti, paredzot dziļu -porainību, un interpretējamību. Lai risinātu šo kritisko problēmu, šajā pētījumā tiek piedāvāts novatorisks fizikas{8}}informētas dziļās mācīšanās (PIDL) ietvars, kas integrē mehānisko modelēšanu ar eksperimentāliem datiem, lai precīzi paredzētu porainības līmeni alumīnija sakausējumu lāzermetināšanas laikā un noskaidrotu pamatā esošos fiziskos mehānismus, kas ir atbildīgi par to veidošanos.
Pievēršoties porainības problēmai lāzermetināšanā-par fenomenu, ko izraisa sarežģīti procesi, piemēram, atslēgas cauruma nestabilitāte, kausējuma baseina dinamika un sacietēšana-, šajā pētījumā tiek piedāvāta jauna prognozēšanas sistēma, kas integrē daudzfizikas skaitlisko simulāciju ar dziļu mācīšanos. Pētījums sākas, sistemātiski iegūstot galvenos fiziskos mainīgos -kas attiecas uz atslēgas cauruma stabilitāti, kausējuma baseina ģeometriju, šķidrā metāla plūsmu un termiskajiem raksturlielumiem-, izmantojot daudzfizikas modeli, kas apstiprināts ar eksperimentāliem datiem. Pamatojoties uz šo pamatu, izstrādātais PIDL modelis panāca 41% samazinājumu vidējā kvadrātā (MSE), salīdzinot ar tradicionālajiem dziļās mācīšanās modeļiem, kas apmācīti tikai uz procesa parametriem. Lai uzlabotu modeļa interpretējamību, pētnieki sintezēja šos fiziskos mainīgos bezdimensiju pazīmēs ar skaidru fizisko nozīmi (piemēram, atslēgas cauruma malu attiecība, Stoksa skaitlis). Visbeidzot, izmantojot SHAP (Shapley Additive Explanations) analīzi, pētījums kvantitatīvi-pirmo reizi-konstatēja dažādu fizisko faktoru hierarhisko nozīmi porainības veidošanās procesā; Konkrēti, tas noteica atslēgas cauruma malu attiecību un plūsmas pretestību, ko nosaka lejupvērsta kausējuma plūsma, kā divi vissvarīgākie porainības veidošanās noteicošie faktori, tādējādi sniedzot skaidrus norādījumus procesa optimizēšanai.
1. attēlā ir parādīti tipiski porainības sadalījuma attēli, kas iegūti pie dažādiem metināšanas parametriem pēc apstrādes, izmantojot rentgena pārbaudes un attēla atpazīšanas algoritmus. Attēlā parādīts, ka, mainoties metināšanas parametru kombinācijai, rodas būtiskas atšķirības poru daudzumā, izmērā un sadalījumā metināšanas šuvēs; šie porainības dati kalpo kā etiķetes turpmākai dziļās mācīšanās modeļu apmācībai.
2. attēlā ir parādīta šajā pētījumā izmantotā daudzfizikas skaitliskā modeļa shematiska diagramma. Atrisinot masas, impulsa un enerģijas saglabāšanas vienādojumus-un iekļaujot staru-izsekošanas algoritmu-, šis modelis precīzi aprēķina daudzkārtējos lāzera stara atstarojumus un enerģijas absorbciju atslēgas caurumā. 2. attēls (a) parāda lāzera stara diskretizāciju daudzos apakš-staros, no kuriem katrs nes noteiktu enerģijas daudzumu; 2(b) attēlā ģeometriski attēlots lāzera stara viduklis; un 2. attēlā (c) ir vizuāli attēlots sarežģīts vairāku atstarošanās process, ko veic lāzera apakšstaru{10}}atslēgas caurumā. Šis modelis nodrošina trīsdimensiju, pārejošu informāciju par atslēgas caurumu morfoloģiju un kausējuma baseina plūsmas laukiem,{13}}datus, kurus ir grūti iegūt eksperimentāli,{14}}tādējādi sniedzot PIDL modeļa izveidei svarīgas ievades funkcijas.
3. attēlā ir parādīti daudzfizikas modeļa validācijas rezultāti, salīdzinot eksperimentāli izmērītās vērtības ar modeļa prognozēm kausējuma baseina dziļumam (. 3(a)) un kausējuma baseina garumam (attēls. 3(b)) ekstremālos procesa parametros. Rezultāti parāda spēcīgu sakritību starp modeļa prognozēm un eksperimentālajiem datiem; konkrēti, relatīvā kļūda kausējuma baseina dziļuma prognozēm ir diapazonā no -6,3% līdz 20,9%, bet kļūda kausējuma baseina garuma prognozēm ir no -16,9% līdz 20,4%. Šie validācijas rezultāti apstiprina izveidotā daudzfizikas modeļa augsto precizitāti, parādot tā spēju nodrošināt uzticamus fiziskos mainīgos datus turpmākajiem dziļās mācīšanās modeļiem.
4. attēls parāda PIDL modeļa veiktspēju,{1}}kurā izmantota tiešo fizisko mainīgo datu kopa{2}}porainības prognozēšanā. 4. attēls (a) parāda, ka zaudēšanas funkcijas visiem apakšmodeļiem ansambļa apmācības sistēmā efektīvi saplūst. Attēlā 4 (b) un 4 (c) ir parādīti salīdzinājumi starp prognozētajām un faktiskajām porainības vērtībām attiecīgi apmācības un testa komplektiem. Rezultāti liecina, ka PIDL modelis sasniedza MSE 0,32 treniņu komplektā un 0,75 testa komplektā, tādējādi demonstrējot metodes spēju efektīvi apgūt sarežģītās nelineārās attiecības starp fiziskajiem mainīgajiem un porainību un sasniegt precīzas kvantitatīvās prognozes.
5. attēlā, izmantojot SHAP analīzi, ir parādīts dažādu fizisko mainīgo lielumu svarīguma rangs un ietekmes tendences uz porainības prognozēšanu. Attēlā 5 (a) ir norādīts, ka starp visiem atlasītajiem fiziskajiem mainīgajiem lielākais ātrums uz leju šķidrā metāla plūsmā visvairāk ietekmē porainību, kam seko atslēgas cauruma dziļums. Attēlā 5(b) ir parādīts katra objekta ieguldījuma sadalījums katra parauga prognozēšanas rezultātos, kur sarkanā krāsa apzīmē augstas objektu vērtības un zilā ir zemas objektu vērtības. Kombinētā analīze atklāj, ka maksimālais lejupejošais ātrums ir negatīvi korelēts ar porainību (ti, jo spēcīgāka lejupejošā plūsma, jo lielāka porainība), savukārt atslēgas cauruma dziļums ir pozitīvi korelēts ar porainību (ti, jo dziļāks atslēgas caurums, jo lielāka porainība).
