Ласерско заваривање у режиму дубоког{0}}продирања представља веома обећавајући процес спајања метала у савременој производњи; међутим, његову примену често омета појава дефеката порозности. С обзиром на то да формирање пора укључује веома нелинеарне и више{2}}спојене физичке процесе-и да је тешко пратити *ин ситу* унутар непрозирних метала-, прецизно предвиђање дефекта порозности и механизама њиховог формирања у основи остаје велики изазов. Традиционалне параметарске студије и модели машинског учења засновани искључиво на сировим параметрима заваривања пате од ограничења у погледу способности генерализације, тачности у предвиђању дубоке-порозности и интерпретабилности. Да би се решио овај критични проблем, ова студија предлаже иновативни оквир за физику-Информисаног дубоког учења (ПИДЛ) који интегрише механичко моделирање са експерименталним подацима, са циљем да се прецизно предвиде нивои порозности током ласерског заваривања легура алуминијума и да се разјасне основни физички механизми одговорни за њихово формирање.
Бавећи се питањем порозности код ласерског заваривања-феномена изазваног сложеним процесима као што су нестабилност кључаонице, динамика базена растопа и очвршћавање-ова студија предлаже нови оквир за предвиђање који интегрише мултифизичку нумеричку симулацију са дубоким учењем. Истраживање почиње систематским издвајањем кључних физичких варијабли-које се односе на стабилност кључаонице, геометрију базена талине, проток течног метала и термичке карактеристике-користећи мултифизички модел потврђен експерименталним подацима. На основу ове основе, развијени ПИДЛ модел је постигао 41% смањење средње квадратне грешке (МСЕ) у поређењу са традиционалним моделима дубоког учења који су обучени искључиво на параметрима процеса. Да би побољшали интерпретабилност модела, истраживачи су синтетизовали ове физичке варијабле у бездимензионалне карактеристике са јасним физичким значајем (нпр. однос ширине и висине кључаонице, Стоксов број). Коначно, користећи СХАП (Схаплеи Аддитиве Екпланатионс) анализу, студија је квантитативно утврдила-по први пут-хијерархијски значај различитих физичких фактора у процесу формирања порозности; конкретно, идентификовао је однос ширине и висине отвора за кључаоницу и отпор протока изазван силазним током растапања као две најкритичније детерминанте формирања порозности, пружајући тако јасне смернице за оптимизацију процеса.
Слика 1 илуструје типичне слике расподеле порозности добијене под различитим параметрима заваривања, након обраде помоћу Кс-инспекције и алгоритама за препознавање слике. Слика показује да како комбинација параметара заваривања варира, појављују се значајне разлике у количини, величини и дистрибуцији пора унутар заварених шавова; ови подаци о порозности служе као ознаке за накнадну обуку модела дубоког учења.
Слика 2 представља шематски дијаграм мултифизичког нумеричког модела коришћеног у овој студији. Решавањем једначина очувања за масу, импулс и енергију-и уградњом-алгоритма за праћење зрака-овај модел прецизно израчунава вишеструку рефлексију и апсорпцију енергије ласерског зрака унутар кључаонице. Слика 2(а) илуструје дискретизацију ласерског зрака на бројне под-зраке, од којих сваки носи одређену количину енергије; Слика 2(б) геометријски приказује струк снопа ласера; а Слика 2(ц) визуелно приказује сложени процес вишеструких рефлексија које пролазе ласерски под-зраци унутар кључаонице. Овај модел пружа тродимензионалне, пролазне информације у вези са морфологијом кључаонице и пољима тока у базену талине{13}}податке које је тешко добити експериментално-и тиме пружа критичне улазне карактеристике за конструкцију ПИДЛ модела.
На слици 3 су приказани резултати валидације мултифизичког модела, упоређујући експериментално измерене вредности са предвиђањима модела за дубину базена растопа (Слика. 3(а)) и дужину базена растопљене (Слика. 3(б)) под екстремним параметрима процеса. Резултати показују снажну сагласност између предвиђања модела и експерименталних података; конкретно, релативна грешка за предвиђање дубине базена талине је у опсегу од -6,3% до 20,9%, док се грешка за предвиђање дужине базена растопљене креће од -16,9% до 20,4%. Ови резултати валидације потврђују високу тачност успостављеног мултифизичког модела, показујући његову способност да обезбеди поуздане податке о физичким варијаблама за наредне моделе дубоког учења.
Слика 4 илуструје перформансе ПИДЛ модела-обученог коришћењем скупа података директних физичких варијабли-у предвиђању порозности. Слика 4(а) показује да се функције губитка за све под-моделе унутар оквира учења ансамбла ефикасно конвергирају. Слике 4(б) и 4(ц) представљају поређења између предвиђених и стварних вредности порозности за сетове за обуку и тестове, респективно. Резултати показују да је ПИДЛ модел постигао МСЕ од 0,32 на скупу за обуку и 0,75 на скупу за тестирање, чиме је демонстрирао способност методе да ефикасно научи сложене нелинеарне односе између физичких варијабли и порозности и да постигне тачна квантитативна предвиђања.
Слика 5, кроз СХАП анализу, открива рангирање по важности и трендове утицаја различитих физичких варијабли на предвиђање порозности. Слика 5(а) показује да, међу свим одабраним физичким варијаблама, максимална силазна брзина унутар тока течног метала има највећи утицај на порозност, праћена дубином кључаонице. Слика 5(б) илуструје дистрибуцију доприноса сваке карактеристике резултатима предвиђања за сваки узорак, при чему црвена представља високе вредности карактеристика, а плава представља ниске вредности карактеристика. Комбинована анализа открива да је максимална брзина надоле у негативној корелацији са порозношћу (тј. што је јачи ток наниже, то је већа порозност), док је дубина кључаонице у позитивној корелацији са порозношћу (тј. што је дубља кључаоница, већа је порозност).
