موسسه فدرال تحقیقات و آزمایش مواد (BAM)|پیش‌بینی و بررسی مکانیسم تشکیل تخلخل در جوشکاری لیزری: یک چارچوب یادگیری عمیق فیزیک{0}}

01

معرفی مقاله

جوشکاری لیزری در حالت نفوذ عمیق یک فرآیند اتصال فلزی بسیار امیدوارکننده را در تولید مدرن نشان می‌دهد. با این حال، استفاده از آن اغلب با وقوع نقص تخلخل مانع می شود. با توجه به اینکه تشکیل منافذ شامل فرآیندهای فیزیکی بسیار غیرخطی و چند{2}}همراهی است-و نظارت *درجا* در فلزات مات دشوار است{4}}پیش‌بینی دقیق عیوب تخلخل و مکانیسم‌های تشکیل زیربنایی آنها همچنان یک چالش بزرگ است. مطالعات پارامتری سنتی و مدل‌های یادگیری ماشینی که صرفاً بر اساس پارامترهای جوشکاری خام هستند، از محدودیت‌هایی در مورد قابلیت تعمیم، دقت در پیش‌بینی منافذ عمیق-و قابلیت تفسیر رنج می‌برند. با پرداختن به این مسئله حیاتی، مطالعه حاضر یک چارچوب فیزیک ابتکاری-یادگیری عمیق آگاهانه (PIDL) را پیشنهاد می‌کند. هدف این چارچوب با ادغام مدل‌سازی مکانیکی با داده‌های تجربی، پیش‌بینی دقیق نرخ تخلخل در طول جوشکاری لیزری آلیاژهای آلومینیوم و روشن کردن مکانیسم‌های فیزیکی زیربنایی مسئول تشکیل آن است.

02

**بررسی اجمالی**

این مطالعه با ارائه یک چارچوب پیش‌بینی جدید که شبیه‌سازی عددی چندفیزیکی را با یادگیری عمیق ادغام می‌کند، به مسئله تخلخل در جوشکاری لیزری-مشکل ناشی از پدیده‌های پیچیده مانند ناپایداری سوراخ کلید، دینامیک حوضچه مذاب و انجماد- می‌پردازد. این تحقیق با استفاده از یک مدل چندفیزیکی تایید شده تجربی برای استخراج سیستماتیک متغیرهای فیزیکی کلیدی مرتبط با پایداری سوراخ کلید، هندسه حوض مذاب، جریان فلز مایع و ویژگی‌های حرارتی آغاز می‌شود. بر اساس این پایه، یک مدل PIDL ساخته شد. در مقایسه با مدل‌های یادگیری عمیق سنتی که صرفاً بر روی پارامترهای فرآیند آموزش داده می‌شوند، این مدل به کاهش قابل‌توجهی 41 درصد در میانگین مربعات خطا (MSE) دست یافت. برای افزایش تفسیرپذیری مدل، محققان این متغیرهای فیزیکی را در ویژگی‌های بدون بعد با اهمیت فیزیکی واضح (مثلاً نسبت ابعاد سوراخ کلید، عدد استوکس و غیره) ترکیب کردند. در نهایت، با استفاده از تجزیه و تحلیل SHAP (توضیحات افزودنی Shapley)، این مطالعه برای اولین بار{10}}اهمیت سلسله مراتبی عوامل فیزیکی مختلف در فرآیند تشکیل تخلخل را به صورت کمی نشان داد. یافته‌ها نسبت ابعاد سوراخ کلید و مقاومت جریان ناشی از جریان مذاب رو به پایین را به‌عنوان دو مهم‌ترین عامل تعیین‌کننده تشکیل تخلخل شناسایی می‌کنند و در نتیجه راهنمایی روشنی برای بهینه‌سازی فرآیند ارائه می‌دهند.

03

تحلیل بصری

شکل 1 تصاویر توزیع منافذ معمولی را نشان می‌دهد که تحت پارامترهای مختلف جوشکاری، پس از پردازش از طریق الگوریتم‌های بازرسی اشعه ایکس و تشخیص تصویر- بدست آمده‌اند. شکل نشان می دهد که با تغییر ترکیب پارامترهای جوشکاری، تفاوت های قابل توجهی در کمیت، اندازه و توزیع منافذ در درز جوش ظاهر می شود. این داده‌های تخلخل به عنوان برچسب‌هایی برای آموزش بعدی مدل‌های یادگیری عمیق عمل می‌کنند.

شکل 2 یک نمودار شماتیک از مدل عددی چند فیزیک بکار گرفته شده در این مطالعه را ارائه می دهد. این مدل با حل معادلات بقای جرم، تکانه و انرژی-و ترکیب یک الگوریتم ردیابی پرتو{4}}این مدل انعکاس های متعدد و جذب انرژی پرتو لیزر را در سوراخ کلید به دقت محاسبه می کند. شکل 2(a) گسسته شدن پرتو لیزر را به پرتوهای فرعی متعددی نشان می‌دهد که هر کدام مقدار خاصی از انرژی را حمل می‌کنند. شکل 2(b) به صورت هندسی کمر پرتو لیزر را نشان می دهد. و شکل 2(c) به صورت بصری فرآیند پیچیده انعکاس های چندگانه را که توسط پرتوهای فرعی لیزری در داخل سوراخ کلید انجام می شود، نشان می دهد. این مدل اطلاعات سه بعدی و گذرا در مورد مورفولوژی سوراخ کلید و میدان‌های جریان حوضچه مذاب{13}}داده‌هایی ارائه می‌کند که به‌دست آوردن تجربی دشوار است{14}در نتیجه ویژگی‌های ورودی حیاتی را برای ساخت مدل PIDL فراهم می‌کند.

شکل 3 نتایج اعتبارسنجی مدل چندفیزیکی را نشان می‌دهد و مقادیر اندازه‌گیری شده تجربی را با پیش‌بینی‌های مدل برای عمق حوضچه مذاب (شکل{1}}(a)) و طول حوضه مذاب (شکل{2}}(b)) تحت پارامترهای فرآیند شدید مقایسه می‌کند. نتایج یک توافق قوی بین پیش‌بینی‌های مدل و داده‌های تجربی را نشان می‌دهد. به طور خاص، خطای نسبی برای پیش‌بینی عمق حوضچه مذاب در محدوده -6.3٪ تا 20.9٪ قرار می‌گیرد، در حالی که خطا برای پیش‌بینی طول حوضچه مذاب از -16.9٪ تا 20.4٪ است. این نتایج اعتبارسنجی دقت بالای مدل چندفیزیکی ایجاد شده را تأیید می‌کند و توانایی آن را برای ارائه داده‌های متغیر فیزیکی قابل اعتماد برای مدل‌های یادگیری عمیق بعدی نشان می‌دهد.

شکل 4 عملکرد مدل PIDL را نشان می‌دهد-که با استفاده از مجموعه داده‌ای از متغیرهای فیزیکی مستقیم آموزش داده شده است-در پیش‌بینی تخلخل. شکل 4(الف) نشان می‌دهد که توابع از دست دادن برای همه زیر-مدل‌ها در چارچوب یادگیری گروه به طور مؤثری همگرا می‌شوند. شکل 4(b) و 4(c) به ترتیب مقایسه هایی را بین تخلخل پیش بینی شده مدل و تخلخل واقعی در مجموعه های آموزشی و آزمایشی نشان می دهد. نتایج نشان می‌دهد که مدل PIDL به MSE 0.32 در مجموعه آموزشی و 0.75 در مجموعه آزمایشی دست یافت، در نتیجه توانایی روش را برای یادگیری مؤثر روابط غیرخطی پیچیده بین متغیرهای فیزیکی و تخلخل و دستیابی به پیش‌بینی‌های کمی نسبتاً دقیق نشان می‌دهد.

04

نتیجه گیری

با پرداختن به چالش‌های مرتبط با-پیش‌بینی ماهیت دشوار و دشواری{2}}{3}}تعیین کمّی علل نقص تخلخل در جوشکاری عمیق لیزری{4}}نفوذ، یک روش جدید پیش‌بینی یادگیری عمیق (PIDL) از علم فیزیک{5}} پیشنهاد و تأیید شد. این مطالعه یک مجموعه داده را با انتخاب متغیرهای فیزیکی از یک مدل میدان چند{7}}فیزیکی، شامل چهار دسته اصلی: عوامل ترمودینامیکی، جریان فلز مایع، عوامل مرتبط با سوراخ کلید-و هندسه حوضچه مذاب ایجاد کرد. نتایج تجربی نشان داد که در مقایسه با مدل‌های یادگیری عمیق سنتی که صرفاً بر اساس پارامترهای فرآیند است، مدل PIDL پیشنهادی به کاهش قابل‌توجهی 41 درصدی در پیش‌بینی میانگین مربعات خطا (MSE) دست یافت. مشخص شد که حداکثر سرعت جریان رو به پایین و عمق سوراخ کلید دو متغیر فیزیکی حیاتی حاکم بر تشکیل تخلخل هستند. علاوه بر این، هر دو یک همبستگی یکنواخت با سطوح تخلخل نشان می دهند، در حالی که سهم زمان انجماد و اندازه حوضچه ذوب نسبتاً جزئی و غیر یکنواخت هستند. با استفاده از تکنیک‌های ترکیب ویژگی برای تبدیل متغیرهای فیزیکی به ویژگی‌های بدون بعد{14}}که به طور مؤثر تشکیل، حرکت و به دام افتادن حباب‌ها را توصیف می‌کنند{15}}این مطالعه نه تنها ابعاد ویژگی را کاهش داد، بلکه دقت پیش‌بینی قابل‌توجهی را نیز حفظ کرد، در حالی که مدل را با قابلیت تفسیر فیزیکی واضح‌تر و پایداری آماری افزایش‌یافته در اختیار داشت. بر اساس تجزیه و تحلیل تفسیرپذیری SHAP، به صراحت مشخص شد که نسبت ابعاد سوراخ کلید یک همبستگی مثبت قوی با سطوح تخلخل نشان می دهد، در نتیجه به عنوان یک شاخص موثر برای ارزیابی مستقیم تمایل به تشکیل تخلخل عمل می کند. به طور همزمان، نیروی کششی جریان رو به پایین{17}}که با عدد استوکس مشخص می‌شود- نیز تأثیر قابل‌توجهی بر تشکیل تخلخل دارد.