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

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 پارامتریک سنتی و مدل‌های یادگیری ماشینی که صرفاً بر اساس پارامترهای جوشکاری خام انجام می‌شوند، از محدودیت‌هایی در مورد قابلیت تعمیم، دقت در پیش‌بینی تخلخل عمیق-و قابلیت تفسیر رنج می‌برند. برای پرداختن به این مسئله مهم، این مطالعه یک چارچوب فیزیک ابتکاری{8}}آموزش عمیق آگاهانه (PIDL) را پیشنهاد می‌کند که مدل‌سازی مکانیکی را با داده‌های تجربی ادغام می‌کند، با هدف پیش‌بینی دقیق سطوح تخلخل در طول جوشکاری لیزری آلیاژهای آلومینیوم و روشن کردن مکانیسم‌های فیزیکی زیربنایی مسئول تشکیل آنها.

پرداختن به مسئله تخلخل در جوشکاری لیزری-پدیده‌ای که توسط فرآیندهای پیچیده مانند ناپایداری سوراخ کلید، دینامیک حوضچه مذاب و انجماد هدایت می‌شود-این مطالعه چارچوب پیش‌بینی جدیدی را پیشنهاد می‌کند که شبیه‌سازی عددی چندفیزیکی را با یادگیری عمیق ادغام می‌کند. این تحقیق با استخراج سیستماتیک متغیرهای فیزیکی کلیدی-مربوط به پایداری سوراخ کلید، هندسه حوض مذاب، جریان فلز مایع، و ویژگی‌های حرارتی{4}}با استفاده از یک مدل چندفیزیکی که از طریق داده‌های تجربی تأیید شده است، آغاز می‌شود. بر اساس این مبنا، مدل PIDL توسعه‌یافته به کاهش ۴۱ درصدی در میانگین مربعات خطا (MSE) در مقایسه با مدل‌های یادگیری عمیق سنتی که صرفاً بر روی پارامترهای فرآیند آموزش دیده‌اند، 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) ترکیب کردند. در نهایت، با استفاده از تجزیه و تحلیل SHAP (توضیحات افزودنی Shapley)، این مطالعه برای اولین بار{11}}اهمیت سلسله مراتبی عوامل فیزیکی مختلف در فرآیند تشکیل تخلخل را به صورت کمی مشخص کرد. به طور خاص، نسبت ابعاد سوراخ کلید و مقاومت جریان ناشی از جریان مذاب رو به پایین را به‌عنوان دو عامل مهم تعیین‌کننده تشکیل تخلخل شناسایی کرد و در نتیجه راهنمایی روشنی برای بهینه‌سازی فرآیند ارائه کرد.

شکل 1 تصاویر معمولی از توزیع تخلخل را نشان می دهد که تحت پارامترهای مختلف جوشکاری، پس از پردازش از طریق الگوریتم های بازرسی اشعه ایکس و تشخیص تصویر به دست آمده است. شکل نشان می دهد که با تغییر ترکیب پارامترهای جوشکاری، تفاوت های قابل توجهی در کمیت، اندازه و توزیع منافذ در درزهای 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 چندفیزیکی 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(الف) 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 انعکاس‌های چندگانه را که توسط پرتوهای فرعی لیزر در داخل سوراخ کلید انجام می‌شود، نشان می‌دهد. 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 نشان‌دهنده توافق قوی بین پیش‌بینی‌های مدل و داده‌های تجربی است. 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 بین مقادیر تخلخل پیش بینی شده و واقعی را برای 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 آزمون دست یافت، در نتیجه توانایی روش را برای یادگیری مؤثر روابط غیرخطی پیچیده بین متغیرهای فیزیکی و تخلخل و دستیابی به پیش‌بینی‌های کمی دقیق نشان می‌دهد.

شکل 5، از طریق تجزیه و تحلیل SHAP، رتبه بندی اهمیت و روند تأثیر متغیرهای فیزیکی مختلف بر پیش بینی تخلخل را نشان می دهد. شکل 5(الف) نشان می‌دهد که در بین تمام متغیرهای فیزیکی انتخاب‌شده، حداکثر سرعت رو به پایین در جریان فلز مایع بیشترین تأثیر را بر تخلخل و به دنبال آن عمق سوراخ کلید دارد. شکل 5 (ب) توزیع مشارکت از هر ویژگی را در نتایج پیش‌بینی برای هر نمونه نشان می‌دهد، که در آن قرمز نشان‌دهنده مقادیر ویژگی بالا و آبی نشان‌دهنده مقادیر ویژگی پایین است. یک تجزیه و تحلیل ترکیبی نشان می دهد که حداکثر سرعت رو به پایین با تخلخل همبستگی منفی دارد (یعنی هر چه جریان رو به پایین قوی تر باشد، تخلخل بیشتر است)، در حالی که عمق سوراخ کلید با تخلخل همبستگی مثبت دارد (یعنی هرچه سوراخ کلید عمیق تر باشد، تخلخل بیشتر است).