La soldadura làser en el mode de penetració-profunda representa un procés d'unió de metalls molt prometedor en la fabricació moderna; tanmateix, la seva aplicació sovint es veu dificultada per l'aparició de defectes de porositat. Atès que la formació de porus implica processos físics altament no lineals i multi-acoblats- i és difícil de controlar *in situ* dins de metalls opacs-predir amb precisió els defectes de porositat i els seus mecanismes de formació subjacents segueix sent un repte formidable. Els estudis paramètrics tradicionals i els models d'aprenentatge automàtic basats únicament en paràmetres de soldadura en brut pateixen limitacions pel que fa a la capacitat de generalització, la precisió per predir la porositat profunda-i la interpretabilitat. Per abordar aquest problema crític, aquest estudi proposa un marc innovador de Física-Informed Deep Learning (PIDL) que integra el modelatge mecanicista amb dades experimentals, amb l'objectiu de predir amb precisió els nivells de porositat durant la soldadura làser d'aliatges d'alumini i dilucidar els mecanismes físics subjacents responsables de la seva formació.
Tractant el problema de la porositat en la soldadura làser-un fenomen impulsat per processos complexos com ara la inestabilitat del forat de la clau, la dinàmica de la piscina de fosa i la solidificació-aquest estudi proposa un nou marc predictiu que integra la simulació numèrica multifísica amb l'aprenentatge profund. La investigació comença extraient de manera sistemàtica variables físiques clau-relatives a l'estabilitat del forat de la clau, la geometria de la piscina de fosa, el flux de metall líquid i les característiques tèrmiques-utilitzant un model multifísic validat mitjançant dades experimentals. A partir d'aquesta base, el model PIDL desenvolupat va aconseguir una reducció del 41% de l'error quadrat mitjà (MSE) en comparació amb els models tradicionals d'aprenentatge profund entrenats únicament en paràmetres de procés. Per millorar la interpretabilitat del model, els investigadors van sintetitzar aquestes variables físiques en característiques adimensionals amb una significació física clara (per exemple, relació d'aspecte del forat de la clau, nombre de Stokes). Finalment, utilitzant l'anàlisi SHAP (Shapley Additive Explanations), l'estudi va establir quantitativament-per primera vegada-la importància jeràrquica de diversos factors físics en el procés de formació de la porositat; específicament, va identificar la relació d'aspecte del forat de la clau i la resistència al flux impulsada pel flux de fusió descendent com els dos determinants més crítics de la formació de porositat, proporcionant així una guia clara per a l'optimització del procés.
La figura 1 il·lustra imatges típiques de la distribució de la porositat obtingudes amb diversos paràmetres de soldadura, després del processament mitjançant algorismes d'inspecció de raigs X i de reconeixement d'imatges-. La figura demostra que a mesura que la combinació de paràmetres de soldadura varia, sorgeixen diferències significatives en la quantitat, la mida i la distribució dels porus dins dels cordons de soldadura; aquestes dades de porositat serveixen com a etiquetes per a la formació posterior de models d'aprenentatge profund.
La figura 2 presenta un diagrama esquemàtic del model numèric multifísic emprat en aquest estudi. En resoldre les equacions de conservació de la massa, el moment i l'energia-i incorporant un algorisme-de traçat de raigs-aquest model calcula amb precisió les múltiples reflexions i l'absorció d'energia del raig làser dins del forat de la pany. La figura 2(a) il·lustra la discretització del raig làser en nombrosos sub-raigs, cadascun transportant una quantitat específica d'energia; La figura 2 (b) representa geomètricament la cintura del feix del làser; i la figura 2(c) mostra visualment el complex procés de reflexions múltiples que pateixen els subraigs làser dins del forat de la clau. Aquest model proporciona informació tridimensional i transitòria sobre la morfologia del forat de la clau i les dades dels camps de flux de la piscina de fosa-que és difícil d'obtenir experimentalment-per tant, proporciona característiques d'entrada crítiques per a la construcció del model PIDL.
La figura 3 presenta els resultats de la validació del model multifísic, comparant els valors mesurats experimentalment amb les prediccions del model per a la profunditat de la piscina de fosa (Fig . 3 (a)) i la longitud de la piscina de fosa (Fig . 3 (b)) sota paràmetres de procés extrems. Els resultats demostren un fort acord entre les prediccions del model i les dades experimentals; específicament, l'error relatiu per a les prediccions de profunditat de la piscina de fosa es troba dins de l'interval de -6,3% a 20,9%, mentre que l'error de les prediccions de longitud de la piscina de fosa oscil·la entre -16,9% i 20,4%. Aquests resultats de validació confirmen l'alta precisió del model multifísic establert, demostrant la seva capacitat per proporcionar dades de variables físiques fiables per a models d'aprenentatge profund posteriors.
La figura 4 il·lustra el rendiment del model PIDL-entrenat mitjançant un conjunt de dades de variables físiques directes-per predir la porositat. La figura 4(a) demostra que les funcions de pèrdua de tots els sub-models dins del marc d'aprenentatge conjunt convergeixen de manera efectiva. Les figures 4 (b) i 4 (c) presenten comparacions entre els valors de porositat previstos i reals per als conjunts d'entrenament i de prova, respectivament. Els resultats indiquen que el model PIDL va aconseguir un MSE de 0,32 al conjunt d'entrenament i 0,75 al conjunt de proves, demostrant així la capacitat del mètode per aprendre eficaçment les complexes relacions no lineals entre variables físiques i porositat, i per aconseguir prediccions quantitatives precises.
La figura 5, mitjançant l'anàlisi SHAP, revela la classificació d'importància i les tendències d'influència de diverses variables físiques en la predicció de la porositat. La figura 5 (a) indica que, entre totes les variables físiques seleccionades, la velocitat màxima descendent dins del flux de metall líquid exerceix la major influència sobre la porositat, seguida de la profunditat del forat. La figura 5 (b) il·lustra la distribució de les contribucions de cada característica als resultats de predicció per a cada mostra, on el vermell representa valors alts de característiques i el blau representa valors de característiques baixos. Una anàlisi combinada revela que la velocitat màxima de baixada està correlacionada negativament amb la porositat (és a dir, com més fort és el flux descendent, més gran és la porositat), mentre que la profunditat del forat de la pany es correlaciona positivament amb la porositat (és a dir, com més profund és el forat de la pany, més alta és la porositat).
