01
บทนำกระดาษ
การเชื่อมด้วยเลเซอร์ในโหมดการเจาะลึก-แสดงถึงกระบวนการเชื่อมโลหะที่มีแนวโน้มสูงในการผลิตสมัยใหม่ อย่างไรก็ตาม การใช้งานมักถูกขัดขวางโดยการเกิดข้อบกพร่องเกี่ยวกับรูพรุน เนื่องจากการก่อตัวของรูพรุนนั้นเกี่ยวข้องกับ-กระบวนการทางกายภาพที่ต่อเนื่องกันหลายขั้นตอน- และเป็นเรื่องยากที่จะตรวจสอบ *ในแหล่งกำเนิด* ภายในโลหะทึบแสง-ในการทำนายข้อบกพร่องของรูพรุนอย่างแม่นยำ และกลไกการก่อตัวของรูพรุนยังคงเป็นความท้าทายที่น่าเกรงขาม การศึกษาพารามิเตอร์แบบดั้งเดิมและโมเดลการเรียนรู้ของเครื่องจักรที่ใช้พารามิเตอร์การเชื่อมแบบดิบเพียงอย่างเดียว ประสบปัญหาข้อจำกัดเกี่ยวกับความสามารถในการสรุป ความแม่นยำในการทำนายรูพรุนที่ฝังลึก- และความสามารถในการตีความได้ เพื่อแก้ไขปัญหาที่สำคัญนี้ การศึกษาครั้งนี้เสนอกรอบการทำงานเชิงลึกทางฟิสิกส์-เชิงลึกที่มีข้อมูล (PIDL) อันเป็นนวัตกรรม กรอบงานนี้มีจุดมุ่งหมายเพื่อคาดการณ์อัตราความพรุนในระหว่างการเชื่อมด้วยเลเซอร์ของโลหะผสมอลูมิเนียม ด้วยการบูรณาการการสร้างแบบจำลองทางกลไกเข้ากับข้อมูลการทดลอง และเพื่ออธิบายสาเหตุทางกายภาพเบื้องหลังการก่อตัวของมัน
02
**ภาพรวมการศึกษา**
การศึกษานี้กล่าวถึงปัญหาความพรุนในการเชื่อมด้วยเลเซอร์-ปัญหาที่เกิดจากปรากฏการณ์ที่ซับซ้อน เช่น ความไม่เสถียรของรูกุญแจ ไดนามิกของหลอมเหลว และการแข็งตัว- โดยการนำเสนอกรอบงานการคาดการณ์แบบใหม่ที่ผสมผสานการจำลองเชิงตัวเลขแบบหลายฟิสิกส์เข้ากับการเรียนรู้เชิงลึก การวิจัยเริ่มต้นด้วยการใช้แบบจำลองมัลติฟิสิกส์ที่ได้รับการตรวจสอบเชิงทดลองแล้ว เพื่อแยกตัวแปรทางกายภาพที่สำคัญอย่างเป็นระบบที่เกี่ยวข้องกับความเสถียรของรูกุญแจ รูปทรงของบ่อหลอมเหลว การไหลของโลหะของเหลว และคุณลักษณะทางความร้อน จากรากฐานนี้ แบบจำลอง PIDL ได้ถูกสร้างขึ้น เมื่อเปรียบเทียบกับโมเดลการเรียนรู้เชิงลึกแบบดั้งเดิมที่ได้รับการฝึกอบรมเกี่ยวกับพารามิเตอร์กระบวนการเพียงอย่างเดียว โมเดลนี้สามารถลดข้อผิดพลาดเฉลี่ยกำลังสอง (MSE) ได้อย่างมากถึง 41% เพื่อเพิ่มความสามารถในการตีความแบบจำลอง นักวิจัยได้สังเคราะห์ตัวแปรทางกายภาพเหล่านี้ให้เป็นลักษณะไร้มิติที่มีความสำคัญทางกายภาพที่ชัดเจน (เช่น อัตราส่วนความกว้างของรูกุญแจ หมายเลขสโตกส์ ฯลฯ) สุดท้ายนี้ ด้วยการใช้ประโยชน์จากการวิเคราะห์ SHAP (Shapley Additive Explanations) การศึกษาจึงเปิดเผยในเชิงปริมาณ-เป็นครั้งแรก-ถึงความสำคัญเชิงลำดับชั้นของปัจจัยทางกายภาพต่างๆ ในกระบวนการสร้างรูพรุน ผลการวิจัยระบุอัตราส่วนกว้างยาวของรูกุญแจและความต้านทานการไหลซึ่งขับเคลื่อนโดยการไหลหลอมเหลวลงด้านล่าง ซึ่งเป็นปัจจัยกำหนดที่สำคัญที่สุดสองประการของการเกิดความพรุน ดังนั้นจึงเป็นแนวทางที่ชัดเจนสำหรับการปรับกระบวนการให้เหมาะสมที่สุด
03
การวิเคราะห์ภาพ
รูปที่ 1 แสดงภาพการกระจายรูพรุนทั่วไปที่ได้รับภายใต้พารามิเตอร์การเชื่อมต่างๆ หลังจากการประมวลผลผ่านการตรวจสอบด้วยรังสีเอ็กซ์- และอัลกอริธึมการจดจำภาพ รูปนี้แสดงให้เห็นว่าเนื่องจากพารามิเตอร์การเชื่อมที่แตกต่างกันจะทำให้เกิดความแตกต่างอย่างมีนัยสำคัญในด้านปริมาณ ขนาด และการกระจายของรูพรุนภายในตะเข็บเชื่อม ข้อมูลความพรุนเหล่านี้ทำหน้าที่เป็นป้ายกำกับสำหรับการฝึกฝนโมเดลการเรียนรู้เชิงลึกในภายหลัง
รูปที่ 2 แสดงแผนผังของแบบจำลองเชิงตัวเลขหลายฟิสิกส์ที่ใช้ในการศึกษานี้ ด้วยการแก้สมการอนุรักษ์มวล โมเมนตัม และพลังงาน-และรวมอัลกอริธึมการติดตามรังสี-เข้าด้วยกัน- โมเดลนี้จะคำนวณการสะท้อนและการดูดซับพลังงานของลำแสงเลเซอร์ภายในรูกุญแจได้อย่างแม่นยำ รูปที่ 2(a) แสดงให้เห็นการแบ่งแยกลำแสงเลเซอร์ออกเป็นรังสีย่อยจำนวนมาก- โดยแต่ละรังสีมีปริมาณพลังงานจำเพาะ รูปที่ 2 (b) แสดงให้เห็นเอวลำแสงของเลเซอร์ในเชิงเรขาคณิต และรูปที่ 2(c) แสดงภาพกระบวนการที่ซับซ้อนของการสะท้อนหลายครั้งที่เกิดขึ้นจากรังสีใต้แสงเลเซอร์-ภายในรูกุญแจ แบบจำลองนี้ให้ข้อมูลสามมิติ-ชั่วคราวเกี่ยวกับสัณฐานวิทยาของรูกุญแจและข้อมูลฟิลด์การไหลของสระน้ำที่ละลาย-ซึ่งยากต่อการได้รับจากการทดลอง- ดังนั้นจึงเป็นการเตรียมคุณลักษณะอินพุตที่สำคัญสำหรับการสร้างแบบจำลอง PIDL
รูปที่ 3 นำเสนอผลลัพธ์การตรวจสอบความถูกต้องของแบบจำลองมัลติฟิสิกส์ โดยเปรียบเทียบค่าที่วัดได้จากการทดลอง กับการคาดการณ์แบบจำลองสำหรับความลึกของบ่อหลอมเหลว (รูปที่. 3(a)) และความยาวของสระหลอมเหลว (รูปที่. 3(b)) ภายใต้พารามิเตอร์กระบวนการที่รุนแรง ผลลัพธ์แสดงให้เห็นถึงข้อตกลงที่ชัดเจนระหว่างการทำนายแบบจำลองและข้อมูลการทดลอง โดยเฉพาะอย่างยิ่ง ข้อผิดพลาดสัมพัทธ์สำหรับการทำนายความลึกของสระละลายอยู่ในช่วง -6.3% ถึง 20.9% ในขณะที่ข้อผิดพลาดสำหรับการคาดการณ์ความยาวของสระละลายอยู่ในช่วงตั้งแต่ -16.9% ถึง 20.4% ผลการตรวจสอบเหล่านี้ยืนยันความแม่นยำสูงของแบบจำลองมัลติฟิสิกส์ที่สร้างขึ้น ซึ่งแสดงให้เห็นถึงความสามารถในการให้ข้อมูลตัวแปรทางกายภาพที่เชื่อถือได้สำหรับโมเดลการเรียนรู้เชิงลึกที่ตามมา
