01
บทนำกระดาษ
การเชื่อมด้วยเลเซอร์ในโหมดการเจาะลึก-แสดงถึงกระบวนการเชื่อมโลหะที่มีแนวโน้มสูงในการผลิตสมัยใหม่ อย่างไรก็ตาม การใช้งานมักถูกขัดขวางโดยการเกิดข้อบกพร่องเกี่ยวกับรูพรุน เนื่องจากการก่อตัวของรูพรุนนั้นเกี่ยวข้องกับ-กระบวนการทางกายภาพที่ต่อเนื่องกันหลายขั้นตอน- และเป็นเรื่องยากที่จะตรวจสอบ *ในแหล่งกำเนิด* ภายในโลหะทึบแสง-ในการทำนายข้อบกพร่องของรูพรุนอย่างแม่นยำ และกลไกการก่อตัวของรูพรุนยังคงเป็นความท้าทายที่น่าเกรงขาม การศึกษาพารามิเตอร์แบบดั้งเดิมและโมเดลการเรียนรู้ของเครื่องจักรที่ใช้พารามิเตอร์การเชื่อมแบบดิบเพียงอย่างเดียว ประสบปัญหาข้อจำกัดเกี่ยวกับความสามารถในการสรุป ความแม่นยำในการทำนายรูพรุนที่ฝังลึก- และความสามารถในการตีความได้ เพื่อจัดการกับประเด็นสำคัญนี้ การศึกษาครั้งนี้เสนอกรอบการทำงาน-การเรียนรู้เชิงลึกเชิงลึกเชิงลึกเชิงลึกทางฟิสิกส์ (PIDL) ที่เป็นนวัตกรรมใหม่ กรอบงานนี้มีจุดมุ่งหมายเพื่อคาดการณ์อัตราความพรุนในระหว่างการเชื่อมด้วยเลเซอร์ของโลหะผสมอลูมิเนียม ด้วยการบูรณาการการสร้างแบบจำลองทางกลไกเข้ากับข้อมูลการทดลอง และเพื่ออธิบายกลไกทางกายภาพที่ซ่อนอยู่ซึ่งรับผิดชอบต่อการก่อตัวของมัน
02
**ภาพรวมการศึกษา**
การศึกษานี้กล่าวถึงปัญหาความพรุนในการเชื่อมด้วยเลเซอร์-ปัญหาที่เกิดจากปรากฏการณ์ที่ซับซ้อน เช่น ความไม่เสถียรของรูกุญแจ ไดนามิกของหลอมเหลว และการแข็งตัว- โดยการนำเสนอกรอบงานการคาดการณ์แบบใหม่ที่ผสมผสานการจำลองเชิงตัวเลขแบบหลายฟิสิกส์เข้ากับการเรียนรู้เชิงลึก การวิจัยเริ่มต้นด้วยการใช้แบบจำลองมัลติฟิสิกส์ที่ได้รับการตรวจสอบเชิงทดลองแล้ว เพื่อแยกตัวแปรทางกายภาพที่สำคัญอย่างเป็นระบบที่เกี่ยวข้องกับความเสถียรของรูกุญแจ รูปทรงของบ่อหลอมเหลว การไหลของโลหะของเหลว และคุณลักษณะทางความร้อน จากรากฐานนี้ แบบจำลอง PIDL จึงถูกสร้างขึ้น 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) แสดงให้เห็นการแบ่งแยกลำแสงเลเซอร์ออกเป็นรังสีย่อย-จำนวนมาก โดยแต่ละรังสีจะมีพลังงานจำนวนหนึ่ง 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
รูปที่ 4 แสดงให้เห็นประสิทธิภาพของแบบจำลอง PIDL-ที่ได้รับการฝึกโดยใช้ชุดข้อมูลของตัวแปรทางกายภาพโดยตรง-ในการทำนายความพรุน รูปที่ 4(a) แสดงให้เห็นว่าฟังก์ชันที่สูญเสียไปสำหรับโมเดลย่อย-ทั้งหมดภายในเฟรมเวิร์กการเรียนรู้ทั้งมวลมาบรรจบกันอย่างมีประสิทธิภาพ รูปที่ 4(b) และ 4(c) แสดงการเปรียบเทียบระหว่างความพรุนที่คาดการณ์ของแบบจำลองและความพรุนจริงของชุดฝึกและชุดทดสอบ ตามลำดับ ผลลัพธ์บ่งชี้ว่าแบบจำลอง PIDL บรรลุ MSE ที่ 0.32 ในชุดการฝึก และ 0.75 ในชุดทดสอบ ดังนั้นจึงแสดงให้เห็นถึงความสามารถของวิธีการในการเรียนรู้ความสัมพันธ์แบบไม่เชิงเส้นที่ซับซ้อนระหว่างตัวแปรทางกายภาพและความพรุนได้อย่างมีประสิทธิภาพ และเพื่อให้สามารถคาดการณ์เชิงปริมาณได้อย่างแม่นยำ
04
บทสรุป
ในการจัดการกับความท้าทายที่เกี่ยวข้องกับ-ถึง-การทำนายธรรมชาติที่ยาก และ-การ-หาปริมาณสาเหตุของข้อบกพร่องที่มีรูพรุนในการเชื่อมแบบเจาะลึกด้วยเลเซอร์- มีการเสนอและตรวจสอบวิธีการทำนายแบบเรียนรู้เชิงลึก (PIDL) แบบใช้ข้อมูลฟิสิกส์แบบใหม่ การศึกษานี้สร้างชุดข้อมูลโดยการเลือกตัวแปรทางกายภาพจากแบบจำลองสนามฟิสิกส์หลาย- ซึ่งครอบคลุมสี่ประเภทหลักๆ ได้แก่ ปัจจัยทางอุณหพลศาสตร์ การไหลของโลหะเหลว ปัจจัยที่เกี่ยวข้องกับรูกุญแจ- และเรขาคณิตของสระน้ำละลาย ผลการทดลองแสดงให้เห็นว่า เมื่อเปรียบเทียบกับโมเดลการเรียนรู้เชิงลึกแบบดั้งเดิมที่อิงตามพารามิเตอร์กระบวนการเพียงอย่างเดียว โมเดล PIDL ที่เสนอสามารถลดการทำนาย Mean Squared Error (MSE) ได้อย่างมีนัยสำคัญถึง 41% พบว่าความเร็วการไหลลงสูงสุดและความลึกของรูกุญแจเป็นตัวแปรทางกายภาพที่สำคัญที่สุดสองตัวที่ควบคุมการก่อตัวของรูพรุน นอกจากนี้ ทั้งสองยังแสดงความสัมพันธ์แบบโมโนโทนิกกับระดับความพรุน ในขณะที่เวลาในการแข็งตัวและขนาดแหล่งหลอมละลายนั้นค่อนข้างน้อยและไม่ใช่-แบบโมโนโทนิก ด้วยการใช้เทคนิคการผสมคุณลักษณะเพื่อแปลงตัวแปรทางกายภาพให้เป็นลักษณะไร้มิติ-ซึ่งอธิบายการก่อตัว การเคลื่อนไหว และการกักขังของฟองอากาศได้อย่างมีประสิทธิภาพ-การศึกษานี้ไม่เพียงแต่ลดมิติของคุณลักษณะเท่านั้น แต่ยังรักษาความแม่นยำในการทำนายไว้อย่างมาก ขณะเดียวกันก็ทำให้แบบจำลองมีความสามารถในการตีความทางกายภาพได้ชัดเจนยิ่งขึ้นและมีเสถียรภาพทางสถิติที่ดีขึ้น จากการวิเคราะห์ความสามารถในการตีความของ SHAP พบว่าอัตราส่วนกว้างยาวของรูกุญแจแสดงความสัมพันธ์เชิงบวกที่แข็งแกร่งกับระดับความพรุน ดังนั้นจึงทำหน้าที่เป็นตัวบ่งชี้ที่มีประสิทธิภาพสำหรับการประเมินแนวโน้มโดยตรงสำหรับการก่อตัวของรูพรุน ในขณะเดียวกัน แรงลากที่ไหลลงด้านล่าง-ซึ่งมีคุณลักษณะเฉพาะคือเลขสโตกส์-ก็พบว่ามีอิทธิพลอย่างมากต่อการก่อตัวของรูพรุน
