การเชื่อมด้วยเลเซอร์ในโหมดการเจาะลึก-แสดงถึงกระบวนการเชื่อมโลหะที่มีแนวโน้มสูงในการผลิตสมัยใหม่ อย่างไรก็ตาม การใช้งานมักถูกขัดขวางโดยการเกิดข้อบกพร่องเกี่ยวกับรูพรุน เนื่องจากการก่อตัวของรูพรุนนั้นเกี่ยวข้องกับ-กระบวนการทางกายภาพที่ต่อเนื่องกันหลายขั้นตอน- และเป็นเรื่องยากที่จะตรวจสอบ *ในแหล่งกำเนิด* ภายในโลหะทึบแสง-ในการทำนายข้อบกพร่องของรูพรุนอย่างแม่นยำ และกลไกการก่อตัวของรูพรุนยังคงเป็นความท้าทายที่น่าเกรงขาม การศึกษาพารามิเตอร์แบบดั้งเดิมและโมเดลการเรียนรู้ของเครื่องจักรที่อิงตามพารามิเตอร์การเชื่อมแบบดิบเพียงอย่างเดียว ประสบปัญหาข้อจำกัดเกี่ยวกับความสามารถในการสรุปทั่วไป ความแม่นยำในการทำนาย-ความพรุนที่ฝังลึก และความสามารถในการตีความได้ เพื่อแก้ไขปัญหาที่สำคัญนี้ การศึกษานี้เสนอกรอบงานฟิสิกส์เชิงลึก-การเรียนรู้เชิงลึกแบบมีข้อมูล (PIDL) ที่เป็นนวัตกรรมใหม่ ซึ่งผสมผสานการสร้างแบบจำลองทางกลไกเข้ากับข้อมูลการทดลอง โดยมีจุดมุ่งหมายเพื่อทำนายระดับความพรุนได้อย่างแม่นยำในระหว่างการเชื่อมด้วยเลเซอร์ของโลหะผสมอะลูมิเนียม และเพื่อชี้แจงกลไกทางกายภาพที่สำคัญที่รับผิดชอบต่อการก่อตัวของพวกมัน
การแก้ไขปัญหาความพรุนในการเชื่อมด้วยเลเซอร์-ปรากฏการณ์ที่ขับเคลื่อนโดยกระบวนการที่ซับซ้อน เช่น ความไม่เสถียรของรูกุญแจ ไดนามิกของหลอมละลาย และการแข็งตัว-การศึกษานี้นำเสนอกรอบงานการคาดการณ์แบบใหม่ที่ผสมผสานการจำลองเชิงตัวเลขแบบหลายฟิสิกส์เข้ากับการเรียนรู้เชิงลึก การวิจัยเริ่มต้นด้วยการแยกตัวแปรทางกายภาพที่สำคัญอย่างเป็นระบบ-ที่เกี่ยวข้องกับเสถียรภาพของรูกุญแจ รูปทรงของบ่อหลอมเหลว การไหลของโลหะเหลว และคุณลักษณะทางความร้อน-โดยใช้แบบจำลองหลายฟิสิกส์ที่ได้รับการตรวจสอบผ่านข้อมูลการทดลอง จากรากฐานนี้ โมเดล PIDL ที่พัฒนาขึ้นสามารถลดค่าคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) ลงได้ถึง 41% เมื่อเทียบกับโมเดลการเรียนรู้เชิงลึกแบบดั้งเดิมที่ได้รับการฝึกเกี่ยวกับพารามิเตอร์กระบวนการเพียงอย่างเดียว เพื่อเพิ่มความสามารถในการตีความแบบจำลอง นักวิจัยได้สังเคราะห์ตัวแปรทางกายภาพเหล่านี้ให้เป็นลักษณะไร้มิติที่มีความสำคัญทางกายภาพที่ชัดเจน (เช่น อัตราส่วนความกว้างของรูกุญแจ หมายเลขสโตกส์) สุดท้าย โดยใช้การวิเคราะห์ SHAP (Shapley Additive Explanations) การศึกษานี้สร้างขึ้นในเชิงปริมาณ-เป็นครั้งแรก-ความสำคัญเชิงลำดับชั้นของปัจจัยทางกายภาพต่างๆ ในกระบวนการสร้างรูพรุน โดยเฉพาะอย่างยิ่ง โดยระบุอัตราส่วนกว้างยาวของรูกุญแจและความต้านทานการไหลที่ขับเคลื่อนโดยการไหลที่หลอมละลายลงด้านล่าง เป็นตัวกำหนดที่สำคัญที่สุดสองตัวของการเกิดความพรุน ดังนั้นจึงให้คำแนะนำที่ชัดเจนสำหรับการปรับกระบวนการให้เหมาะสมที่สุด
รูปที่ 1 แสดงภาพทั่วไปของการกระจายของรูพรุนที่ได้รับภายใต้พารามิเตอร์การเชื่อมต่างๆ หลังจากการประมวลผลผ่านการตรวจสอบรังสีเอกซ์- 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
รูปที่ 4 แสดงให้เห็นประสิทธิภาพของแบบจำลอง PIDL-ที่ได้รับการฝึกโดยใช้ชุดข้อมูลของตัวแปรทางกายภาพโดยตรง-ในการทำนายความพรุน รูปที่ 4(a) แสดงให้เห็นว่าฟังก์ชันที่สูญเสียไปสำหรับโมเดลย่อย-ทั้งหมดภายในเฟรมเวิร์กการเรียนรู้ทั้งมวลมาบรรจบกันอย่างมีประสิทธิภาพ รูปที่ 4(b) และ 4(c) แสดงการเปรียบเทียบระหว่างค่าความพรุนที่คาดการณ์ไว้และค่าความพรุนจริงสำหรับชุดการฝึกและชุดทดสอบ ตามลำดับ ผลลัพธ์บ่งชี้ว่าแบบจำลอง PIDL บรรลุ MSE ที่ 0.32 ในชุดการฝึก และ 0.75 ในชุดทดสอบ ดังนั้นจึงแสดงให้เห็นถึงความสามารถของวิธีการในการเรียนรู้ความสัมพันธ์แบบไม่เชิงเส้นที่ซับซ้อนระหว่างตัวแปรทางกายภาพและความพรุนได้อย่างมีประสิทธิภาพ และเพื่อให้สามารถคาดการณ์เชิงปริมาณได้อย่างแม่นยำ
รูปที่ 5 ผ่านการวิเคราะห์ SHAP เผยให้เห็นการจัดอันดับความสำคัญและแนวโน้มอิทธิพลของตัวแปรทางกายภาพต่างๆ ต่อการทำนายความพรุน รูปที่ 5(a) แสดงให้เห็นว่าในบรรดาตัวแปรทางกายภาพที่เลือกทั้งหมด ความเร็วสูงสุดที่ลดลงภายในการไหลของโลหะเหลวจะมีอิทธิพลมากที่สุดต่อความพรุน ตามด้วยความลึกของรูกุญแจ รูปที่ 5(b) แสดงการกระจายการมีส่วนร่วมจากแต่ละคุณลักษณะไปยังผลการทำนายสำหรับทุกตัวอย่าง โดยที่สีแดงแสดงถึงค่าคุณลักษณะที่สูง และสีน้ำเงินแสดงถึงค่าคุณลักษณะต่ำ การวิเคราะห์แบบรวมกันเผยให้เห็นว่าความเร็วลงสูงสุดมีความสัมพันธ์เชิงลบกับความพรุน (กล่าวคือ ยิ่งการไหลลงมากเท่าไร ความพรุนก็จะยิ่งสูงขึ้น) ในขณะที่ความลึกของรูกุญแจมีความสัมพันธ์เชิงบวกกับความพรุน (กล่าวคือ ยิ่งรูกุญแจลึกเท่าใด ความพรุนก็จะยิ่งสูงขึ้น)
