01
Bildiri Girişi
Derin nüfuz etme modundaki lazer kaynağı-modern imalatta son derece umut verici bir metal birleştirme sürecini temsil eder; ancak uygulaması sıklıkla gözeneklilik kusurlarının ortaya çıkması nedeniyle engellenir. Gözenek oluşumunun oldukça doğrusal olmayan ve çoklu-birleşik fiziksel süreçler-içerdiği ve opak metaller içinde *yerinde* izlenmesinin zor olduğu göz önüne alındığında-gözenek kusurlarını ve bunların altında yatan oluşum mekanizmalarını doğru bir şekilde tahmin etmek zorlu bir zorluk olmaya devam etmektedir. Yalnızca ham kaynak parametrelerine dayanan geleneksel parametrik çalışmalar ve makine öğrenimi modelleri, genelleme yeteneği, derindeki- gözenekleri tahmin etmedeki doğruluk ve yorumlanabilirlik ile ilgili sınırlamalardan muzdariptir. Bu kritik konuyu ele almak için mevcut çalışma, yenilikçi bir Fizik{8}}Bilgilendirilmiş Derin Öğrenme (PIDL) çerçevesi önermektedir. Mekanik modellemeyi deneysel verilerle birleştiren bu çerçeve, alüminyum alaşımlarının lazer kaynağı sırasında gözeneklilik oranını doğru bir şekilde tahmin etmeyi ve oluşumunun altında yatan fiziksel nedenleri aydınlatmayı amaçlamaktadır.
02
**Çalışmaya Genel Bakış**
Bu çalışma, çoklu fizik sayısal simülasyonunu derin öğrenmeyle bütünleştiren yeni bir tahmine dayalı çerçeve önererek, lazer kaynağındaki gözeneklilik sorununu (anahtar deliği kararsızlığı, erime havuzu dinamikleri ve katılaşma gibi karmaşık olaylardan kaynaklanan bir sorun)- ele almaktadır. Araştırma, anahtar deliği stabilitesi, eriyik havuzu geometrisi, sıvı metal akışı ve termal özelliklerle ilişkili temel fiziksel değişkenleri sistematik olarak çıkarmak için deneysel olarak doğrulanmış bir çoklu fizik modelinin kullanılmasıyla başlıyor. Bu temele dayanarak bir PIDL modeli oluşturuldu; Yalnızca süreç parametreleriyle eğitilen geleneksel derin öğrenme modelleriyle karşılaştırıldığında bu model, ortalama karesel hatada (MSE) %41 oranında önemli bir azalma elde etti. Modelin yorumlanabilirliğini geliştirmek için araştırmacılar, bu fiziksel değişkenleri, açık fiziksel öneme sahip boyutsuz özellikler halinde sentezlediler (örneğin, anahtar deliği en-boy oranı, Stokes sayısı, vb.). Son olarak, SHAP (Shapley Additive Explanations) analizinden yararlanan çalışma, gözeneklilik oluşumu sürecinde çeşitli fiziksel faktörlerin hiyerarşik önemini-ilk kez-kantitatif olarak ortaya çıkardı. Bulgular, anahtar deliği en-boy oranını ve aşağıya doğru eriyik akışı tarafından yönlendirilen akış direncini gözeneklilik oluşumunun en kritik iki belirleyicisi olarak tanımlar ve böylece süreç optimizasyonu için açık bir rehberlik sağlar.
03
Görsel Analiz
Şekil 1, X-ışını incelemesi ve görüntü tanıma algoritmaları aracılığıyla işleme tabi tutularak çeşitli kaynak parametreleri altında elde edilen tipik gözenek dağılımı görüntülerini göstermektedir. Şekil, kaynak parametrelerinin kombinasyonu değiştikçe kaynak dikişindeki gözeneklerin miktarı, boyutu ve dağılımında önemli farklılıkların ortaya çıktığını göstermektedir; bu gözeneklilik verileri, derin öğrenme modellerinin sonraki eğitimi için etiket görevi görür.
Şekil 2'de bu çalışmada kullanılan çoklu fizik sayısal modelinin şematik diyagramı sunulmaktadır. Kütle, momentum ve enerjinin korunumu denklemlerini çözerek-ve bir ışın-izleme algoritması- dahil ederek bu model, anahtar deliği içindeki lazer ışınının çoklu yansımalarını ve enerji emilimini doğru bir şekilde hesaplar. Şekil 2(a), lazer ışınının, her biri belirli miktarda enerji taşıyan çok sayıda alt ışına bölünmesini göstermektedir; Şekil 2(b), lazerin ışın belini geometrik olarak göstermektedir; ve Şekil 2(c), anahtar deliği içindeki lazer alt ışınlarının maruz kaldığı çoklu yansımalardan oluşan karmaşık süreci görsel olarak göstermektedir. Bu model, deneysel olarak elde edilmesi zor olan anahtar deliği morfolojisi ve eriyik havuzu akış alanları-verileriyle ilgili üç-boyutlu, geçici bilgi sağlar-böylece PIDL modelinin oluşturulması için kritik girdi özellikleri sağlar.
Şekil 3, aşırı süreç parametreleri altında deneysel olarak ölçülen değerleri erime havuzu derinliği (Şekil. 3(a)) ve erime havuzu uzunluğu (Şekil. 3(b)) için model tahminleriyle karşılaştıran çoklu fizik modelinin doğrulama sonuçlarını sunar. Sonuçlar, model tahminleri ile deneysel veriler arasında güçlü bir uyum olduğunu göstermektedir; özellikle erime havuzu derinliği tahminlerine ilişkin göreceli hata -%6,3 ila %20,9 aralığına düşerken, erime havuzu uzunluğu tahminlerine ilişkin hata -%16,9 ila %20,4 aralığındadır. Bu doğrulama sonuçları, kurulan çoklu fizik modelinin yüksek doğruluğunu teyit ederek sonraki derin öğrenme modelleri için güvenilir fiziksel değişken verileri sağlama yeteneğini ortaya koyuyor.
