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, genelleştirme yeteneği, derindeki- gözenekleri tahmin etmedeki doğruluk ve yorumlanabilirlik ile ilgili sınırlamalardan muzdariptir. Bu kritik konuyu ele alan bu çalışma, yenilikçi bir Fizik{8}}Bilgilendirilmiş Derin Öğrenme (PIDL) çerçevesi önermektedir. Mekanik modellemeyi deneysel verilerle entegre eden bu çerçeve, alüminyum alaşımlarının lazer kaynağı sırasında gözeneklilik oranını doğru bir şekilde tahmin etmeyi ve oluşumundan sorumlu olan altta yatan fiziksel mekanizmaları açıklamayı 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.
Şekil 4, gözenekliliği tahmin etmede-doğrudan fiziksel değişkenlerden oluşan bir veri kümesi kullanılarak eğitilen-PIDL modelinin performansını göstermektedir. Şekil 4(a), topluluk öğrenme çerçevesi içindeki tüm alt-modeller için kayıp fonksiyonlarının etkili bir şekilde yakınsadığını göstermektedir. Şekil 4(b) ve 4(c), sırasıyla modelin tahmin edilen gözenekliliği ile eğitim ve test setlerindeki gerçek gözeneklilik arasındaki karşılaştırmaları sunar. Sonuçlar, PIDL modelinin eğitim setinde 0,32 ve test setinde 0,75'lik bir MSE'ye ulaştığını, dolayısıyla yöntemin fiziksel değişkenler ile gözeneklilik arasındaki karmaşık doğrusal olmayan ilişkileri etkili bir şekilde öğrenme ve nispeten doğru niceliksel tahminler elde etme yeteneğini gösterdiğini göstermektedir.
04
Çözüm
Lazer derin-nüfuz etme kaynağında gözeneklilik kusurlarının-tahmin edilmesi-zorunlu doğası ve-ölçülmesi-zor olan nedenleriyle ilişkili zorluklara değinerek, yeni bir fizik-bilgili derin öğrenme (PIDL) tahmin yöntemi önerildi ve doğrulandı. Bu çalışma, dört ana kategoriyi kapsayan çoklu-fizik alan modelinden fiziksel değişkenler seçerek bir veri kümesi oluşturdu: termodinamik faktörler, sıvı metal akışı, anahtar deliği-ile ilgili faktörler ve erime havuzu geometrisi. Deneysel sonuçlar, yalnızca süreç parametrelerine dayanan geleneksel derin öğrenme modelleriyle karşılaştırıldığında, önerilen PIDL modelinin Tahmin Ortalama Kare Hatasında (MSE) %41 oranında önemli bir azalma elde ettiğini gösterdi. Maksimum aşağıya doğru akış hızı ve anahtar deliği derinliğinin, gözeneklilik oluşumunu belirleyen en kritik iki fiziksel değişken olduğu tespit edilmiştir; dahası, her ikisi de gözeneklilik seviyeleri ile monotonik bir korelasyon sergilerken, katılaşma süresi ve erime havuzu boyutunun katkıları nispeten küçüktür ve monotonik değildir. Fiziksel değişkenleri, kabarcıkların oluşumunu, hareketini ve hapsedilmesini etkili bir şekilde tanımlayan boyutsuz özelliklere dönüştürmek için özellik birleştirme tekniklerini kullanan çalışma, yalnızca özellik boyutlarını azaltmakla kalmadı, aynı zamanda önemli tahmin doğruluğunu da korudu ve modele daha net fiziksel yorumlanabilirlik ve gelişmiş istatistiksel kararlılık kazandırdı. SHAP yorumlanabilirlik analizine dayanarak, anahtar deliği en-boy oranının gözeneklilik seviyeleri ile güçlü bir pozitif korelasyon sergilediği, dolayısıyla gözeneklilik oluşumu eğiliminin doğrudan değerlendirilmesi için etkili bir gösterge olarak hizmet ettiği açıkça tespit edilmiştir; aynı zamanda, Stokes sayısıyla karakterize edilen-aşağıya doğru akış sürükleme kuvvetinin-gözenek oluşumu üzerinde önemli bir etkiye sahip olduğu da bulunmuştur.
