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 gözenekliliği tahmin etmedeki doğruluk ve yorumlanabilirlik ile ilgili sınırlamalardan muzdariptir. Bu çalışma, bu kritik konuyu ele almak için, alüminyum alaşımlarının lazer kaynağı sırasında gözeneklilik seviyelerini doğru bir şekilde tahmin etmeyi ve bunların oluşumundan sorumlu altta yatan fiziksel mekanizmaları açıklamayı amaçlayan, mekanik modellemeyi deneysel verilerle birleştiren yenilikçi bir Fizik{8}}Bilgilendirilmiş Derin Öğrenme (PIDL) çerçevesi önermektedir.
Lazer kaynağındaki gözeneklilik sorununu ele alan-anahtar deliği kararsızlığı, erime havuzu dinamikleri ve katılaşma gibi karmaşık süreçlerin yönlendirdiği bir olgu-bu çalışma, çoklu fizik sayısal simülasyonunu derin öğrenmeyle bütünleştiren yeni bir tahmine dayalı çerçeve önermektedir. Araştırma, deneysel verilerle doğrulanmış bir çoklu fizik modeli kullanılarak-anahtar deliği stabilitesi, eriyik havuzu geometrisi, sıvı metal akışı ve termal özelliklerle ilgili temel fiziksel değişkenlerin- sistematik olarak çıkarılmasıyla başlar. Bu temele dayanarak geliştirilen PIDL modeli, yalnızca süreç parametreleriyle eğitilen geleneksel derin öğrenme modelleriyle karşılaştırıldığında ortalama karesel hatada (MSE) %41'lik 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). Son olarak, SHAP (Shapley Additive Explanations) analizinden yararlanan çalışma, gözeneklilik oluşumu sürecinde çeşitli fiziksel faktörlerin hiyerarşik önemini-ilk kez-kantitatif olarak ortaya koydu; özellikle anahtar deliği en-boy oranını ve aşağı doğru eriyik akışı tarafından yönlendirilen akış direncini gözeneklilik oluşumunun en kritik iki belirleyicisi olarak tanımladı ve böylece süreç optimizasyonu için açık bir rehberlik sağladı.
Şekil 1, X-ışını incelemesi ve görüntü tanıma algoritmaları aracılığıyla işleme tabi tutulduktan sonra çeşitli kaynak parametreleri altında elde edilen tipik gözeneklilik dağılımı görüntülerini göstermektedir. Şekil, kaynak parametrelerinin kombinasyonu değiştikçe kaynak dikişlerindeki 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 eğitim ve test setleri için tahmin edilen ve gerçek gözeneklilik değerleri arasındaki karşılaştırmaları göstermektedir. 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 doğru niceliksel tahminler elde etme yeteneğini gösterdiğini göstermektedir.
Şekil 5, SHAP analizi yoluyla, çeşitli fiziksel değişkenlerin gözeneklilik tahmini üzerindeki önem sıralamasını ve etki eğilimlerini ortaya koymaktadır. Şekil 5(a), seçilen tüm fiziksel değişkenler arasında, sıvı metal akışı içindeki maksimum aşağıya doğru hızın, gözeneklilik üzerinde en büyük etkiyi oluşturduğunu ve bunu anahtar deliği derinliğinin takip ettiğini gösterir. Şekil 5(b), her bir örnek için her bir özelliğin tahmin sonuçlarına olan katkılarının dağılımını göstermektedir; burada kırmızı, yüksek özellik değerlerini ve mavi, düşük özellik değerlerini temsil eder. Kombine bir analiz, maksimum aşağıya doğru hızın gözeneklilik ile negatif ilişkili olduğunu (yani aşağı doğru akış ne kadar güçlüyse gözeneklilik o kadar yüksek) gösterirken, anahtar deliği derinliğinin gözeneklilik ile pozitif ilişkili olduğunu (yani anahtar deliği ne kadar derin olursa gözeneklilik o kadar yüksek olur) ortaya çıkarır.
