01
Présentation du document
Le soudage au laser en mode -pénétration profonde représente un processus d'assemblage de métaux très prometteur dans la fabrication moderne ; cependant, son application est fréquemment gênée par l'apparition de défauts de porosité. Étant donné que la formation des pores implique des processus physiques hautement-couplés multiples-et qu'il est difficile de surveiller *in situ* dans les métaux opaques-prédire avec précision les défauts de porosité et leurs mécanismes de formation sous-jacents reste un formidable défi. Les études paramétriques traditionnelles et les modèles d'apprentissage automatique basés uniquement sur des paramètres de soudage bruts souffrent de limitations en termes de capacité de généralisation, de précision dans la prédiction des pores profonds-et d'interprétabilité. Pour résoudre ce problème critique, la présente étude propose un cadre innovant de Physics-Informed Deep Learning (PIDL). En intégrant la modélisation mécanistique aux données expérimentales, ce cadre vise à prédire avec précision le taux de porosité lors du soudage laser des alliages d'aluminium et à élucider les causes physiques sous-jacentes à sa formation.
02
**Aperçu de l'étude**
Cette étude aborde le problème de la porosité dans le soudage laser-un problème résultant de phénomènes complexes tels que l'instabilité des trous de serrure, la dynamique des bains de fusion et la solidification-en proposant un nouveau cadre prédictif qui intègre la simulation numérique multiphysique avec l'apprentissage profond. La recherche commence par l'utilisation d'un modèle multiphysique validé expérimentalement pour extraire systématiquement les variables physiques clés associées à la stabilité du trou de serrure, à la géométrie du bain de fusion, à l'écoulement du métal liquide et aux caractéristiques thermiques. Sur cette base, un modèle PIDL a été construit ; par rapport aux modèles d'apprentissage profond traditionnels formés uniquement sur les paramètres de processus, ce modèle a permis d'obtenir une réduction substantielle de 41 % de l'erreur quadratique moyenne (MSE). Pour améliorer l'interprétabilité du modèle, les chercheurs ont synthétisé ces variables physiques en caractéristiques sans dimension ayant une signification physique claire (par exemple, rapport d'aspect en trou de serrure, nombre de Stokes, etc.). Enfin, en tirant parti de l'analyse SHAP (Shapley Additive Explanations), l'étude a révélé quantitativement-pour la première fois-l'importance hiérarchique de divers facteurs physiques dans le processus de formation de porosité. Les résultats identifient le rapport d'aspect en trou de serrure et la résistance à l'écoulement entraînés par l'écoulement de fusion vers le bas comme les deux déterminants les plus critiques de la formation de porosité, fournissant ainsi des indications claires pour l'optimisation du processus.
03
Analyse visuelle
La figure 1 illustre des images typiques de distribution de pores obtenues sous divers paramètres de soudage, après traitement via des algorithmes d'inspection aux rayons X et de reconnaissance d'images. La figure démontre qu'à mesure que la combinaison des paramètres de soudage varie, des différences significatives apparaissent dans la quantité, la taille et la répartition des pores dans le cordon de soudure ; ces données de porosité servent d'étiquettes pour la formation ultérieure de modèles d'apprentissage profond.
La figure 2 présente un diagramme schématique du modèle numérique multiphysique utilisé dans cette étude. En résolvant les équations de conservation de la masse, de l'impulsion et de l'énergie-et en incorporant un-algorithme de traçage de rayons-, ce modèle calcule avec précision les réflexions multiples et l'absorption d'énergie du faisceau laser dans le trou de serrure. La figure 2 (a) illustre la discrétisation du faisceau laser en de nombreux sous--rayons, chacun transportant une quantité spécifique d'énergie ; La figure 2 (b) représente géométriquement la taille du faisceau du laser ; et la figure 2 (c) représente visuellement le processus complexe de réflexions multiples subies par les sous-rayons laser - à l'intérieur du trou de serrure. Ce modèle fournit des -informations transitoires tridimensionnelles concernant la morphologie du trou de serrure et les champs d'écoulement du bassin de fusion-des données difficiles à obtenir expérimentalement-fournissant ainsi des fonctionnalités d'entrée essentielles pour la construction du modèle PIDL.
La figure 3 présente les résultats de validation du modèle multiphysique, comparant les valeurs mesurées expérimentalement avec les prédictions du modèle pour la profondeur du bassin de fusion (Fig. 3(a)) et la longueur du bassin de fusion (Fig. 3(b)) sous des paramètres de processus extrêmes. Les résultats démontrent un fort accord entre les prédictions du modèle et les données expérimentales ; plus précisément, l'erreur relative pour les prédictions de la profondeur du bain de fusion se situe dans la plage de -6,3 % à 20,9 %, tandis que l'erreur pour les prédictions de la longueur du bain de fusion se situe entre -16,9 % et 20,4 %. Ces résultats de validation confirment la grande précision du modèle multiphysique établi, démontrant sa capacité à fournir des données variables physiques fiables pour les modèles d'apprentissage profond ultérieurs.
