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 prévision de la porosité profonde-et d'interprétabilité. Pour résoudre ce problème critique, cette étude propose un cadre innovant d'apprentissage profond éclairé par la physique (PIDL) qui intègre la modélisation mécaniste avec des données expérimentales, visant à prédire avec précision les niveaux de porosité lors du soudage laser des alliages d'aluminium et à élucider les mécanismes physiques sous-jacents responsables de leur formation.
Abordant le problème de la porosité dans le soudage laser-un phénomène entraîné par des processus complexes tels que l'instabilité des trous de serrure, la dynamique des bains de fusion et la solidification-cette étude propose un nouveau cadre prédictif qui intègre la simulation numérique multiphysique avec l'apprentissage en profondeur. La recherche commence par l'extraction systématique des variables physiques clés-relatives à la stabilité du trou de serrure, à la géométrie du bain de fusion, au flux de métal liquide et aux caractéristiques thermiques-à l'aide d'un modèle multiphysique validé par des données expérimentales. Sur cette base, le modèle PIDL développé a permis d'obtenir une réduction de 41 % de l'erreur quadratique moyenne (MSE) par rapport aux modèles d'apprentissage profond traditionnels formés uniquement sur les paramètres de processus. 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). Enfin, en utilisant l'analyse SHAP (Shapley Additive Explanations), l'étude a établi quantitativement-pour la première fois-l'importance hiérarchique de divers facteurs physiques dans le processus de formation de porosité ; plus précisément, il a identifié 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.
La figure 1 illustre des images typiques de la distribution de porosité 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 les cordons 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.
La figure 4 illustre les performances du modèle PIDL-entraîné à l'aide d'un ensemble de données de variables physiques directes-pour prédire la porosité. La figure 4 (a) démontre que les fonctions de perte pour tous les sous - modèles du cadre d'apprentissage d'ensemble convergent efficacement. Les figures 4 (b) et 4 (c) présentent des comparaisons entre les valeurs de porosité prédites et réelles pour les ensembles d'entraînement et de test, respectivement. Les résultats indiquent que le modèle PIDL a atteint un MSE de 0,32 sur l'ensemble d'apprentissage et de 0,75 sur l'ensemble de test, démontrant ainsi la capacité de la méthode à apprendre efficacement les relations non linéaires complexes entre les variables physiques et la porosité, et à obtenir des prédictions quantitatives précises.
La figure 5, grâce à l'analyse SHAP, révèle le classement d'importance et les tendances d'influence de diverses variables physiques sur la prédiction de la porosité. La figure 5 (a) indique que, parmi toutes les variables physiques sélectionnées, la vitesse descendante maximale dans le flux de métal liquide exerce la plus grande influence sur la porosité, suivie de la profondeur du trou de serrure. La figure 5 (b) illustre la distribution des contributions de chaque caractéristique aux résultats de prédiction pour chaque échantillon, le rouge représentant des valeurs de caractéristiques élevées et le bleu représentant des valeurs de caractéristiques faibles. Une analyse combinée révèle que la vitesse descendante maximale est corrélée négativement à la porosité (c'est-à-dire que plus le flux descendant est fort, plus la porosité est élevée), tandis que la profondeur du trou de serrure est positivement corrélée à la porosité (c'est-à-dire que plus le trou de serrure est profond, plus la porosité est élevée).
