01
論文紹介
深溶け込みモードでのレーザー溶接は、現代の製造において非常に有望な金属接合プロセスです。-しかし、その適用は、多孔性欠陥の発生によってしばしば妨げられます。気孔の形成には高度に非線形で-複数の結合した物理プロセス-が含まれており、不透明な金属内で *その場* で監視することが難しいことを考えると、-気孔欠陥とその根底にある形成メカニズムを正確に予測することは依然として大きな課題です。生の溶接パラメータのみに基づく従来のパラメトリック研究や機械学習モデルには、汎化機能、深部気孔の予測精度、解釈可能性に関する制限があります。{6}}この重要な問題に対処するために、本研究では革新的な物理情報に基づく深層学習 (PIDL) フレームワークを提案します。{8}このフレームワークは、機械的モデリングと実験データを統合することにより、アルミニウム合金のレーザー溶接中の気孔率を正確に予測し、その形成に関与する根本的な物理メカニズムを解明することを目的としています。
02
**研究の概要**
この研究は、マルチフィジックス数値シミュレーションとディープ ラーニングを統合する新しい予測フレームワークを提案することで、レーザー溶接における気孔率の問題に対処します。{0}この問題は、キーホールの不安定性、溶融池のダイナミクス、凝固などの複雑な現象に起因します-。研究は、実験的に検証されたマルチフィジックス モデルを利用して、キーホールの安定性、溶融プールの形状、液体金属の流れ、熱特性に関連する主要な物理変数を系統的に抽出することから始まります。この基礎に基づいて、PIDL モデルが構築されました。プロセス パラメーターのみでトレーニングされた従来の深層学習モデルと比較して、このモデルは平均二乗誤差 (MSE) の大幅な 41% 削減を達成しました。モデルの解釈可能性を高めるために、研究者らは、これらの物理変数を、明確な物理的重要性 (鍵穴のアスペクト比、ストークス数など) を持つ無次元特徴に合成しました。最後に、SHAP (Shapley Additive Explains) 分析を活用したこの研究により、気孔形成プロセスにおけるさまざまな物理的要因の階層的重要性が-初めて{11}}定量的に明らかになりました。この研究結果は、キーホールのアスペクト比と下向きのメルトフローによって引き起こされる流動抵抗が、気孔形成の 2 つの最も重要な決定要因であることを特定し、それによってプロセス最適化のための明確な指針を提供します。
03
視覚的分析
図 1 は、X 線検査および画像認識アルゴリズムによる処理後に、さまざまな溶接パラメータの下で得られた典型的な気孔分布画像を示しています。-この図は、溶接パラメータの組み合わせが変化すると、溶接シーム内の気孔の量、サイズ、分布に大きな違いが現れることを示しています。これらの空隙率データは、その後の深層学習モデルのトレーニング用のラベルとして機能します。
図 2 は、この研究で使用されたマルチフィジックス数値モデルの概略図を示しています。質量、運動量、エネルギーの保存方程式を解き-、レイトレーシング アルゴリズム-を組み込むことにより-、このモデルは鍵穴内でのレーザー ビームの多重反射とエネルギー吸収を正確に計算します。図2(a)は、レーザービームが多数のサブ-線に離散化され、それぞれが特定の量のエネルギーを運ぶ様子を示しています。図 2(b) は、レーザーのビームウェストを幾何学的に示しています。図 2(c) は、鍵穴内部でレーザー サブ光線が受ける多重反射の複雑なプロセスを視覚的に表現しています。-このモデルは、実験的に取得するのが難しい、鍵穴形態やメルト プール フロー フィールドのデータに関する 3 次元の一時的な情報を提供します。-、これにより、PIDL モデルの構築に重要な入力特徴が提供されます。-
図3はマルチフィジックスモデルの検証結果を示しており、極端なプロセスパラメーターの下でのメルトプール深さ（図. 3（a））およびメルトプール長（図. 3（b））の実験測定値とモデル予測値を比較しています。結果は、モデルの予測と実験データが強く一致していることを示しています。具体的には、溶融池の深さの予測の相対誤差は -6.3% ～ 20.9% の範囲内に収まりますが、溶融池の長さの予測の誤差は -16.9% ～ 20.4% の範囲にあります。これらの検証結果は、確立されたマルチフィジックス モデルの高精度を裏付け、後続のディープ ラーニング モデルに信頼できる物理変数データを提供する機能を実証しています。
図 4 は、空隙率を予測する際の、直接物理変数のデータセットを使用してトレーニングされた PIDL モデル-のパフォーマンスを示しています-。図 4(a) は、アンサンブル学習フレームワーク内のすべてのサブ-モデルの損失関数が効果的に収束することを示しています。図 4(b) と 4(c) は、モデルの予測された空隙率と、トレーニング セットとテスト セットの実際の空隙率の比較をそれぞれ示しています。結果は、PIDL モデルがトレーニング セットで 0.32、テスト セットで 0.75 の MSE を達成したことを示しており、これにより、このメソッドが物理変数と空隙率の間の複雑な非線形関係を効果的に学習し、比較的正確な定量的予測を達成できることが実証されました。
04
結論
レーザー深溶け込み溶接における気孔欠陥の性質を予測するのが難しく、原因を定量化するのが難しい--ことに関連する課題に対処するため、新しい物理情報に基づいたディープ ラーニング（PIDL）予測方法が提案され、検証されました。{{4}この研究では、マルチ-物理場モデルから物理変数を選択することによってデータセットを構築しました。これには、熱力学因子、液体金属の流れ、鍵穴関連因子、溶融プールの形状という 4 つの主要カテゴリが含まれます。{8}実験結果は、プロセスパラメータのみに基づく従来の深層学習モデルと比較して、提案された PIDL モデルが予測平均二乗誤差 (MSE) で 41% の大幅な削減を達成したことを実証しました。最大下降流速度とキーホール深さは、空隙形成を支配する 2 つの最も重要な物理的変数であることが確認されました。さらに、両方とも気孔率レベルと単調な相関関係を示しますが、凝固時間とメルトプールサイズの寄与は比較的小さく、非単調です。特徴融合技術を採用して物理変数を無次元特徴に変換する-気泡の形成、動き、捕捉を効果的に記述する-ことにより、この研究では特徴の次元が低減されただけでなく、実質的な予測精度も維持され、同時にモデルにより明確な物理的解釈可能性と強化された統計的安定性が与えられました。 SHAP 解釈可能性分析に基づいて、キーホールのアスペクト比は気孔率レベルと強い正の相関関係を示し、それによって気孔形成の傾向を直接評価するための有効な指標として機能することが明確に確立されました。同時に、ストークス数によって特徴付けられる下向きの流れ抵抗力--も気孔形成に大きな影響を与えることが判明しました。
