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。未加工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、深部気孔率の予測精度、解釈可能性に関する制限があります。{6}}この重大な問題に対処するために、この研究では、機械モデリングと実験データを統合する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。これは、アルミニウム合金のレーザー溶接中の気孔率レベルを正確に予測し、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。
レーザー溶接における気孔率の問題に対処するため、{0}キーホールの不安定性、溶融池のダイナミクス、凝固などの複雑なプロセスによって引き起こされる現象-この研究では、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します。研究は、実験データを通じて検証されたマルチフィジックス モデルを使用して、キーホールの安定性、溶融プールの形状、液体金属の流れ、熱特性に関連する重要な物理変数を系統的に抽出することから始まります。-この基盤に基づいて、開発された PIDL モデルは、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、平均二乗誤差 (MSE) の 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) を持つ無次元の特徴に合成しました。最後に、この研究では SHAP (Shapley Additive Explains) 分析を利用して、空隙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を初めて定量的に確立しました。--具体的には、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と特定され、それによってプロセス最適化のための明確な指針が提供されました。
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気孔率分布の典型的な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光線に離散化され、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示しています。-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、それぞれトレーニング セットとテスト セットの予測空隙率値と実際の空隙率値の比較を示しています。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、正確な定量的予測を達成できることが実証されました。
図 5 は、SHAP 解析を通じて、空隙率の予測に対するさまざまな物理変数の重要性のランキングと影響傾向を明らかにしています。図 5(a) は、選択されたすべての物理変数の中で、液体金属流内の最大下降速度が気孔率に最も大きな影響を及ぼし、次にキーホールの深さが続くことを示しています。図5(b)は、各サンプルの予測結果に対する各特徴の寄与度の分布を示しており、赤は高い特徴値を、青は低い特徴値を表しています。組み合わせた解析により、最大下降速度は空隙率と負の相関がある(つまり、下降流が強いほど空隙率が高くなる)のに対し、キーホールの深さは空隙率と正の相関がある(つまり、キーホールが深いほど空隙率が高くなる)ことが明らかになります。
