Lazerinis suvirinimas gilaus{0}}siskverbimo režimu yra labai perspektyvus metalo sujungimo procesas šiuolaikinėje gamyboje; tačiau jį taikyti dažnai trukdo poringumo defektai. Atsižvelgiant į tai, kad porų formavimas yra susijęs su labai netiesiniais ir daugybe{2}}susietų fizinių procesų-ir sunku stebėti *in situ* nepermatomuose metaluose-, tiksliai numatyti poringumo defektus ir jų formavimosi mechanizmus išlieka didžiulis iššūkis. Tradiciniai parametriniai tyrimai ir mašininio mokymosi modeliai, pagrįsti tik neapdorotais suvirinimo parametrais, turi apribojimų, susijusių su apibendrinimo galimybėmis, tikslumu numatant gilų{6}}poringumą ir aiškinamumą. Siekiant išspręsti šią svarbią problemą, šiame tyrime siūloma naujoviška fizikos{8}}informuoto giluminio mokymosi (PIDL) sistema, integruojanti mechaninį modeliavimą su eksperimentiniais duomenimis, siekiant tiksliai numatyti poringumo lygius aliuminio lydinių suvirinimo lazeriu metu ir išsiaiškinti pagrindinius fizinius mechanizmus, atsakingus už jų susidarymą.
Sprendžiant lazerinio suvirinimo akytumo problemą-reiškinį, kurį lemia sudėtingi procesai, pvz., rakto skylutės nestabilumas, lydalo dinamika ir kietėjimas-, šiame tyrime siūloma nauja nuspėjamoji sistema, integruojanti daugiafizinį skaitmeninį modeliavimą su giliu mokymusi. Tyrimas pradedamas sistemingai išimant pagrindinius fizinius kintamuosius-, susijusius su rakto skylutės stabilumu, lydalo geometrija, skysto metalo srautu ir šiluminėmis charakteristikomis-, naudojant daugiafizinį modelį, patvirtintą eksperimentiniais duomenimis. Remiantis šiuo pagrindu, sukurtas PIDL modelis pasiekė 41% sumažintą vidutinę kvadratinę paklaidą (MSE), palyginti su tradiciniais giluminio mokymosi modeliais, parengtais tik pagal proceso parametrus. Siekdami pagerinti modelio aiškinimą, mokslininkai šiuos fizinius kintamuosius susintetino į bedimensines savybes, turinčias aiškią fizinę reikšmę (pvz., rakto skylutės formato koeficientą, Stokso skaičių). Galiausiai, naudojant SHAP (Shapley Additive Explanations) analizę, tyrimas pirmą kartą kiekybiškai nustatė{11}}įvairių fizinių veiksnių hierarchinę svarbą poringumo formavimo procese; Konkrečiai, jis nustatė rakto skylės kraštinių santykį ir srauto pasipriešinimą, kurį lemia žemyn nukreiptas lydalo srautas, kaip du svarbiausius poringumą lemiančius veiksnius, taip pateikiant aiškias proceso optimizavimo gaires.
1 paveiksle pavaizduoti tipiški poringumo pasiskirstymo vaizdai, gauti esant įvairiems suvirinimo parametrams, po apdorojimo naudojant rentgeno spindulių tikrinimo ir vaizdo atpažinimo algoritmus. Paveikslėlyje parodyta, kad kintant suvirinimo parametrų deriniui išryškėja dideli porų kiekio, dydžio ir pasiskirstymo suvirinimo siūlėse skirtumai; šie poringumo duomenys naudojami kaip etiketės tolesniam gilaus mokymosi modelių mokymui.
2 paveiksle pateikta šiame tyrime naudojamo daugiafizinio skaitmeninio modelio schema. Išsprendus masės, impulso ir energijos išsaugojimo lygtis-ir įtraukiant spindulių-sekimo algoritmą-, šis modelis tiksliai apskaičiuoja daugybinius lazerio spindulio atspindžius ir energijos sugertį rakto skylutėje. 2(a) paveiksle pavaizduotas lazerio spindulio išskaidymas į daugybę subspindulių, kurių kiekvienas neša tam tikrą energijos kiekį; 2(b) paveiksle geometriškai pavaizduota lazerio spindulio juosta; ir 2(c) pav. vizualiai pavaizduotas sudėtingas daugelio atspindžių procesas, kurį atlieka lazerio subspinduliai rakto skylutės viduje. Šiame modelyje pateikiama trijų{12}}matmenų, trumpalaikė informacija apie rakto skylių morfologiją ir lydalo srauto laukų-duomenis, kuriuos sunku gauti eksperimentiškai-todėl pateikiamos svarbios įvesties funkcijos kuriant PIDL modelį.

3 paveiksle pateikti daugiafizinio modelio patvirtinimo rezultatai, lyginant eksperimentiškai išmatuotas vertes su modelio prognozėmis dėl lydalo gylio (. 3(a) pav.) ir lydalo baseino ilgio (. 3(b) pav.) esant ekstremaliems proceso parametrams. Rezultatai rodo tvirtą modelio prognozių ir eksperimentinių duomenų sutapimą; konkrečiau, santykinė lydymosi baseino gylio prognozių paklaida svyruoja nuo -6,3% iki 20,9%, o tirpalo baseino ilgio prognozių paklaida svyruoja nuo -16,9% iki 20,4%. Šie patvirtinimo rezultatai patvirtina didelį sukurto daugiafizinio modelio tikslumą, parodydami jo gebėjimą pateikti patikimus fizinius kintamuosius duomenis tolesniems gilaus mokymosi modeliams.
4 paveiksle parodytas PIDL modelio{1}}, parengto naudojant tiesioginių fizinių kintamųjų duomenų rinkinį-, našumas numatant poringumą. 4(a) paveiksle parodyta, kad visų sub{5}}modelių praradimo funkcijos ansamblio mokymosi sistemoje efektyviai susilieja. 4(b) ir 4(c) paveiksluose pateikiami atitinkamai treniruočių ir testų rinkinių prognozuojamų ir faktinių poringumo verčių palyginimai. Rezultatai rodo, kad PIDL modelis pasiekė 0,32 MSE treniruočių rinkinyje ir 0,75 bandymo rinkinyje, taip parodydamas metodo gebėjimą efektyviai išmokti sudėtingus netiesinius ryšius tarp fizinių kintamųjų ir poringumo ir pasiekti tikslias kiekybines prognozes.
5 paveiksle, naudojant SHAP analizę, parodytas įvairių fizinių kintamųjų svarbos reitingas ir įtakos tendencijos poringumo prognozavimui. 5 (a) paveikslas rodo, kad tarp visų pasirinktų fizinių kintamųjų didžiausias greitis žemyn skysto metalo sraute daro didžiausią įtaką poringumui, o po to - rakto skylės gylis. 5(b) paveiksle parodytas kiekvienos ypatybės įnašų į kiekvieno mėginio prognozavimo rezultatus pasiskirstymas, kur raudona spalva reiškia dideles savybių reikšmes, o mėlyna – mažas savybių vertes. Kombinuota analizė atskleidžia, kad didžiausias greitis žemyn yra neigiamai koreliuojamas su poringumu (ty kuo stipresnis srautas žemyn, tuo didesnis poringumas), o rakto skylutės gylis yra teigiamai koreliuojamas su poringumu (ty kuo gilesnė rakto skylutė, tuo didesnis poringumas).










