01
Introducción al artículo
La soldadura láser en modo de penetración-profunda representa un proceso de unión de metales muy prometedor en la fabricación moderna; sin embargo, su aplicación frecuentemente se ve dificultada por la aparición de defectos de porosidad. Dado que la formación de poros implica procesos físicos altamente no lineales y multi-acoplados-y es difícil de monitorear *in situ* dentro de metales opacos-predecir con precisión los defectos de la porosidad y sus mecanismos de formación subyacentes sigue siendo un desafío formidable. Los estudios paramétricos tradicionales y los modelos de aprendizaje automático basados únicamente en parámetros de soldadura sin procesar adolecen de limitaciones en cuanto a la capacidad de generalización, la precisión en la predicción de los poros-profundos y la interpretabilidad. Para abordar esta cuestión crítica, el presente estudio propone un marco innovador de aprendizaje profundo informado en física-(PIDL). Al integrar el modelado mecanicista con datos experimentales, este marco tiene como objetivo predecir con precisión la tasa de porosidad durante la soldadura láser de aleaciones de aluminio y dilucidar los mecanismos físicos subyacentes responsables de su formación.
02
**Resumen del estudio**
Este estudio aborda el problema de la porosidad en la soldadura láser-un problema que surge de fenómenos complejos como la inestabilidad del ojo de cerradura, la dinámica del baño de fusión y la solidificación-al proponer un marco predictivo novedoso que integra la simulación numérica multifísica con el aprendizaje profundo. La investigación comienza utilizando un modelo multifísico validado experimentalmente para extraer sistemáticamente variables físicas clave asociadas con la estabilidad del ojo de cerradura, la geometría del baño de fusión, el flujo de metal líquido y las características térmicas. Con base en esta base se construyó un modelo PIDL; En comparación con los modelos tradicionales de aprendizaje profundo entrenados únicamente en parámetros de proceso, este modelo logró una reducción sustancial del 41 % en el error cuadrático medio (MSE). Para mejorar la interpretabilidad del modelo, los investigadores sintetizaron estas variables físicas en características adimensionales con un significado físico claro (por ejemplo, relación de aspecto del ojo de cerradura, número de Stokes, etc.). Finalmente, aprovechando el análisis SHAP (Shapley Additive Explanations), el estudio reveló cuantitativamente-por primera vez-la importancia jerárquica de varios factores físicos en el proceso de formación de porosidad. Los hallazgos identifican la relación de aspecto del ojo de cerradura y la resistencia al flujo impulsada por el flujo de fusión descendente como los dos determinantes más críticos de la formación de porosidad, proporcionando así una guía clara para la optimización del proceso.
03
Análisis visual
La Figura 1 ilustra imágenes típicas de distribución de poros obtenidas bajo varios parámetros de soldadura, luego del procesamiento mediante inspección por rayos X-y algoritmos de reconocimiento de imágenes. La figura demuestra que a medida que varía la combinación de parámetros de soldadura, surgen diferencias significativas en la cantidad, tamaño y distribución de los poros dentro de la costura de soldadura; Estos datos de porosidad sirven como etiquetas para el posterior entrenamiento de modelos de aprendizaje profundo.
La Figura 2 presenta un diagrama esquemático del modelo numérico multifísico empleado en este estudio. Al resolver las ecuaciones de conservación de masa, momento y energía-e incorporar un-algoritmo de trazado de rayos-, este modelo calcula con precisión las múltiples reflexiones y la absorción de energía del rayo láser dentro del ojo de la cerradura. La Figura 2(a) ilustra la discretización del rayo láser en numerosos sub-rayos, cada uno de los cuales transporta una cantidad específica de energía; La Figura 2(b) representa geométricamente la cintura del haz del láser; y la Figura 2(c) representa visualmente el complejo proceso de múltiples reflejos que sufren los sub-rayos láser dentro del ojo de la cerradura. Este modelo proporciona-información transitoria tridimensional sobre la morfología del ojo de cerradura y los campos de flujo de la piscina de fusión-datos que son difíciles de obtener experimentalmente-proporcionando así características de entrada críticas para la construcción del modelo PIDL.
La Figura 3 presenta los resultados de la validación del modelo multifísico, comparando los valores medidos experimentalmente con las predicciones del modelo para la profundidad del charco de fusión (Fig. 3(a)) y la longitud del charco de fusión (Fig. 3(b)) bajo parámetros de proceso extremos. Los resultados demuestran una fuerte concordancia entre las predicciones del modelo y los datos experimentales; específicamente, el error relativo para las predicciones de la profundidad del charco de fusión se encuentra dentro del rango de -6,3% a 20,9%, mientras que el error para las predicciones de la longitud del charco de fusión oscila entre -16,9% y 20,4%. Estos resultados de validación confirman la alta precisión del modelo multifísico establecido, lo que demuestra su capacidad para proporcionar datos de variables físicas confiables para modelos de aprendizaje profundo posteriores.
La Figura 4 ilustra el rendimiento del modelo PIDL-entrenado utilizando un conjunto de datos de variables físicas directas-para predecir la porosidad. La Figura 4(a) demuestra que las funciones de pérdida para todos los sub-modelos dentro del marco de aprendizaje conjunto convergen efectivamente. Las Figuras 4(b) y 4(c) presentan comparaciones entre la porosidad prevista por el modelo y la porosidad real en los conjuntos de entrenamiento y prueba, respectivamente. Los resultados indican que el modelo PIDL logró un MSE de 0,32 en el conjunto de entrenamiento y 0,75 en el conjunto de prueba, lo que demuestra la capacidad del método para aprender de manera efectiva las complejas relaciones no lineales entre las variables físicas y la porosidad, y para lograr predicciones cuantitativas relativamente precisas.
04
Conclusión
Para abordar los desafíos asociados con la dificultad-de-predecir la naturaleza y-la-cuantificación de las causas de los defectos de porosidad en la soldadura por penetración profunda-láser, se propuso y validó un nuevo método de predicción de aprendizaje profundo basado en la física-PIDL. Este estudio construyó un conjunto de datos seleccionando variables físicas de un modelo de campo multi-físico, que abarca cuatro categorías principales: factores termodinámicos, flujo de metal líquido, factores relacionados con el ojo de cerradura-y geometría del baño de fusión. Los resultados experimentales demostraron que, en comparación con los modelos tradicionales de aprendizaje profundo basados únicamente en parámetros de proceso, el modelo PIDL propuesto logró una reducción significativa del 41 % en la predicción del error cuadrático medio (MSE). Se identificó que la velocidad máxima del flujo descendente y la profundidad del ojo de cerradura son las dos variables físicas más críticas que rigen la formación de porosidad; además, ambos exhiben una correlación monótona con los niveles de porosidad, mientras que las contribuciones del tiempo de solidificación y el tamaño del charco de fusión son relativamente menores y no-monótonas. Al emplear técnicas de fusión de características para transformar variables físicas en características adimensionales-que describen eficazmente la formación, el movimiento y el atrapamiento de burbujas-el estudio no solo redujo la dimensionalidad de las características sino que también mantuvo una precisión predictiva sustancial, al tiempo que dotó al modelo de una interpretabilidad física más clara y una estabilidad estadística mejorada. Con base en el análisis de interpretabilidad SHAP, se estableció explícitamente que la relación de aspecto del ojo de cerradura exhibe una fuerte correlación positiva con los niveles de porosidad, sirviendo así como un indicador eficaz para evaluar directamente la propensión a la formación de porosidad; Al mismo tiempo, también se descubrió que la fuerza de arrastre del flujo descendente-caracterizada por el número de Stokes- ejerce una influencia significativa en la formación de porosidad.
