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 la porosidad-profunda y la interpretabilidad. Para abordar esta cuestión crítica, este estudio propone un marco innovador de Física-Aprendizaje profundo informado (PIDL) que integra modelado mecanicista con datos experimentales, con el objetivo de predecir con precisión los niveles de porosidad durante la soldadura láser de aleaciones de aluminio y dilucidar los mecanismos físicos subyacentes responsables de su formación.
Al abordar el problema de la porosidad en la soldadura láser-un fenómeno impulsado por procesos complejos como la inestabilidad del ojo de cerradura, la dinámica del baño de fusión y la solidificación-, este estudio propone un marco predictivo novedoso que integra la simulación numérica multifísica con el aprendizaje profundo. La investigación comienza extrayendo sistemáticamente variables físicas clave-relacionadas con la estabilidad del ojo de cerradura, la geometría del baño de fusión, el flujo de metal líquido y las características térmicas-utilizando un modelo multifísico validado a través de datos experimentales. Sobre la base de esta base, el modelo PIDL desarrollado logró una reducción del 41 % en el error cuadrático medio (MSE) en comparación con los modelos tradicionales de aprendizaje profundo entrenados únicamente en parámetros de proceso. 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). Finalmente, utilizando el análisis SHAP (Shapley Additive Explanations), el estudio estableció cuantitativamente-por primera vez-la importancia jerárquica de varios factores físicos en el proceso de formación de porosidad; específicamente, identificó 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.
La Figura 1 ilustra imágenes típicas de la distribución de la porosidad 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 las costuras 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 los valores de porosidad previstos y reales para 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 precisas.
La Figura 5, a través del análisis SHAP, revela la clasificación de importancia y las tendencias de influencia de varias variables físicas en la predicción de la porosidad. La Figura 5 (a) indica que, entre todas las variables físicas seleccionadas, la velocidad máxima descendente dentro del flujo de metal líquido ejerce la mayor influencia sobre la porosidad, seguida por la profundidad del ojo de cerradura. La Figura 5 (b) ilustra la distribución de las contribuciones de cada característica a los resultados de predicción para cada muestra, donde el rojo representa valores de características altos y el azul representa valores de características bajos. Un análisis combinado revela que la velocidad máxima descendente está correlacionada negativamente con la porosidad (es decir, cuanto más fuerte es el flujo descendente, mayor es la porosidad), mientras que la profundidad del ojo de cerradura está correlacionada positivamente con la porosidad (es decir, cuanto más profundo es el ojo de cerradura, mayor es la porosidad).
