01
Introdução ao artigo
A soldagem a laser no modo de{0}penetração profunda representa um processo de união de metais altamente promissor na fabricação moderna; entretanto, sua aplicação é frequentemente dificultada pela ocorrência de defeitos de porosidade. Dado que a formação de poros envolve processos físicos altamente não lineares e multi{2}}acoplados-e é difícil de monitorar *in situ* em metais opacos,-prever com precisão defeitos de porosidade e seus mecanismos de formação subjacentes continua sendo um desafio formidável. Estudos paramétricos tradicionais e modelos de aprendizado de máquina baseados exclusivamente em parâmetros brutos de soldagem sofrem de limitações em relação à capacidade de generalização, precisão na previsão de poros profundos-assentados e interpretabilidade. Para resolver essa questão crítica, o presente estudo propõe uma estrutura inovadora de-Informed Deep Learning (PIDL) de Física. Ao integrar a modelagem mecanística com dados experimentais, esta estrutura visa prever com precisão a taxa de porosidade durante a soldagem a laser de ligas de alumínio e elucidar as causas físicas subjacentes à sua formação.
02
**Visão Geral do Estudo**
Este estudo aborda a questão da porosidade na soldagem a laser,-um problema decorrente de fenômenos complexos, como instabilidade de buraco de fechadura, dinâmica de fusão e solidificação,-propondo uma nova estrutura preditiva que integra simulação numérica multifísica com aprendizado profundo. A pesquisa começa utilizando um modelo multifísico validado experimentalmente para extrair sistematicamente as principais variáveis físicas associadas à estabilidade do buraco da fechadura, geometria da poça de fusão, fluxo de metal líquido e características térmicas. Com base neste fundamento, foi construído um modelo PIDL; em comparação com modelos tradicionais de aprendizagem profunda treinados apenas em parâmetros de processo, este modelo alcançou uma redução substancial de 41% no erro quadrático médio (MSE). Para melhorar a interpretabilidade do modelo, os pesquisadores sintetizaram essas variáveis físicas em características adimensionais com significado físico claro (por exemplo, proporção de aspecto de buraco de fechadura, número de Stokes, etc.). Por fim, aproveitando a análise SHAP (Shapley Additive Explanations), o estudo revelou quantitativamente-pela primeira vez-a importância hierárquica de vários fatores físicos no processo de formação de porosidade. As descobertas identificam a relação de aspecto do buraco de fechadura e a resistência ao fluxo impulsionada pelo fluxo de fusão descendente como os dois determinantes mais críticos da formação de porosidade, fornecendo assim uma orientação clara para a otimização do processo.
03
Análise Visual
A Figura 1 ilustra imagens típicas de distribuição de poros obtidas sob vários parâmetros de soldagem, após processamento via inspeção-de raios X e algoritmos de reconhecimento de imagem. A figura demonstra que à medida que a combinação dos parâmetros de soldagem varia, surgem diferenças significativas na quantidade, tamanho e distribuição dos poros dentro da costura de solda; esses dados de porosidade servem como rótulos para o treinamento subsequente de modelos de aprendizagem profunda.
A Figura 2 apresenta um diagrama esquemático do modelo numérico multifísico empregado neste estudo. Ao resolver as equações de conservação de massa, momento e energia-e incorporar um-algoritmo de rastreamento de raio-este modelo calcula com precisão as múltiplas reflexões e a absorção de energia do feixe de laser dentro do buraco da fechadura. A Figura 2 (a) ilustra a discretização do feixe de laser em numerosos sub-raios, cada um transportando uma quantidade específica de energia; A Figura 2 (b) representa geometricamente a cintura do feixe do laser; e a Figura 2(c) representa visualmente o processo complexo de múltiplas reflexões sofridas pelos sub-raios laser dentro do buraco da fechadura. Este modelo fornece informações transitórias tri-dimensionais sobre a morfologia do buraco de fechadura e campos de fluxo de pool de fusão-dados que são difíceis de obter experimentalmente-fornecendo assim recursos de entrada críticos para a construção do modelo PIDL.
A Figura 3 apresenta os resultados de validação do modelo multifísico, comparando valores medidos experimentalmente com previsões do modelo para profundidade da poça de fusão (Fig. 3(a)) e comprimento da poça de fusão (Fig. 3(b)) sob parâmetros extremos do processo. Os resultados demonstram uma forte concordância entre as previsões do modelo e os dados experimentais; especificamente, o erro relativo para previsões da profundidade da poça de fusão fica na faixa de -6,3% a 20,9%, enquanto o erro para previsões do comprimento da poça de fusão varia de -16,9% a 20,4%. Estes resultados de validação confirmam a alta precisão do modelo multifísico estabelecido, demonstrando sua capacidade de fornecer dados variáveis físicos confiáveis para modelos de aprendizagem profunda subsequentes.
