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 porosidade-profunda e interpretabilidade. Para resolver esta questão crítica, este estudo propõe uma estrutura inovadora de Physics-Informed Deep Learning (PIDL) que integra modelagem mecanística com dados experimentais, com o objetivo de prever com precisão os níveis de porosidade durante a soldagem a laser de ligas de alumínio e elucidar os mecanismos físicos subjacentes responsáveis por sua formação.
Abordando a questão da porosidade na soldagem a laser,-um fenômeno impulsionado por processos complexos, como instabilidade de buraco de fechadura, dinâmica de fusão e solidificação,-este estudo propõe uma nova estrutura preditiva que integra simulação numérica multifísica com aprendizado profundo. A pesquisa começa extraindo sistematicamente as principais variáveis físicas-relativas à estabilidade do buraco de fechadura, geometria da poça de fusão, fluxo de metal líquido e características térmicas-usando um modelo multifísico validado por meio de dados experimentais. Com base nesta base, o modelo PIDL desenvolvido alcançou uma redução de 41% no erro quadrático médio (MSE) em comparação com modelos tradicionais de aprendizagem profunda treinados apenas em parâmetros de processo. 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). Por fim, utilizando a análise SHAP (Shapley Additive Explanations), o estudo estabeleceu quantitativamente-pela primeira vez-a importância hierárquica de vários fatores físicos no processo de formação de porosidade; especificamente, identificou a relação de aspecto do buraco de fechadura e a resistência ao fluxo impulsionada pelo fluxo descendente do fundido como os dois determinantes mais críticos da formação de porosidade, fornecendo assim uma orientação clara para a otimização do processo.
A Figura 1 ilustra imagens típicas de distribuição de porosidade 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 dos cordões 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 complexo processo 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.
A Figura 4 ilustra o desempenho do modelo PIDL-treinado usando um conjunto de dados de variáveis físicas diretas-na previsão de porosidade. A Figura 4(a) demonstra que as funções de perda para todos os sub-modelos dentro da estrutura de aprendizagem em conjunto convergem efetivamente. As Figuras 4(b) e 4(c) apresentam comparações entre os valores de porosidade previstos e reais para os conjuntos de treinamento e teste, respectivamente. Os resultados indicam que o modelo PIDL alcançou um MSE de 0,32 no conjunto de treinamento e 0,75 no conjunto de teste, demonstrando assim a capacidade do método de aprender efetivamente as complexas relações não lineares entre variáveis físicas e porosidade, e de alcançar previsões quantitativas precisas.
A Figura 5, por meio da análise SHAP, revela a classificação de importância e as tendências de influência de diversas variáveis físicas na previsão da porosidade. A Figura 5 (a) indica que, entre todas as variáveis físicas selecionadas, a velocidade descendente máxima dentro do fluxo de metal líquido exerce a maior influência na porosidade, seguida pela profundidade do buraco da fechadura. A Figura 5 (b) ilustra a distribuição das contribuições de cada recurso para os resultados de previsão para cada amostra, em que o vermelho representa valores altos de recursos e o azul representa valores baixos de recursos. Uma análise combinada revela que a velocidade descendente máxima está negativamente correlacionada com a porosidade (ou seja, quanto mais forte o fluxo descendente, maior será a porosidade), enquanto a profundidade do buraco da fechadura está positivamente correlacionada com a porosidade (ou seja, quanto mais profundo o buraco da fechadura, maior será a porosidade).
