01
논문소개
깊은-관입 모드의 레이저 용접은 현대 제조 분야에서 매우 유망한 금속 접합 공정을 나타냅니다. 그러나 다공성 결함의 발생으로 인해 적용이 자주 방해를 받습니다. 기공 형성에는 매우 비선형적이고 다중 결합된-물리적 과정이 포함되고-불투명 금속 내에서 *현장*을 모니터링하기가 어렵다는 점을 고려하면{4}}다공성 결함과 기저 형성 메커니즘을 정확하게 예측하는 것은 여전히 어려운 과제로 남아 있습니다. 원시 용접 매개변수에만 기반한 기존의 매개변수 연구 및 기계 학습 모델은 일반화 기능, 깊은-공극 예측의 정확성 및 해석 가능성과 관련된 한계로 인해 어려움을 겪고 있습니다. 이 중요한 문제를 해결하기 위해 본 연구에서는 혁신적인 물리학-Informed Deep Learning(PIDL) 프레임워크를 제안합니다. 기계적 모델링과 실험 데이터를 통합함으로써 이 프레임워크는 알루미늄 합금의 레이저 용접 중 다공성 비율을 정확하게 예측하고 형성 이면의 근본적인 물리적 원인을 밝히는 것을 목표로 합니다.
02
**연구 개요**
이 연구는 다중물리 수치 시뮬레이션과 딥 러닝을 통합하는 새로운 예측 프레임워크를 제안하여 레이저 용접의 다공성 문제-열쇠 구멍 불안정성, 용융 풀 역학 및 응고와 같은 복잡한 현상에서 발생하는 문제-를 해결합니다. 연구는 실험적으로 검증된 다중물리 모델을 활용하여 열쇠 구멍 안정성, 용융 풀 기하학, 액체 금속 흐름 및 열 특성과 관련된 주요 물리적 변수를 체계적으로 추출하는 것으로 시작됩니다. 이러한 기반을 바탕으로 PIDL 모델이 구축되었습니다. 프로세스 매개변수로만 훈련된 기존 딥 러닝 모델과 비교하여 이 모델은 평균 제곱 오차(MSE)를 41% 크게 감소시켰습니다. 모델 해석성을 향상시키기 위해 연구원들은 이러한 물리적 변수를 명확한 물리적 중요성(예: 열쇠 구멍 종횡비, 스토크스 수 등)을 갖는 무차원 기능으로 합성했습니다. 마지막으로, 이 연구는 SHAP(Shapley Additive Descriptions) 분석을 활용하여 다공성 형성 과정에서 다양한 물리적 요인의 계층적 중요성을{10}}처음으로{11}}정량적으로 밝혔습니다. 연구 결과에 따르면 키홀 종횡비와 하향 용융 흐름에 의해 발생하는 흐름 저항이 다공성 형성의 가장 중요한 두 가지 결정 요인으로 확인되어 공정 최적화를 위한 명확한 지침을 제공합니다.
03
시각적 분석
그림 1은 X-선 검사 및 이미지 인식 알고리즘을 통해 처리한 후 다양한 용접 매개변수에서 얻은 일반적인 기공 분포 이미지를 보여줍니다. 그림은 용접 매개변수의 조합이 다양해짐에 따라 용접 이음새 내 기공의 수량, 크기 및 분포에 상당한 차이가 나타난다는 것을 보여줍니다. 이러한 다공성 데이터는 딥 러닝 모델의 후속 교육을 위한 레이블 역할을 합니다.
그림 2는 본 연구에 사용된 다중물리 수치 모델의 개략도를 나타냅니다. 질량, 운동량, 에너지에 대한 보존 방정식을 풀고-광선-추적 알고리즘-을 통합하여 이 모델은 열쇠 구멍 내 레이저 빔의 다중 반사와 에너지 흡수를 정확하게 계산합니다. 그림 2(a)는 레이저 빔을 각각 특정 양의 에너지를 운반하는 수많은 하위-광선으로 이산화하는 것을 보여줍니다. 그림 2(b)는 레이저의 빔 웨이스트를 기하학적으로 묘사합니다. 그림 2(c)는 열쇠 구멍 내부의 레이저 하위 광선이 겪는 복잡한 다중 반사 과정을 시각적으로 렌더링합니다. 이 모델은 실험적으로 얻기 어려운 열쇠 구멍 형태 및 용융 풀 유동장에 관한 3차원의 일시적인 정보를-제공하므로{14}}PIDL 모델 구성에 중요한 입력 기능을 제공합니다.
그림 3은 실험적으로 측정된 값을 극한 공정 매개변수 하에서 용융 풀 깊이(그림. 3(a)) 및 용융 풀 길이(그림. 3(b))에 대한 모델 예측과 비교하여 다중물리 모델의 검증 결과를 보여줍니다. 결과는 모델 예측과 실험 데이터 사이의 강력한 일치를 보여줍니다. 구체적으로, 용융 풀 깊이 예측에 대한 상대 오차는 -6.3% ~ 20.9% 범위에 속하는 반면, 용융 풀 길이 예측에 대한 오차는 -16.9% ~ 20.4% 범위에 속합니다. 이러한 검증 결과는 확립된 다중물리 모델의 높은 정확성을 확인하고 후속 딥 러닝 모델에 신뢰할 수 있는 물리적 변수 데이터를 제공할 수 있는 능력을 입증합니다.
