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 매개변수만을 기반으로 하는 기존의 매개변수 연구 및 기계 학습 모델은 일반화 기능, 깊은-기공성 예측의 정확성 및 해석 가능성과 관련된 한계로 인해 어려움을 겪고 있습니다. 이 중요한 문제를 해결하기 위해 이 연구에서는 기계적 모델링과 실험 데이터를 통합하는 혁신적인 PIDL(Physics{8}}Informed Deep Learning(PIDL) 프레임워크를 제안합니다. 목표는 알루미늄 합금의 레이저 용접 중 다공성 수준을 정확하게 예측하고 그 형성을 담당하는 기본 물리적 메커니즘을 밝히는 것입니다.
레이저 용접의 다공성 문제-열쇠 구멍 불안정성, 용융 풀 역학 및 응고와 같은 복잡한 프로세스로 인해 발생하는 현상-을 해결하기 위해 이 연구에서는 다중 물리학 수치 시뮬레이션과 딥 러닝을 통합하는 새로운 예측 프레임워크를 제안합니다. 연구는 실험 데이터를 통해 검증된 다중물리학 모델을 사용하여 열쇠구멍 안정성, 용융 풀 기하학, 액체 금속 흐름 및 열 특성과 관련된 주요 물리적 변수-를 체계적으로 추출하는 것부터 시작됩니다.- 이러한 기반을 바탕으로 개발된 PIDL 모델은 프로세스 매개변수로만 학습된 기존 딥러닝 모델에 비해 평균 제곱 오차(MSE)가 41% 감소했습니다. 모델 해석성을 향상시키기 위해 연구원들은 이러한 물리적 변수를 명확한 물리적 중요성(예: 열쇠 구멍 종횡비, 스톡스 수)을 갖는 무차원 특징으로 합성했습니다. 마지막으로, SHAP(Shapley Additive Descriptions) 분석을 활용하여 다공성 형성 과정에서 다양한 물리적 요인의 계층적 중요성을-처음으로-정량적으로 확립했습니다. 구체적으로, 다공성 형성의 가장 중요한 두 가지 결정 요인으로 키홀 종횡비와 하향 용융 흐름에 의해 구동되는 유동 저항을 식별하여 공정 최적화를 위한 명확한 지침을 제공했습니다.
그림 1은 X-선 검사 및 이미지 인식 알고리즘을 통한 처리 후 다양한 용접 매개변수에서 얻은 다공성 분포의 일반적인 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.
그림 4는 다공성을 예측하는 데 있어 -직접 물리적 변수의 데이터 세트를 사용하여 훈련된-PIDL 모델의 성능을 보여줍니다. 그림 4(a)는 앙상블 학습 프레임워크 내의 모든 하위{5}}모델에 대한 손실 함수가 효과적으로 수렴됨을 보여줍니다. 그림 4(b)와 4(c)는 각각 훈련 세트와 테스트 세트에 대한 예측 다공성 값과 실제 다공성 값을 비교한 것입니다. 결과는 PIDL 모델이 훈련 세트에서 0.32, 테스트 세트에서 0.75의 MSE를 달성했음을 나타냅니다. 이를 통해 물리적 변수와 다공성 사이의 복잡한 비선형 관계를 효과적으로 학습하고 정확한 정량적 예측을 달성하는 방법의 능력을 입증했습니다.
그림 5는 SHAP 분석을 통해 다공성 예측에 대한 중요도 순위와 다양한 물리적 변수의 영향 추세를 보여줍니다. 그림 5(a)는 선택된 모든 물리적 변수 중에서 액체 금속 흐름 내 최대 하향 속도가 다공성에 가장 큰 영향을 미치고 열쇠 구멍 깊이가 그 뒤를 잇는다는 것을 나타냅니다. 그림 5(b)는 모든 샘플에 대한 예측 결과에 대한 각 특징의 기여도 분포를 보여주며, 빨간색은 높은 특징 값을 나타내고 파란색은 낮은 특징 값을 나타냅니다. 결합된 분석에 따르면 최대 하향 속도는 다공성과 음의 상관관계가 있는 것으로 나타났습니다(즉, 하향 흐름이 강할수록 다공성이 높아짐). 반면에 열쇠 구멍 깊이는 다공성과 양의 상관 관계가 있습니다(즉, 열쇠 구멍이 깊을수록 다공성이 높아짐).
