La saldatura laser in modalità-penetrazione profonda rappresenta un processo di giunzione dei metalli molto promettente nella produzione moderna; tuttavia la sua applicazione è spesso ostacolata dal verificarsi di difetti di porosità. Dato che la formazione dei pori implica processi fisici altamente non lineari e multi-accoppiati-ed è difficile da monitorare *in situ* all'interno dei metalli opachi,-prevedere con precisione i difetti di porosità e i relativi meccanismi di formazione sottostanti rimane una sfida formidabile. Gli studi parametrici tradizionali e i modelli di machine learning basati esclusivamente su parametri di saldatura grezzi soffrono di limitazioni riguardanti la capacità di generalizzazione, l'accuratezza nella previsione della porosità profonda-radicata e l'interpretabilità. Per affrontare questo problema critico, questo studio propone un innovativo framework PIDL (Physics-Informed Deep Learning) che integra la modellazione meccanicistica con dati sperimentali, con l'obiettivo di prevedere con precisione i livelli di porosità durante la saldatura laser delle leghe di alluminio e di chiarire i meccanismi fisici sottostanti responsabili della loro formazione.
Affrontando il problema della porosità nella saldatura laser,-un fenomeno guidato da processi complessi come l'instabilità del buco della serratura, la dinamica dei pool di fusione e la solidificazione,-questo studio propone un nuovo quadro predittivo che integra la simulazione numerica multifisica con il deep learning. La ricerca inizia estraendo sistematicamente le variabili fisiche chiave-relative alla stabilità del buco della serratura, alla geometria del bagno di fusione, al flusso del metallo liquido e alle caratteristiche termiche-utilizzando un modello multifisico convalidato attraverso dati sperimentali. Sulla base di queste basi, il modello PIDL sviluppato ha ottenuto una riduzione del 41% dell’errore quadratico medio (MSE) rispetto ai tradizionali modelli di deep learning addestrati esclusivamente sui parametri di processo. Per migliorare l'interpretabilità del modello, i ricercatori hanno sintetizzato queste variabili fisiche in caratteristiche adimensionali con un chiaro significato fisico (ad esempio, proporzioni del buco della serratura, numero di Stokes). Infine, utilizzando l'analisi SHAP (Shapley Additive Explanations), lo studio ha stabilito quantitativamente-per la prima volta-l'importanza gerarchica di vari fattori fisici nel processo di formazione della porosità; in particolare, ha identificato le proporzioni del buco della serratura e la resistenza al flusso determinata dal flusso di fusione verso il basso come i due determinanti più critici della formazione di porosità, fornendo così una guida chiara per l'ottimizzazione del processo.
La Figura 1 illustra immagini tipiche della distribuzione della porosità ottenute con vari parametri di saldatura, in seguito all'elaborazione tramite ispezione a raggi X e algoritmi di riconoscimento delle immagini. La figura dimostra che al variare della combinazione dei parametri di saldatura, emergono differenze significative nella quantità, dimensione e distribuzione dei pori all'interno dei cordoni di saldatura; questi dati sulla porosità servono come etichette per il successivo addestramento dei modelli di deep learning.
La Figura 2 presenta un diagramma schematico del modello numerico multifisico utilizzato in questo studio. Risolvendo le equazioni di conservazione di massa, quantità di moto ed energia-e incorporando un algoritmo di -tracciamento dei raggi-questo modello calcola accuratamente le riflessioni multiple e l'assorbimento di energia del raggio laser all'interno del buco della serratura. La Figura 2(a) illustra la discretizzazione del raggio laser in numerosi sotto-raggi, ciascuno dei quali trasporta una specifica quantità di energia; La Figura 2 (b) raffigura geometricamente la vita del raggio del laser; e la Figura 2(c) rappresenta visivamente il complesso processo di riflessioni multiple subito dai sottoraggi laser-all'interno del buco della serratura. Questo modello fornisce informazioni tridimensionali e transitorie riguardanti la morfologia del buco della serratura e i campi di flusso dei pozzi di fusione-dati difficili da ottenere sperimentalmente-fornendo così caratteristiche di input critiche per la costruzione del modello PIDL.
La Figura 3 presenta i risultati di validazione del modello multifisico, confrontando i valori misurati sperimentalmente con le previsioni del modello per la profondità del bagno di fusione (Fig. 3(a)) e la lunghezza del bagno di fusione (Fig. 3(b)) con parametri di processo estremi. I risultati dimostrano un forte accordo tra le previsioni del modello e i dati sperimentali; in particolare, l'errore relativo per le previsioni sulla profondità del bagno di fusione rientra nell'intervallo compreso tra -6,3% e 20,9%, mentre l'errore per le previsioni sulla lunghezza del bagno di fusione varia tra -16,9% e 20,4%. Questi risultati di validazione confermano l’elevata precisione del modello multifisico consolidato, dimostrando la sua capacità di fornire dati variabili fisici affidabili per i successivi modelli di deep learning.
La Figura 4 illustra le prestazioni del modello PIDL-addestrato utilizzando un set di dati di variabili fisiche dirette-nel prevedere la porosità. La Figura 4(a) dimostra che le funzioni di perdita per tutti i sotto-modelli all'interno del quadro di apprendimento d'insieme convergono in modo efficace. Le figure 4 (b) e 4 (c) presentano i confronti tra i valori di porosità previsti ed effettivi rispettivamente per i set di addestramento e di test. I risultati indicano che il modello PIDL ha raggiunto un MSE di 0,32 sul set di addestramento e di 0,75 sul set di test, dimostrando così la capacità del metodo di apprendere in modo efficace le complesse relazioni non lineari tra variabili fisiche e porosità e di ottenere previsioni quantitative accurate.
La Figura 5, attraverso l'analisi SHAP, rivela la classifica di importanza e le tendenze di influenza di varie variabili fisiche sulla previsione della porosità. La Figura 5 (a) indica che, tra tutte le variabili fisiche selezionate, la velocità massima verso il basso all'interno del flusso di metallo liquido esercita la maggiore influenza sulla porosità, seguita dalla profondità del buco della serratura. La Figura 5 (b) illustra la distribuzione dei contributi di ciascuna caratteristica ai risultati della previsione per ogni campione, in cui il rosso rappresenta valori di caratteristica elevati e il blu rappresenta valori di caratteristica bassi. Un'analisi combinata rivela che la velocità massima verso il basso è correlata negativamente con la porosità (ovvero, quanto più forte è il flusso verso il basso, maggiore è la porosità), mentre la profondità del buco della serratura è correlata positivamente con la porosità (ovvero, quanto più profondo è il buco della serratura, tanto maggiore è la porosità).
