Architektur des Rahmens für physikalisch informiertes Deep Learning (PIDL). Das PIDL-Modell kann eine genaue Vorhersage des Porositätsgrades und der hierarchischen Bedeutung verschiedener physikalischer Faktoren liefern.
Quelle: BAM
Das Laserstrahlschweißen stellt eine bedeutende Fertigungstechnologie für metallische Werkstoffe von industrieller Relevanz dar, wie beispielsweise Stahl, Al-Legierungen, Ti-Legierungen und dergleichen. Seine typischen oder potenziellen Anwendungsbereiche umfassen den Schiffbau, den Automobilbau, die Luft- und Raumfahrt sowie die Herstellung großer Hochdruck- und Vakuumbehälter. Allerdings wird die Anwendung häufig durch das Auftreten von Porositätsdefekten behindert. Diese Defekte verschlechtern die Kontinuität der Schweißstruktur und damit die Homogenität der Schweißeigenschaften. Unter statischer oder dynamischer Belastung entstehen Spannungskonzentrationen an der Gas/Festkörper-Grenzfläche, die zu einem Versagen der Struktur führen.
Die genaue Vorhersage der Porositätsdefekte sowie der Einblick in deren Entstehungsmechanismus sind aufgrund der hohen Temperatur im Schweißbereich (über 3000 K), der undurchsichtigen Beschaffenheit des geschmolzenen Metalls sowie der hochgradig nichtlinearen physikalischen Vorgänge nach wie vor schwierig. Die herkömmliche Methode, bei der die Schweißparameter als Eingaben für ein Machine Learning-Modell verwendet werden, erreicht noch keine zufriedenstellende Vorhersagegenauigkeit. In der vorliegenden Arbeit wird ein physikinformiertes Deep Learning (PIDL) vorgeschlagen, das die Multiphysik-Modellierung und experimentelle Daten nutzt, um den Porositätsgrad beim Laserstrahlschweißen von Aluminiumlegierungen vorherzusagen. Das experimentell validierte multiphysikalische Modell kann die wichtigsten physikalischen Variablen bezüglich der kritischen Entstehungsprozesse der Porositätsdefekte identifizieren. Die Verwendung der physikalischen Variablen als Eingaben resultiert in einer signifikant höheren Prognosegenauigkeit des Porositätsverhältnisses, was sich durch eine Reduzierung des mittleren quadratischen Fehlers um 41 % im Vergleich zum herkömmlichen DL-Modell, das mit Schweißparametern trainiert wurde, zeigt. Darüber hinaus werden die ausgewählten Variablen zu dimensionslosen Merkmalen mit eindeutigen physikalischen Bedeutungen kombiniert, um die Interpretierbarkeit und Erweiterbarkeit des PIDL-Modells zu verbessern.
Auf der Grundlage eines gut trainierten PIDL-Modells wird die hierarchische Bedeutung der physikalischen Variablen/Verfahren für die Porositätsbildung aufgezeigt. Das Seitenverhältnis des Keyholes wird als der einflussreichste Faktor bei der Porositätsbildung identifiziert und kann als direkter Index zur Beschreibung der Tendenz des Defektauftretens verwendet werden. Die abwärtsgerichtete strömungsbedingte Reibungskraft hat ebenfalls einen erheblichen Einfluss, dessen Bedeutung jedoch unterschätzt wird und demzufolge mehr Beachtung finden sollte. Die in dieser Arbeit gewonnenen Erkenntnisse bieten einen wertvollen Leitfaden für die Prozessoptimierung und die Minimierung von Porosität, nicht nur beim Schweißen, sondern auch bei anderen laserbasierten Materialbearbeitungen, einschließlich der additiven Fertigung.
Toward prediction and insight of porosity formation in laser welding: A physics-informed deep learning framework
Xiangmeng Meng, Marcel Bachmann, Fan Yang, Michael Rethmeier
Acta Materialia, Volume 286, March 2025