通过从熔池表面形态中获取的物理信息进行实时穿透深度预测，应用于激光填充丝焊接过程

《JOURNAL OF INTELLIGENT MANUFACTURING》：Real-time penetration depth prediction via physics-informed learning from molten pool surface morphology in laser filler wire welding

焊接过程实时监测的精度受限于数据不足，本研究提出融合物理信息神经网络与热传导模型的混合架构，利用熔池图像序列推断热学参数，在仅10%训练数据下实现0.1136mm以内平均绝对误差，支持工业级实时部署。

　　

摘要

焊接过程中的组装误差和热变形凸显了实时监测焊缝穿透深度的必要性。尽管深度学习方法具有巨大的潜力，但标记训练数据的稀缺限制了其在工业环境中的应用。为了解决这些限制，本研究提出了一种新颖的、基于物理知识的神经网络架构，该架构旨在利用有限的数据集实现焊缝穿透深度的实时预测。该模型利用熔池图像序列来定量推断多个与热相关的变量，包括穿透深度变化、有效热扩散率、热导率、激光能量吸收率和热源分布半径。这些推断出的参数被纳入分析热传递模型中，以保持必要的物理一致性，从而实现精确的穿透深度预测。这种混合架构既能提取空间特征，又能模拟时间动态，明确表示熔池的关键孔演变过程，同时隐式捕捉熔池流体的行为。具有物理意识的激活函数将热相关参数限制在物理上有意义的范围内，从而稳定收敛过程并提高训练效率。实验评估表明，即使仅使用数据集的10%进行训练，该模型的平均绝对误差也不超过0.1136毫米。此外，该模型能够可靠地预测极端且以前未见过的间隙条件，性能优于其他基线方法。该模型仅有0.55百万个参数，推理延迟不到6.67毫秒，具有出色的准确性，适用于工业焊接应用的实时监控。模型实现代码可在https://github.com/talosfabs/PI-CNN-LSTM-LBW获取。