Fast & generalisierbarer Fourier Neural Operator für Schmelzpool‑Vorhersagen in Laser‑Schweißen

Hohe Genauigkeit bei Laser‑Schweißsimulationen ist entscheidend, doch die enorme Rechenzeit verhindert eine breite Prozessexploration und Echtzeit‑Anwendung. Forscher haben deshalb den Laser Processing Fourier Neural Operator (LP‑FNO) entwickelt, ein neuronales Modell, das die komplexen thermo‑fluiden Phänomene von Schweißprozessen in Echtzeit abbilden kann.

Der LP‑FNO nutzt die Fourier Neural Operator‑Architektur, um aus umfangreichen FLOW‑3D WELD‑Simulationen einen parametrischen Lösungsoperator zu lernen. Durch die Umformulierung des transienten Problems in den bewegten Laser‑Rahmen und die Anwendung einer zeitlichen Mittelung entsteht ein quasi‑statisches Setting, das sich ideal für das Training des Operators eignet – selbst im anspruchsvollen Keyhole‑Schweißmodus.

Das Modell übersetzt Schweißparameter in dreidimensionale Temperaturfelder und Schmelzpool‑Grenzen über ein breites Prozessfenster, das sowohl den Leitungs- als auch den Keyhole‑Modus abdeckt. Die Vorhersagefehler liegen bei etwa 1 % und die Intersection‑over‑Union‑Scores für die Schmelzpool‑Segmentierung überschreiten 0,9. Darüber hinaus kann ein mit groben Netzen trainierter LP‑FNO auf feineren Gitterauflösungen ausgeführt werden, wodurch hochauflösende, super‑resolvierte Ergebnisse in konvergenten Leitungs­modi erzielt werden. In Keyhole‑Modi zeigen sich jedoch noch Unstimmigkeiten, die auf die fehlenden Dynamiken in den groben Trainingsdaten zurückzuführen sind.

Diese Ergebnisse demonstrieren, dass der LP‑FNO ein leistungsfähiges und effizientes Surrogatmodell für Laser‑Schweißprozesse darstellt, das sowohl die Genauigkeit hoch‑auflösender Simulationen beibehält als auch die Rechenzeit drastisch reduziert.