Predictive Modeling of Laser Beam Welding Geometry Using Regression and Deep Learning

Abstract

Die genaue Vorhersage des Schmelzbadverhaltens beim Laserstrahlschweißen ist entscheidend für die Herstellung hochwertiger und zuverlässiger Verbindungen. Hochauflösende Simulationen mit Werkzeugen wie OpenFOAM erfordern jedoch erhebliche Rechenressourcen. Diese Arbeit untersucht den Einsatz von Methoden des maschinellen Lernens als ergänzendes Werkzeug zur Unterstützung des Simulationsprozesses und zur Beschleunigung der Parameterexploration.Zwei Modellierungsansätze werden untersucht: klassische Regression und Deep Learning. Regressionsmodelle werden trainiert, um auf Grundlage von Prozessparametern zentrale geometrische Merkmale der Dampfkapillare, insbesondere deren Tiefe und Breite, vorherzusagen. Die Modelle werden umfassend evaluiert, um ihre Robustheit und Generalisierbarkeit sicherzustellen.Im zweiten Teil wird Deep Learning eingesetzt, um hochauflösende Bilder der Dampfkapillare direkt aus physikalischen Eingangsparametern vorherzusagen. Eine konvolutionale Decoder-Architektur wird trainiert, um räumliche Eigenschaften des Schmelzbads zu erfassen und realistische Bildausgaben zu erzeugen.Die Ergebnisse zeigen, dass sowohl Regressions- als auch Deep-Learning-Methoden die Identifikation geeigneter Prozessbedingungen unterstützen können und gleichzeitig den für herkömmliche Simulationen erforderlichen Rechenaufwand deutlich reduzieren.

Accurately predicting melt pool behavior in laser beam welding is crucial for producing high-quality and reliable joints. However, high-fidelity simulations using tools such as OpenFOAM demand substantial computational resources. This thesis explores machine learning techniques as a complementary tool to support the simulation process and accelerate parameter exploration.Two modeling approaches were investigated: classical regression and deep learning. Regression models were trained to predict key geometric features of the keyhole, namely its depth and width, based on process parameters. The models were rigorously evaluated to ensure robustness and generalizability.In a second part, deep learning was used to predict full-resolution keyhole images directly from physical input parameters. A convolutional decoder architecture was trained to capture spatial characteristics of the melt pool and generate realistic image outputs.The results demonstrate that both regression and deep learning methods can support the identification of suitable processing conditions while significantly reducing the computational effort required for conventional simulations.