Multi-Response Optimization of Aluminum Laser Spot Welding with Sinusoidal and Cosinusoidal Power Profiles Based on Taguchi–Grey Relational Analysis
Notice bibliographique
Résumé
Laser weld quality remains a critical priority across nearly all industries. However, identifying optimal laser parameter sets continues to be highly challenging, often relying on costly, time-consuming trial-and-error experiments. This difficulty is largely attributed to the severe fluctuations and instabilities inherent in laser welding, particularly keyhole instabilities. This study examines the impact of laser power modulation parameters, which, when properly applied, have been found effective in controlling and minimizing process instabilities. The investigated parameters include different pulse shapes (sinusoidal and cosinusoidal) and their associated characteristics, namely frequency (100-800 Hz) and amplitude (1000-4000 W). The impact of these modulation parameters on keyhole mode laser spot welding performance in aluminum is investigated. Using a Taguchi experimental design, a series of tests were developed, focusing on eight key welding responses, including keyhole dimensions, mean temperature, and the variability of instability-inducing forces and related factors affecting process stability. Grey relational analysis (GRA) combined with analysis of variance (ANOVA) is applied to identify the optimal combinations of laser parameters. The results indicate that low amplitude (1000 W), low to intermediate frequencies (100-400 Hz), and cosinusoidal waveforms significantly enhance weld quality by improving process stability and balancing penetration depth. Among the factors, amplitude has the greatest impact, accounting for over 50% of the performance variation, followed by frequency and pulse shape. The findings provide clear guidance for optimizing laser welding parameters to achieve stable, high-quality aluminum welds.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».