01 Sissejuhatus
Laser-sügavkeevituskeevituse multifüüsikalises sidestusanalüüsis sõltub metalliauru tagasilöögirõhust tingitud võtmeaugu seina{0}}kõrge sageduse kõikumiste ja foto-indutseeritud plasma interaktsioonimehhanismi täpne kirjeldamine rangelt massi, impulsi ja energiasäästu samaaegsest lahendamisest. Traditsiooniline arvutusvedeliku dünaamika (CFD), mis suudab jäädvustada suure-truuduse mööduva vedeliku käitumist suure-tihedusega diskreetsete võrgustike ja adaptiivse aja-sammumise algoritmide konstrueerimise kaudu, on sisuliselt Navier{6}} jõulahenduse strateegia, mis põhineb Navierestoki{{7}S. Kuna arvutusdomeeni ruudustiku Reynoldsi arv suureneb, kasvavad arvutuskulud plahvatuslikult ning ühe suure-täpsusega kolme-dimensioonilise siirde simulatsiooni tegemiseks kulub sageli mitu päeva. See arvutuslik barjäär piirab tõsiselt suuremahuliste protsessiakende iteratiivset optimeerimist. Kuigi masinõpe võib koostada mittelineaarse kaardistamise suure-mõõtmelisest protsessiparameetriruumist füüsilisele reageerimisruumile, jättes mööda keerukast osadiferentsiaalvõrrandi diskretiseerimisprotsessist ja parandades oluliselt tõhusust, põhjustab selle "musta kasti" olemus füüsilise tõlgendatavuse ja ebapiisava üldistusvõimekuse. Puhtalt andmepõhised{16}}mudelid, kui need on lahutatud füüsiliste kaitseseaduste piirangutest, näevad vaeva, et tagada ennustustulemuste-järjepidevus andmete nappides tingimustes.
Seetõttu ei piirdu laserkeevituse numbrilise simulatsiooni praegune tipp{0}}suund enam ühe arvutusmeetodi valikuga, vaid on nihkunud masinõppe ja CFD sügavale integreerimisele. Seotud arhitektuuride loomisega, nagu need, mis põhinevad mälu interaktsioonil (PyFluent) või füüsika-teadlikel närvivõrkudel (PINN-id), on eesmärk ühendada CFD võime füüsilisi mehhanisme põhjalikult uurida masinõppe tõhusate skannimisvõimalustega paljudes parameetrites. See lähenemisviis kasutab CFD pakutavaid kvaliteetseid-füüsiliselt järjekindlaid andmeid, kasutades samal ajal masinõppe veebipõhiseid järelduste eeliseid, pakkudes süstemaatilist insenerilahendust traditsiooniliste arvsimulatsioonide täpsuse ja tõhususe vahelisele konfliktile.
02 Masinõppe arendamine keevitamise ennustamisel Masinõppe areng keevitamise arvsimulatsiooni valdkonnas peegeldab akadeemilise kogukonna süvenevat arusaamist andmefüüsika suhetest. Selle tehnoloogiline areng järgib peamiselt kolme taset, saavutades järk-järgult hüppe lihtsast andmete sobitamisest andmete ja füüsiliste mehhanismide sügavale integreerimisele. 2.1 Staatiline interpolatsioon ja lineaarne regressioon Peamise mõõtmete vähendamise strateegiana masinõppe rakendamisel keevitamise arvsimulatsioonis kasutavad asendusmudelid piiratud hulga kõrgete -tulemuste arvutamise elementide (FEM) täpsusega. Nad kasutavad selliseid algoritme nagu tehisnärvivõrgud (ANN) ja Gaussi protsessi regressioon (GPR), et luua funktsionaalne seos sisendprotsessi parameetrite ja väljundi kvaliteedinäitajate (nagu keevisõmbluse sügavus ja poorsus) vahel. See meetod on sisuliselt statistiline interpolatsioon suure-dimensiooniga ruumis. Kuigi see võib saavutada äärmiselt kõrge ennustustõhususe, puudub selle mudeli tuumal termovedeliku juhtimisvõrrandite tugi ja sellel on must -kast. Selle piirangu tõttu sobivad sellised mudelid ainult püsioleku{11}}tulemuste ennustamiseks. Kui protsessi parameetrid erinevad treeningandmete kumera korpuse vahemikust, väheneb nende üldistamise täpsus järsult füüsiliste piirangute puudumise tõttu, mis muudab nende kohanemise keerukate ja muutuvate tegelike keevitustingimustega keeruliseks. Lisaks, kuna nad on väikese valimi tingimustes täielikult eraldatud energia- ja massisäästuseaduste piirangutest, võivad nad väljastada ebajärjekindlaid ennustustulemusi, mis rikuvad põhilist füüsilist loogikat, mis kujutab endast tõsist usaldusriski.
2.2 Keevitusprotsessi dünaamiline simulatsioon: ajutiste ebastabiilsuste, nagu võtmeaugu kokkuvarisemine ja pritsmed laserkeevitamisel, on teadusuuringud liikunud järk-järgult süvaõppearhitektuuride poole, mis ühendavad kiiret-fotograafiat ja röntgenradiograafia andmeid. Tüüpiline konvolutsioonilise närvivõrgu + pika-lühiajalise mäluvõrgu (CNN+LSTM) mudel, eraldades sulakogumi kujutise ruumilisi tunnuseid ja ajalisi evolutsioonimustreid, saavutab mööduva käitumise dünaamilise prognoosimise otstest -}lõpuni, kompenseerides teatud määral asendusmudelite hõivamise dünaamiliste protsesside piiranguid. Seda tehnikat piirab aga vaatlusandmete täielikkus; isegi mitme anduri korral on katseandmed sisuliselt kolmemõõtmelise vooluvälja projektsioon või lokaalne proovivõtt kahemõõtmelisele tasapinnale. Vedeliku mehaanika põhimõtetest tulenevate piiranguteta on keeruline kolmemõõtmelist vooluvälja rekonstrueerida ainult pinna visuaalse teabe põhjal. Kuigi olemasolevad mudelid suudavad jäädvustada pinnavoolu fenomenoloogilisi omadusi, on neil raske selgitada keevitusdefektide moodustumise alusmehhanisme energia ja impulsi ülekande põhilisest vaatenurgast.
2.3 Füüsika-Teadlik regressioon: puhtalt andmepõhiste-mudelite tõlgendatavuse kriisi lahendamiseks on välja töötatud füüsika-teadlikud närvivõrgud (PINN-id). See arhitektuur ei sobi enam lihtsalt vaadeldavate andmetega, vaid selle asemel manustab Navier{5}}Stokesi võrrandite jääkliikmed ja ajutise soojusjuhtivuse võrrandid kui regulatsioonipiirangud mudeli kadufunktsiooni. Treeningprotsess otsib sisuliselt parameetriruumist optimaalset lahendust, mis ühtib nii vaadeldavate andmetega kui ka vastab füüsikalise jäävuse seadustele. Teoreetiliselt võivad füüsikaliste võrrandite jäigad piirangud tõhusalt kompenseerida puuduvaid andmemõõtmeid eksperimentaalsetes vaatlustes, võimaldades mudelil järeldada füüsiliselt järjekindlaid siserõhu gradiente ja kiirusvälju varjatud ruumis. Kuid inseneripraktika näitab, et selle meetodi ees seisavad tõsised väljakutsed: andmegradientide ja füüsiliste jääkgradientide suurusjärkude erinevus võib kergesti põhjustada raskusi võrgu konvergentsi saavutamisel; ja kõrge -tihedusega kollokatsioonipunktid, mis on vajalikud kõrgemat{10}}järgu tuletisinstrumentide täpseks arvutamiseks, suurendavad märkimisväärselt koolituskulusid, kompenseerides isegi masinõppe tõhususe eeliseid mõne suure sagedusega{11}}siirdeprobleemide korral.
03 Masinõppe ja CFD võrdlemine ja koostöösimulatsioon: masinõppe ja traditsioonilise arvutusvedeliku dünaamika (CFD) efektiivsuse erinevuste selgitamiseks laserkeevituse arvulises simulatsioonis ning nende vastavate kohaldatavate stsenaariumide ja põhiväärtuste mõistmiseks viidi läbi süstemaatiline võrdlev analüüs viie põhilise eraldusvõime, mehhanismi, kulude ja eraldusvõime, selgituse põhjal. ja kohaldatavad stsenaariumid. See analüüs selgitab kahe meetodi eeliseid ja puudusi ning nende üksteist täiendavaid seoseid, nagu on kirjeldatud allpool.
Laserkeevituse ja masinõppe numbrilise simulatsiooni traditsiooniline kombinatsioon kasutab tavaliselt võrguühenduseta režiimi, kus CFD arvutused ja mudelikoolitus viiakse läbi eraldi etappidena. See protsess põhineb kõvakettal olevate suurte andmemahtude ulatuslikul lugemisel, kirjutamisel ja vormindamisel, mille tulemuseks on ebatõhus andmevoog ja raskendab -suletud ahelaga-juhtimisuuringute reaalajas toetamist. PyFluent{4}}põhine sidestusarhitektuur kasutab ANSYS Fluent-lahendaja kutsumiseks Pythoni liidest ja gRPC-protokolli, et saavutada arvutituuma ja väliste algoritmide vahel otsene interaktsioon mälu tasemel. See sidumismeetod muudab sõltumatu CFD-lahendaja arvutusobjektiks, mida Pythoni skriptid saavad kutsuda, võimaldades süvaõppe algoritmidel voovälja andmeid otse lugeda ja lahendada lahendusprotsessi, pakkudes integreeritud tehnilist teed kõrge -täpsusega protsesside{7}}füüsikaliste väljade kaardistamise seoste loomiseks. Selle arhitektuuri konkreetne rakendamine hõlmab kahte peamist aspekti: dünaamiline parameetrite värskendamine ja voovälja andmete veebipõhine ekstraheerimine. Parameetrite juhtimise osas loobub see meetod traditsioonilisest diskreetsest diskreetsest proovivõturežiimist, mis põhineb staatilistel ortogonaalsetel massiividel (DOE). Kasutades Pythoni poolel olevaid Bayesi optimeerimise või tugevdamise õppimisalgoritme, arvutatakse automaatselt välja järgmised protsessimuutujad, nagu laseri võimsus ja keevituskiirus, lähtudes praeguse mudeli ennustushälbest või uurimisstrateegiast ning lahendaja piirtingimusi muudetakse reaalajas PyFluenti liidese kaudu. See mehhanism võimaldab koondada arvutusressursse parameetripiirkondadesse, kus füüsilised reaktsioonid muutuvad drastiliselt või prognoosimise ebakindlus on suur, võimaldades adaptiivselt genereerida proovipunkte.
Andmeedastuse osas kasutati traditsioonilise ASCII-failide ekspordiprotsessi asendamiseks mälu jagamise mehhanismi. Fluenti-sammude iteratsiooni ajal pääseb Pythoni skript läbi field_data liidese otse lahendaja mälule, et eraldada sulakogumi piirkonna temperatuuri, mahuosa ja kiiruse väljaandmed ning teisendada need närvivõrku sisestamiseks NumPy massiivideks või tensoriteks. See reaalajas andmevoog -võimaldab CFD-arvutuste intervallide ajal mudelit võrgus treenida ja muuta, saavutades füüsilise välja evolutsiooni ja andmepõhise modelleerimise sünkroonse toimimise.
PyFluenti integreerimine masinõppe töövoogudesse suurendab simulatsiooni modelleerimise sügavust, kuid toob kaasa ka uusi insenerirakenduse väljakutseid. Tehnilisest vaatenurgast parandab mälu{1}}andmete interaktsioon näidiste kvaliteeti ja arvutuslikku tõhusust. Ujukoma-andmete otsene eraldamine lahendaja mälust väldib tekstivormingu teisendamisest põhjustatud kärpimisvigu, säilitades algse arvutustäpsuse. See on ülimalt tundlike objektide, näiteks võtmeaugu seinal esinevate minutiliste kõikumiste jäädvustamiseks ülioluline. Lisaks pakub see arhitektuur protsessi juhtimise valideerimisvõimalusi, võimaldades sisestada simulatsiooni ajaetappide vahele juhtimisloogika, et simuleerida suletud ahela protsessi "sulamisbasseini jälgimise - parameetrite otsustamise - võimsuse reguleerimine", kontrollides seeläbi intelligentsete keevitusjuhtimisstrateegiate teostatavust numbrilisel tasemel.
04 See jaotis võtab kokku masinõppe rolli laserkeevituse arvulises simulatsioonis, keskendudes peamiselt traditsioonilise CFD füüsiliste mehhanismide ja andmebaasi võimendamisele, et lahendada madala arvutusliku efektiivsuse probleem mitme füüsikavälja arvutustes. Tulevased uuringud keskenduvad füüsika ja andmete integreerimisele: esiteks PyFluenti liidese kasutamine dünaamilise interaktsiooni saavutamiseks lahendaja mälu tasemel, võrguühenduse raamistiku loomine masinõppe ja CFD sünkroonseks tööks, lahendades sellega andmeedastuse viivituse ja suletud ahela juhtimise puudumise traditsioonilistes võrguühenduseta režiimides; teiseks füüsika{4}informeeritud närvivõrkude (PINN-ide) rakendamine massi-, impulsi- ja energiasäästuvõrrandite kaasamiseks algoritmilistesse piirangutesse, parandades puhtalt andmepõhiste mudelite puudujääke, millel puudub füüsiline järjepidevus. Nende meetodite abil on eesmärk saavutada laserkeevituse numbrilise simulatsiooni ümberkujundamine võrguühenduseta ennustamiselt suure-täpsusega, reaalajas-digitaalseks mestimiseks.
