01 Introduksjon
I den multifysiske koblingsanalysen av lasersveising med dyp penetrering, nøyaktig beskrivelse av de høye-svingningene i nøkkelhullsveggen drevet av metalldamprekyltrykk og interaksjonsmekanismen til foto-indusert plasma er strengt avhengig av den samtidige løsningen av masse-, momentum- og energisparingsekvasjonene. Tradisjonell beregningsvæskedynamikk (CFD), mens den er i stand til å fange opp transient væskeoppførsel med høy-fidelitet ved å konstruere diskrete rutenett med høy-tetthet og adaptive tids-steppingalgoritmer, er i hovedsak en brute-kraftløsningsstrategi basert på Navier-Stokes-likningene. Etter hvert som Reynolds-tallet for beregningsdomenenettet øker, vokser beregningskostnadene eksponentielt, med en enkelt høy-tredimensjonal{10}}transientsimulering som ofte tar flere dager. Denne beregningsbarrieren begrenser kraftig den iterative optimaliseringen av prosessvinduer i stor skala{12}. I mellomtiden, selv om maskinlæring kan konstruere en ikke-lineær kartlegging fra et-høydimensjonalt prosessparameterrom til et fysisk responsrom, omgå den komplekse diskretiseringsprosessen for partielle differensialligninger og betydelig forbedre effektiviteten, fører dens "svarte boks"-natur til mangel på fysisk tolkning og utilstrekkelige generaliseringsevner. Rent datadrevne modeller, når de er frikoblet fra begrensningene i fysiske bevaringslover, sliter med å garantere selv{17}}konsistensen av prediksjonsresultater under{18}}dataknappe forhold.
Derfor er den nåværende banebrytende retningen i lasersveising numerisk simulering ikke lenger begrenset til valget av én enkelt beregningsmetode, men har endret seg mot dyp integrasjon av maskinlæring og CFD. Ved å etablere koblede arkitekturer som de som er basert på minneinteraksjon (PyFluent) eller fysikk-informerte nevrale nettverk (PINN), er målet å kombinere CFDs evne til å utforske fysiske mekanismer dypt med maskinlærings effektive skanningsevner på tvers av et bredt spekter av parametere. Denne tilnærmingen utnytter de fysisk konsistente dataene av høy-kvalitet levert av CFD, samtidig som den utnytter de elektroniske slutningsfordelene ved maskinlæring, og gir en systematisk ingeniørløsning på den iboende konflikten mellom nøyaktighet og effektivitet i tradisjonelle numeriske simuleringer.
02 Utviklingen av maskinlæring i sveiseprediksjon Utviklingen av maskinlæring innen numerisk sveisesimulering gjenspeiler den dypere forståelsen av data-fysikkforhold i det akademiske samfunnet. Dens teknologiske utvikling følger først og fremst tre nivåer, og oppnår gradvis et sprang fra enkel datatilpasning til en dyp integrasjon av data og fysiske mekanismer. 2.1 Statisk interpolasjon og lineær regresjon Som en primær strategi for dimensjonalitetsreduksjon for å bruke maskinlæring til numerisk sveisingsimulering, bruker surrogatmodeller et begrenset sett med høykvalitets{4} finite-opplæringsresultater. De bruker algoritmer som kunstige nevrale nettverk (ANN) og Gaussisk prosessregresjon (GPR) for å konstruere et funksjonelt forhold mellom inndataprosessparametere og utgangskvalitetsindikatorer (som sveisedybde og porøsitet). Denne metoden er i hovedsak statistisk interpolasjon i et høyt-dimensjonalt rom. Selv om den kan oppnå ekstremt høy prediksjonseffektivitet, mangler modellkjernen støtte for termofluidkontrollligninger og viser en svart-bokskarakteristikk. På grunn av denne begrensningen er slike modeller bare egnet for resultatforutsigelse i stabil{11}}tilstand. Når prosessparametrene avviker fra det konvekse skrogområdet til treningsdataene, avtar deres generaliseringsnøyaktighet kraftig på grunn av mangelen på fysiske begrensninger, noe som gjør dem vanskelige å tilpasse til komplekse og variable faktiske sveiseforhold. Videre, fordi de er fullstendig løsrevet fra begrensningene til energi- og massebevaringslover, under små prøveforhold, er de tilbøyelige til å gi inkonsistente prediksjonsresultater som bryter med grunnleggende fysisk logikk, og utgjør en alvorlig tillitsrisiko.
2.2 Dynamisk simulering av sveiseprosessen: Ved å adressere forbigående ustabilitet som nøkkelhullskollaps og sprut i lasersveising, har forskningen gradvis skiftet mot dyplæringsarkitekturer som kombinerer høy-hastighetsfotografering og røntgenradiografidata. En typisk konvolusjonelt nevralt nettverk + lang-korttidsminnenettverk (CNN+LSTM) modell, ved å trekke ut romlige funksjoner og tidsmessige evolusjonsmønstre av det smeltede bassengbildet, oppnår ende-til-ende dynamisk prediksjon av forbigående atferd, og til en viss grad kompenserer for begrensningene til surrogatmodeller i å fange dynamiske prosesser. Imidlertid er denne teknikken begrenset av fullstendigheten av observasjonsdataene; selv med flere sensorer, er de eksperimentelle dataene i hovedsak en projeksjon eller lokal prøvetaking av det tredimensjonale strømningsfeltet på et to-plan. Uten begrensninger fra fluidmekaniske prinsipper er det vanskelig å rekonstruere det komplekse tredimensjonale strømningsfeltet utelukkende fra visuell overflateinformasjon. Mens eksisterende modeller kan fange opp de fenomenologiske egenskapene til overflateflyt, sliter de med å forklare de underliggende mekanismene for dannelse av sveisedefekter fra det grunnleggende perspektivet energi- og momentumoverføring.
2.3 Fysikk-Informert regresjon: For å håndtere tolkbarhetskrisen til rent datadrevne-modeller, har fysikk-informerte nevrale nettverk (PINNs) dukket opp. Denne arkitekturen passer ikke lenger bare til observerte data, men legger i stedet inn restleddene til Navier-Stokes-ligningene og forbigående varmeledningsligninger som regulariseringsbegrensninger i modellens tapsfunksjon. Treningsprosessen søker i hovedsak etter den optimale løsningen i parameterrommet som både passer til de observerte dataene og tilfredsstiller de fysiske bevaringslovene. Teoretisk sett kan de stive begrensningene til de fysiske ligningene effektivt kompensere for manglende datadimensjoner i eksperimentelle observasjoner, slik at modellen kan utlede fysisk konsistente interne trykkgradienter og hastighetsfelt i det latente rommet. Ingeniørpraksis viser imidlertid at denne metoden står overfor alvorlige utfordringer: forskjellen i størrelse mellom datagradienter og fysiske restgradienter kan lett føre til vanskeligheter med nettverkskonvergens; og de høye-samlokaliseringspunktene som kreves for nøyaktig beregning av{10}}høyere ordensderivater øker opplæringskostnadene betydelig, og oppveier til og med effektivitetsfordelene ved maskinlæring i enkelte høyfrekvente forbigående problemer.
03 Sammenligning og samarbeidssimulering av maskinlæring og CFD: For å klargjøre forskjellene i effektivitet mellom maskinlæring og tradisjonell beregningsvæskedynamikk (CFD) i numerisk simulering av lasersveising, og for å forstå deres respektive anvendelige scenarier og kjerneverdier, ble det utført en systematisk komparativ analyse fra fem kjernedimensjoner, kostnadsdimensjoner, oppløsning og generell beregningsmekanisme, anvendbar beregningsmekanisme, beregningsmekanisme og generell beregningsmekanisme. scenarier. Denne analysen klargjør fordelene og ulempene ved de to metodene og deres komplementære forhold, som beskrevet nedenfor.
Den tradisjonelle kombinasjonen av numerisk simulering av lasersveising og maskinlæring bruker vanligvis en offline-modus, hvor CFD-beregninger og modelltrening utføres i separate trinn. Denne prosessen er avhengig av omfattende lesing, skriving og formatkonvertering av store datamengder på harddisken, noe som resulterer i ineffektiv dataflyt og gjør det vanskelig å støtte forskning i sann-lukket-sløyfe. Den PyFluent-baserte koblingsarkitekturen bruker et Python-grensesnitt for å kalle ANSYS Fluent-løser, og bruker gRPC-protokollen for å oppnå direkte interaksjon mellom beregningskjernen og eksterne algoritmer på minnenivå. Denne koblingsmetoden forvandler den uavhengige CFD-løseren til et beregningsobjekt som kan kalles opp av Python-skript, og lar dyplæringsalgoritmer lese flytfeltdata direkte og kontrollere løsningsprosessen, og gir en integrert ingeniørvei for å etablere høy-fidelity prosess-fysiske feltkartleggingsrelasjoner. Den spesifikke implementeringen av denne arkitekturen inkluderer to nøkkelaspekter: dynamisk parameteroppdatering og online utvinning av flytfeltdata. Når det gjelder parameterkontroll, forlater denne metoden den tradisjonelle diskrete samplingsmodusen basert på statiske ortogonale arrays (DOE). Ved å bruke Bayesianske optimaliserings- eller forsterkningslæringsalgoritmer på Python-siden, beregnes det neste settet med prosessvariabler som laserkraft og sveisehastighet automatisk basert på gjeldende modells prediksjonsavvik eller utforskningsstrategi, og løserens grensebetingelser blir modifisert i sanntid gjennom PyFluent-grensesnittet. Denne mekanismen gjør det mulig å konsentrere beregningsressurser i parameterregioner der fysiske responser endres drastisk eller prediksjonsusikkerheten er høy, noe som muliggjør adaptiv generering av prøvepunkter.
Når det gjelder dataoverføring, ble en minnedelingsmekanisme brukt for å erstatte den tradisjonelle ASCII-fileksportprosessen. I løpet av tids-trinnsiterasjonen i Fluent kan Python-skriptet få direkte tilgang til løserens minne gjennom field_data-grensesnittet for å trekke ut temperatur-, volumfraksjons- og hastighetsfeltdata for området med smeltet basseng, og konvertere dem til NumPy-matriser eller tensorer for inndata i det nevrale nettverket. Denne sanntidsdataflyten tillater online opplæring og modifikasjon av modellen under intervallene for CFD-beregninger, og oppnår synkron drift av fysisk feltutvikling og datadrevet-modellering.
Å integrere PyFluent i arbeidsflyter for maskinlæring forbedrer dybden av simuleringsmodellering, men introduserer også nye tekniske implementeringsutfordringer. Fra et teknisk synspunkt forbedrer datainteraksjon på minne-nivå prøvekvaliteten og beregningseffektiviteten. Direkte uttrekking av flytende-punktdata fra løserens minne unngår trunkeringsfeil forårsaket av tekstformatkonvertering, og bevarer den opprinnelige beregningspresisjonen. Dette er avgjørende for å fange opp svært sensitive funksjoner som små svingninger på nøkkelhullsveggen. Videre gir denne arkitekturen prosesskontrollvalideringsevner, som tillater innbygging av kontrolllogikk mellom simuleringstidstrinn for å simulere en lukket-sløyfeprosess med "smeltebassengovervåking - parameterbeslutning - effektjustering," og dermed verifisere gjennomførbarheten av intelligente sveisekontrollstrategier på numerisk nivå.
04 Denne delen oppsummerer rollen til maskinlæring i numerisk simulering av lasersveising, og fokuserer først og fremst på å utnytte de fysiske mekanismene og datagrunnlaget til tradisjonell CFD for å løse problemet med lav beregningseffektivitet i multi-fysikkfeltberegninger. Fremtidig forskning vil fokusere på integrasjon av fysikk og data: For det første, bruk av PyFluent-grensesnittet for å oppnå dynamisk interaksjon på løserminnenivået, etablering av et online koblingsrammeverk for synkron drift av maskinlæring og CFD, for derved å løse problemene med dataoverføringsforsinkelse og mangel på lukket-sløyfekontroll i tradisjonelle offline-moduser; for det andre å bruke fysikk-informerte nevrale nettverk (PINN) for å inkorporere masse-, momentum- og energisparingsligninger i algoritmiske begrensninger, og korrigere manglene til rent datadrevne-modeller som mangler fysisk konsistens. Gjennom disse metodene er målet å oppnå en transformasjon i numerisk simulering av lasersveising fra offline prediksjon til høy-fidelity, sann-digital tvilling.
