01 Wprowadzenie
W wielofizycznej analizie sprzężeń laserowego spawania z głęboką penetracją dokładne opisanie-wahań ściany dziurki od klucza o wysokiej częstotliwości powodowanych ciśnieniem odrzutu oparów metalu oraz mechanizmu interakcji plazmy-indukowanej fotoelektrycznie zależy ściśle od jednoczesnego rozwiązania równań zachowania masy, pędu i energii. Tradycyjna obliczeniowa dynamika płynów (CFD), choć zdolna do rejestrowania-przejściowego zachowania płynu z wysoką wiernością poprzez konstruowanie dyskretnych siatek o dużej-gęstości i algorytmów-krokowania czasu adaptacyjnego, jest zasadniczo strategią rozwiązywania-brutalnej siły opartą na równaniach Naviera-Stokesa. Wraz ze wzrostem liczby Reynoldsa siatki domeny obliczeniowej koszt obliczeń rośnie wykładniczo, a pojedyncza-trójwymiarowa-symulacja stanu przejściowego o wysokiej wierności często zajmuje często kilka dni. Ta bariera obliczeniowa poważnie ogranicza iteracyjną optymalizację okien procesów-na dużą skalę. Tymczasem chociaż uczenie maszynowe może konstruować nieliniowe mapowanie z-wymiarowej przestrzeni parametrów procesu do fizycznej przestrzeni odpowiedzi, omijając złożony proces dyskretyzacji równań różniczkowych cząstkowych i znacznie poprawiając wydajność, jego charakter „czarnej skrzynki” prowadzi do braku fizycznej interpretacji i niewystarczających możliwości uogólniania. Modele oparte wyłącznie na danych, oddzielone od ograniczeń wynikających z praw zachowania fizycznego, mają trudności z zapewnieniem-spójności wyników przewidywań w warunkach niedoboru danych.
Dlatego obecny-najnowocześniejszy kierunek w symulacji numerycznej spawania laserowego nie ogranicza się już do wyboru jednej metody obliczeniowej, ale zmienił się w kierunku głębokiej integracji uczenia maszynowego i CFD. Poprzez ustanowienie połączonych architektur, takich jak te oparte na interakcji pamięci (PyFluent) lub-sieciach neuronowych opartych na informacjach fizycznych (PINN), celem jest połączenie zdolności CFD do głębokiego badania mechanizmów fizycznych z wydajnymi możliwościami uczenia maszynowego w zakresie szerokiego zakresu parametrów. Podejście to wykorzystuje wysokiej jakości,{4}}fizycznie spójne dane dostarczane przez CFD, jednocześnie wykorzystując zalety uczenia maszynowego w zakresie wnioskowania online, zapewniając systematyczne rozwiązanie inżynieryjne nieodłącznego konfliktu między dokładnością i wydajnością w tradycyjnych symulacjach numerycznych.
02 Rozwój uczenia maszynowego w przewidywaniu spawania Rozwój uczenia maszynowego w dziedzinie symulacji numerycznej spawania odzwierciedla pogłębiające się zrozumienie zależności-fizyki danych w społeczności akademickiej. Jego ewolucja technologiczna odbywa się głównie na trzech poziomach, stopniowo osiągając skok od prostego dopasowania danych do głębokiej integracji danych i mechanizmów fizycznych.. 2.1 Interpolacja statyczna i regresja liniowa. Jako podstawowa strategia redukcji wymiarowości w zastosowaniu uczenia maszynowego do numerycznej symulacji spawania, modele zastępcze wykorzystują ograniczony zestaw-wysokiej jakości wyników obliczeń metodą elementów skończonych (FEM) jako zbiór szkoleniowy. Wykorzystują algorytmy, takie jak sztuczne sieci neuronowe (ANN) i regresja procesu Gaussa (GPR), aby skonstruować funkcjonalną zależność między wejściowymi parametrami procesu a wyjściowymi wskaźnikami jakości (takimi jak głębokość spoiny i porowatość). Metoda ta jest zasadniczo interpolacją statystyczną w przestrzeni-wielwymiarowej. Chociaż może osiągnąć niezwykle wysoką skuteczność przewidywania, rdzeń jego modelu nie obsługuje równań sterowania termopłynami i wykazuje charakterystykę-czarnej skrzynki. Ze względu na to ograniczenie takie modele nadają się tylko do przewidywania wyników w stanie ustalonym. Gdy parametry procesu odbiegają od zakresu danych szkoleniowych dla wypukłego kadłuba, dokładność ich uogólnienia gwałtownie spada ze względu na brak ograniczeń fizycznych, co utrudnia ich dostosowanie do złożonych i zmiennych rzeczywistych warunków spawania. Co więcej, ponieważ są one całkowicie oderwane od ograniczeń wynikających z praw zachowania energii i masy, w warunkach małych próbek są podatne na generowanie niespójnych wyników przewidywań, które naruszają podstawową logikę fizyczną, stwarzając poważne ryzyko zaufania.
2.2 Dynamiczna symulacja procesu spawania: Zajmując się przejściowymi niestabilnościami, takimi jak zapadanie się dziurki od klucza i odpryski podczas spawania laserowego, badania stopniowo przesuwają się w stronę architektur głębokiego uczenia się, łączących-szybką fotografię i-dane rentgenowskie. Typowa splotowa sieć neuronowa + model sieci-długiej pamięci krótkoterminowej (CNN+LSTM), poprzez wyodrębnienie cech przestrzennych i wzorców ewolucji w czasie z obrazu jeziorka stopionego, umożliwia dynamiczne przewidywanie zachowania przejściowego od początku do końca, w pewnym stopniu kompensując ograniczenia modeli zastępczych w przechwytywaniu procesów dynamicznych. Jednakże technika ta jest ograniczona kompletnością danych obserwacyjnych; nawet w przypadku wielu czujników dane eksperymentalne są zasadniczo rzutem lub lokalnym próbkowaniem-trójwymiarowego pola przepływu na płaszczyznę-dwuwymiarową. Bez ograniczeń wynikających z zasad mechaniki płynów trudno jest zrekonstruować złożone-wymiarowe pole przepływu wyłącznie na podstawie informacji wizualnych z powierzchni. Chociaż istniejące modele mogą uchwycić fenomenologiczne cechy przepływu powierzchniowego, mają trudności z wyjaśnieniem podstawowych mechanizmów powstawania defektów spawalniczych z fundamentalnej perspektywy przenoszenia energii i pędu.
2.3 Fizyka-Świadoma regresja: aby zaradzić kryzysowi interpretowalności modeli-opartych wyłącznie na danych, pojawiły się-fizyka świadome sieci neuronowe (PINN). Architektura ta nie dopasowuje już po prostu obserwowanych danych, ale zamiast tego osadza człony rezydualne z równań Naviera-Stokesa i równań przejściowego przewodzenia ciepła jako ograniczenia regularyzacyjne w funkcji straty modelu. Proces uczenia zasadniczo szuka optymalnego rozwiązania w przestrzeni parametrów, które pasuje zarówno do obserwowanych danych, jak i spełnia prawa zachowania fizycznego. Teoretycznie sztywne ograniczenia równań fizycznych mogą skutecznie kompensować brakujące wymiary danych w obserwacjach eksperymentalnych, umożliwiając modelowi wnioskowanie o fizycznie spójnych gradientach ciśnienia wewnętrznego i polach prędkości w przestrzeni utajonej. Praktyka inżynierska pokazuje jednak, że metoda ta stoi przed poważnymi wyzwaniami: różnica w wielkości pomiędzy gradientami danych a fizycznymi gradientami resztkowymi może łatwo prowadzić do trudności w konwergencji sieci; a punkty kolokacyjne o dużej-gęstości wymagane do dokładnego obliczenia pochodnych-wyższego rzędu znacznie zwiększają koszty szkolenia, nawet równoważąc korzyści w zakresie wydajności uczenia maszynowego w przypadku niektórych problemów związanych z przejściowymi{{11}częstotliwościami o wysokiej częstotliwości.
03 Porównanie i wspólna symulacja uczenia maszynowego i CFD: Aby wyjaśnić różnice w efektywności między uczeniem maszynowym a tradycyjną obliczeniową dynamiką płynów (CFD) w symulacji numerycznej spawania laserowego oraz aby zrozumieć ich odpowiednie scenariusze i podstawowe wartości, przeprowadzono systematyczną analizę porównawczą z pięciu głównych wymiarów: kosztu obliczeniowego, dokładności i rozdzielczości, wyjaśnienia mechanizmu, możliwości uogólnienia i mających zastosowanie scenariuszy. Analiza ta wyjaśnia zalety i wady obu metod oraz ich uzupełniające się relacje, jak opisano szczegółowo poniżej.
Tradycyjne połączenie symulacji numerycznej spawania laserowego i uczenia maszynowego zazwyczaj wykorzystuje tryb offline, w którym obliczenia CFD i szkolenie modelu są wykonywane w oddzielnych etapach. Proces ten polega na intensywnym odczytywaniu, zapisywaniu i konwersji formatu dużych ilości danych na dysku twardym, co skutkuje nieefektywnym przepływem danych i utrudnia prowadzenie badań nad kontrolą kontroli w pętli zamkniętej w czasie rzeczywistym-w czasie-. Architektura sprzęgania oparta na PyFluent-wykorzystuje interfejs Pythona do wywoływania solwera ANSYS Fluent i wykorzystuje protokół gRPC, aby osiągnąć bezpośrednią interakcję między jądrem obliczeniowym a algorytmami zewnętrznymi na poziomie pamięci. Ta metoda łączenia przekształca niezależny moduł obliczeniowy CFD w obiekt obliczeniowy, który można wywołać za pomocą skryptów w języku Python, umożliwiając algorytmom głębokiego uczenia się bezpośredni odczyt danych dotyczących pola przepływu i kontrolowanie procesu rozwiązywania, zapewniając zintegrowaną ścieżkę inżynierską do ustanawiania relacji mapowania pola fizycznego o wysokiej-wierności-procesie. Specyficzna implementacja tej architektury obejmuje dwa kluczowe aspekty: dynamiczną aktualizację parametrów i ekstrakcję online danych pola przepływu. Jeśli chodzi o kontrolę parametrów, metoda ta rezygnuje z tradycyjnego trybu próbkowania dyskretnego opartego na statycznych tablicach ortogonalnych (DOE). Korzystając z optymalizacji Bayesa lub algorytmów uczenia się przez wzmacnianie po stronie Pythona, kolejny zestaw zmiennych procesowych, takich jak moc lasera i prędkość spawania, jest automatycznie obliczany na podstawie odchylenia przewidywań bieżącego modelu lub strategii eksploracji, a warunki brzegowe solwera są modyfikowane w czasie rzeczywistym za pośrednictwem interfejsu PyFluent. Mechanizm ten umożliwia koncentrację zasobów obliczeniowych w obszarach parametrów, w których reakcje fizyczne zmieniają się drastycznie lub niepewność przewidywań jest wysoka, umożliwiając adaptacyjne generowanie punktów próbkowania.
W zakresie przesyłania danych zastosowano mechanizm współdzielenia pamięci, który zastąpił tradycyjny proces eksportu pliku ASCII. Podczas iteracji w kroku-czasu w Fluent skrypt Pythona może uzyskać bezpośredni dostęp do pamięci solwera poprzez interfejs Field_data w celu wyodrębnienia danych o temperaturze, ułamku objętościowym i polu prędkości obszaru stopionego basenu oraz przekształceniu ich w tablice lub tensory NumPy w celu wprowadzenia ich do sieci neuronowej. Ten przepływ danych w czasie rzeczywistym-umożliwia szkolenie online i modyfikację modelu w przerwach między obliczeniami CFD, osiągając synchroniczne działanie ewolucji pola fizycznego i modelowania-opartego na danych.
Integracja PyFluent z procesami uczenia maszynowego zwiększa głębię modelowania symulacyjnego, ale także wprowadza nowe wyzwania w zakresie wdrażania inżynierii. Z technicznego punktu widzenia interakcja danych-na poziomie pamięci poprawia jakość próbek i wydajność obliczeniową. Bezpośrednie wyodrębnianie danych zmiennoprzecinkowych-z pamięci solwera pozwala uniknąć błędów obcięcia spowodowanych konwersją formatu tekstu, zachowując pierwotną precyzję obliczeń. Ma to kluczowe znaczenie w przypadku uchwycenia bardzo wrażliwych obiektów, takich jak drobne wahania na ścianie dziurki od klucza. Co więcej, architektura ta zapewnia możliwości sprawdzania kontroli procesu, umożliwiając wbudowanie logiki sterującej pomiędzy etapami czasowymi symulacji w celu symulacji-procesu w pętli zamkniętej polegającej na „monitorowaniu jeziorka topionego - decyzji o parametrach - regulacji mocy”, weryfikując w ten sposób wykonalność inteligentnych strategii sterowania spawaniem na poziomie numerycznym.
04 W tej sekcji podsumowano rolę uczenia maszynowego w symulacji numerycznej spawania laserowego, koncentrując się przede wszystkim na wykorzystaniu mechanizmów fizycznych i podstaw danych tradycyjnego CFD w celu rozwiązania problemu niskiej wydajności obliczeniowej w obliczeniach z wieloma-polami fizycznymi. Przyszłe badania będą skupiać się na integracji fizyki i danych: po pierwsze, wykorzystaniu interfejsu PyFluent do osiągnięcia dynamicznej interakcji na poziomie pamięci solwera, ustanowieniu platformy łączenia online na potrzeby synchronicznego działania uczenia maszynowego i CFD, rozwiązując w ten sposób problemy opóźnień w transmisji danych i braku kontroli-pętli zamkniętej w tradycyjnych trybach offline; po drugie, zastosowanie-sieci neuronowych opartych na informacjach fizycznych (PINN) w celu włączenia równań zachowania masy, pędu i energii do ograniczeń algorytmicznych, korygując niedociągnięcia modeli opartych wyłącznie na danych-, którym brakuje fizycznej spójności. Celem tych metod jest osiągnięcie transformacji numerycznej symulacji spawania laserowego z przewidywania offline na-cyfrowe bliźniakowanie o wysokiej wierności-w czasie rzeczywistym.
