01 Bevezetés
A lézeres mélybehatolásos hegesztés multifizikus csatoláselemzése során a kulcslyuk falának fémgőz-visszarúgás nyomása által kiváltott nagy-frekvenciás ingadozásainak pontos leírása és a foto-indukált plazma kölcsönhatási mechanizmusa szigorúan a tömeg-, impulzus- és energiamegmaradás egyidejű megoldásától függ. A hagyományos számítási folyadékdinamika (CFD), bár képes a nagy-hűségű tranziens folyadék viselkedésének rögzítésére nagy-sűrűségű diszkrét rácsok és adaptív idő{5}}léptető algoritmusok létrehozásával, lényegében egy nyers-erő-megoldási stratégia a Navierestok{7}Stok alapján. Ahogy a számítási tartományrács Reynolds-száma növekszik, a számítási költségek exponenciálisan növekszenek, egyetlen nagy-hűségű, háromdimenziós{10}}tranziens szimuláció gyakran több napig is eltart. Ez a számítási akadály súlyosan korlátozza a nagy{12}}folyamatablak iteratív optimalizálását. Eközben, bár a gépi tanulás képes nemlineáris leképezést létrehozni egy nagy-dimenziós folyamatparaméter-térből a fizikai választérbe, megkerülve a komplex parciális differenciálegyenletek diszkretizálási folyamatát, és jelentősen javítja a hatékonyságot, a „fekete doboz” jellege a fizikai értelmezhetőség hiányához és elégtelen általánosítási képességekhez vezet. A tisztán adatvezérelt modellek, ha elválasztják a fizikai megőrzési törvények korlátaitól, nehezen tudják garantálni az előrejelzési eredmények önkonzisztenciáját-szűkös adatok mellett.
Ezért a lézeres hegesztés numerikus szimulációjának jelenlegi élvonalbeli iránya már nem korlátozódik egyetlen számítási módszer kiválasztására, hanem a gépi tanulás és a CFD mélyreható integrációja felé tolódott el. Az olyan összekapcsolt architektúrák létrehozásával, mint például a memóriakölcsönhatáson (PyFluent) vagy a fizika -informált neurális hálózatokon (PINN) alapuló architektúrák, a cél az, hogy a CFD fizikai mechanizmusok mélyreható feltárására való képességét egyesítse a gépi tanulás hatékony szkennelési képességeivel a paraméterek széles skáláján. Ez a megközelítés felhasználja a CFD által biztosított kiváló minőségű, fizikailag konzisztens adatokat, miközben kihasználja a gépi tanulás online következtetési előnyeit, és szisztematikus mérnöki megoldást kínál a hagyományos numerikus szimulációk pontossága és hatékonysága közötti konfliktusra.
02 A gépi tanulás fejlesztése a hegesztési előrejelzésben A gépi tanulás fejlődése a hegesztési numerikus szimuláció területén az adat-fizikai kapcsolatok elmélyülő megértését tükrözi a tudományos közösségen belül. Technológiai fejlődése elsősorban három szintet követ, fokozatosan ugrást érve el az egyszerű adatillesztéstől az adatok és a fizikai mechanizmusok mély integrációjáig. 2.1 Statikus interpoláció és lineáris regresszió A gépi tanulás hegesztési numerikus szimulációra való alkalmazásának elsődleges dimenziócsökkentő stratégiájaként a helyettesítő modellek korlátozott számú nagy-számítási eredményt (aFEM) alkalmaznak, mint a képzési eredmények. Olyan algoritmusokat használnak, mint a mesterséges neurális hálózatok (ANN) és a Gauss-folyamat regresszió (GPR), hogy funkcionális kapcsolatot hozzon létre a bemeneti folyamat paraméterei és a kimeneti minőségi mutatók (például hegesztési mélység és porozitás) között. Ez a módszer lényegében statisztikai interpoláció egy nagy-dimenziós térben. Bár rendkívül magas előrejelzési hatékonyságot érhet el, modellmagja nem támogatja a termofluid szabályozási egyenleteket, és fekete{9}}dobozos karakterisztikát mutat. E korlátozás miatt az ilyen modellek csak stabil{11}}állapotú eredmények előrejelzésére alkalmasak. Amint a folyamatparaméterek eltérnek a betanítási adatok konvex héjtartományától, általánosítási pontosságuk meredeken csökken a fizikai korlátok hiánya miatt, ami megnehezíti a bonyolult és változó tényleges hegesztési feltételekhez való alkalmazkodást. Továbbá, mivel kis mintakörülmények között teljesen függetlenek az energia- és tömegmegmaradási törvények korlátaitól, hajlamosak inkonzisztens előrejelzési eredményeket adni, amelyek sértik az alapvető fizikai logikát, és komoly megbízhatósági kockázatot jelentenek.
2.2 A hegesztési folyamat dinamikus szimulációja: A tranziens instabilitások, például a kulcslyuk összeomlása és a lézerhegesztési fröccsenés kezelése során a kutatás fokozatosan eltolódott a nagysebességű fényképezést és a röntgenradiográfiai adatokat kombináló mély tanulási architektúrák felé. Egy tipikus konvolúciós neurális hálózat + hosszú -hosszú távú memóriahálózat (CNN+LSTM) modell az olvadt medence képének térbeli jellemzőinek és időbeli evolúciós mintáinak kinyerésével eléri a tranziens viselkedés végpontok közötti dinamikus előrejelzését, bizonyos mértékig kompenzálva a helyettesítő modellek rögzítési folyamatainak korlátait. Ennek a technikának azonban a megfigyelési adatok teljessége korlátozza; még több érzékelővel is, a kísérleti adatok lényegében a háromdimenziós áramlási mező kétdimenziós síkra való kivetítése vagy helyi mintavétele. A folyadékmechanikai elvek korlátai nélkül nehéz rekonstruálni az összetett háromdimenziós áramlási mezőt pusztán a felszíni vizuális információkból. Míg a meglévő modellek képesek megragadni a felületi áramlás fenomenológiai jellemzőit, nehezen tudják megmagyarázni a hegesztési hibák kialakulásának mögöttes mechanizmusait az energia- és impulzusátvitel alapvető perspektívájából.
2.3 Fizika-Tájékozott regresszió: A tisztán adat-alapú modellek értelmezhetőségi válságának megoldására megjelentek a fizika-informált neurális hálózatok (PINN-ek). Ez az architektúra már nem egyszerűen illeszkedik a megfigyelt adatokhoz, hanem beágyazza a Navier{5}}Stokes-egyenletek maradéktagjait és a tranziens hővezetési egyenletek szabályzási megkötését a modell veszteségfüggvényébe. A képzési folyamat lényegében az optimális megoldást keresi a paramétertérben, amely illeszkedik a megfigyelt adatokhoz és megfelel a fizikai megmaradási törvényeknek. Elméletileg a fizikai egyenletek merev korlátai hatékonyan kompenzálhatják a hiányzó adatdimenziókat a kísérleti megfigyelések során, lehetővé téve a modell számára, hogy fizikailag konzisztens belső nyomásgradiensekre és sebességmezőkre következtessen a látens térben. A mérnöki gyakorlat azonban azt mutatja, hogy ez a módszer komoly kihívásokkal néz szembe: az adatgradiensek és a fizikai maradék gradiensek közötti nagyságrendi különbség könnyen nehézségekhez vezethet a hálózati konvergenciában; és a nagy-sűrűségű kollokációs pontok, amelyek a magasabb-rendű származékok pontos kiszámításához szükségesek, jelentősen megnövelik a képzési költségeket, még akkor is, ha ellensúlyozzák a gépi tanulás hatékonysági előnyeit bizonyos nagy-frekvenciás tranziens problémák esetén.
03 A gépi tanulás és a CFD összehasonlítása és együttműködési szimulációja: A gépi tanulás és a hagyományos számítási folyadékdinamika (CFD) közötti hatékonyságbeli különbségek tisztázása érdekében a lézerhegesztés numerikus szimulációjában, valamint a vonatkozó forgatókönyvek és alapértékek megértése érdekében szisztematikus összehasonlító elemzést végeztünk öt fő alapdimenzióból, általános költségfelbontásból, magyarázatból, számítási költségmeghatározásból, számítási költségből. és az alkalmazható forgatókönyvek. Ez az elemzés tisztázza a két módszer előnyeit és hátrányait, valamint egymást kiegészítő kapcsolatukat, amint azt alább részletezzük.
A lézeres hegesztés és a gépi tanulás numerikus szimulációjának hagyományos kombinációja jellemzően offline módot alkalmaz, ahol a CFD számítások és a modell betanítás külön lépésekben történik. Ez a folyamat a merevlemezen található nagy mennyiségű adat kiterjedt olvasására, írására és formátumú konvertálására támaszkodik, ami nem hatékony adatáramlást eredményez, és megnehezíti a valós idejű, -zárt{2}}hurkú vezérlési kutatás támogatását. A PyFluent{4}}alapú csatolási architektúra Python interfészt használ az ANSYS Fluent megoldó meghívásához, és a gRPC protokollt alkalmazza a számítási kernel és a külső algoritmusok közötti közvetlen interakció eléréséhez memória szinten. Ez a csatolási módszer a független CFD-megoldót egy számítási objektummá alakítja, amelyet Python-szkriptek hívhatnak meg, lehetővé téve a mélytanulási algoritmusok számára az áramlási mezőadatok közvetlen olvasását és a megoldási folyamat vezérlését, így integrált mérnöki utat biztosít a nagy -hűségű folyamat-fizikai térleképezési kapcsolatok létrehozásához. Ennek az architektúrának a konkrét megvalósítása két kulcsfontosságú szempontot foglal magában: a dinamikus paraméterfrissítést és az áramlási mező adatok online kinyerését. A paramétervezérlés szempontjából ez a módszer felhagy a hagyományos, statikus ortogonális tömbökön (DOE) alapuló diszkrét mintavételezési móddal. A Python oldalon található Bayes-féle optimalizálási vagy megerősítési tanulási algoritmusok segítségével a folyamatváltozók következő halmaza, például a lézerteljesítmény és a hegesztési sebesség automatikusan kiszámításra kerül az aktuális modell előrejelzési eltérése vagy feltárási stratégiája alapján, és a megoldó peremfeltételei valós időben módosulnak a PyFluent interfészen keresztül. Ez a mechanizmus lehetővé teszi a számítási erőforrások olyan paramétertartományokba való koncentrálását, ahol a fizikai válaszok drasztikusan változnak, vagy az előrejelzési bizonytalanság magas, lehetővé téve a mintapontok adaptív generálását.
Az adatátvitel terén a hagyományos ASCII fájlexportálási folyamatot egy memóriamegosztó mechanizmussal váltották fel. A Fluent idő-lépéses iterációja során a Python-szkript közvetlenül hozzáférhet a megoldó memóriájához a field_data interfészen keresztül, hogy kinyerje az olvadt medence régió hőmérsékleti, térfogatrész- és sebességmezőadatait, és átalakítsa azokat NumPy-tömbökké vagy tenzorokká a neurális hálózatba való bemenethez. Ez a valós idejű adatfolyam lehetővé teszi az online betanítást és a modell módosítását a CFD-számítások időszakai alatt, a fizikai térfejlődés és az adatvezérelt modellezés szinkron működésének elérése érdekében.
A PyFluent integrálása a gépi tanulási munkafolyamatokba fokozza a szimulációs modellezés mélységét, de új mérnöki megvalósítási kihívásokat is bevezet. Technikai szempontból a memória{1}}szintű adatkölcsönhatás javítja a minta minőségét és a számítási hatékonyságot. A lebegőpontos-pontos adatok közvetlen kinyerése a megoldó memóriájából elkerüli a szövegformátum konvertálása okozta csonkítási hibákat, megőrzi az eredeti számítási pontosságot. Ez döntő fontosságú a rendkívül érzékeny jellemzők, például a kulcslyuk falának apró ingadozásainak rögzítéséhez. Ezen túlmenően ez az architektúra folyamatvezérlési ellenőrzési lehetőségeket biztosít, lehetővé téve a vezérlési logika beágyazását a szimulációs időlépések közé, hogy szimuláljon egy zárt hurkú folyamatot, amely az „olvadékmedence-figyelés - paraméter döntésének - teljesítménybeállítását jelenti”, ezáltal igazolja az intelligens hegesztési vezérlési stratégiák megvalósíthatóságát numerikus szinten.
04 Ez a rész összefoglalja a gépi tanulás szerepét a lézerhegesztés numerikus szimulációjában, elsősorban a hagyományos CFD fizikai mechanizmusainak és adatalapjainak kiaknázására összpontosítva a több{1}fizikai terepi számítások alacsony számítási hatékonyságának problémáját. A jövőbeli kutatás a fizika és az adatok integrációjára fog összpontosítani: először is a PyFluent interfész használatával dinamikus interakció elérése a megoldómemória szintjén, online csatolási keretrendszer létrehozása a gépi tanulás és a CFD szinkron működéséhez, ezzel is megoldva az adatátviteli késleltetés és a zárt-hurkú vezérlés hiánya problémáit hagyományos offline módokban; másodszor a fizika -informált neurális hálózatok (PINN-ek) alkalmazása tömeg-, impulzus- és energiamegmaradási egyenletek algoritmikus korlátokba való beépítésére, kijavítva a pusztán adat-vezérelt, fizikai konzisztenciát nem mutató modellek hiányosságait. Ezekkel a módszerekkel a cél a lézerhegesztés numerikus szimulációjának átalakítása az offline előrejelzésről a nagy-hűségű, valós idejű-digitális ikerintézményre.
