01 Introducere
În analiza de cuplare multifizică a sudării cu penetrare adâncă cu laser, descrierea cu acuratețe a-fluctuațiilor de înaltă frecvență ale peretelui găurii cheii determinate de presiunea de recul a vaporilor metalici și mecanismul de interacțiune al plasmei foto-induse depinde strict de soluția simultană a ecuațiilor de conservare a masei, impulsului și energiei. Dinamica fluidelor computaționale (CFD) tradițională, deși este capabilă să capteze comportamentul fluidului tranzitoriu de înaltă-fidelitate prin construirea de grile discrete de-densitate mare și algoritmi de trecere în timp-adaptabili, este în esență o strategie de soluție cu forță brută-bazată pe ecuațiile Navier-Stokes. Pe măsură ce numărul Reynolds al grilei domeniului de calcul crește, costul de calcul crește exponențial, cu o singură simulare tranzitorie tridimensională de înaltă-fidelitate-care durează adesea câteva zile. Această barieră de calcul restricționează sever optimizarea iterativă a ferestrelor de proces-la scară largă. Între timp, deși învățarea automată poate construi o mapare neliniară dintr-un spațiu de parametri de proces-dimensional înalt la un spațiu de răspuns fizic, ocolind procesul complex de discretizare a ecuației diferențiale parțiale și îmbunătățind semnificativ eficiența, natura sa „cutie neagră” duce la o lipsă de interpretabilitate fizică și capacități de generalizare insuficiente. Modelele bazate exclusiv pe date-, atunci când sunt decuplate de constrângerile legilor de conservare fizică, se luptă să garanteze auto-consecvența rezultatelor predicțiilor în condiții-de date limitate.
Prin urmare, direcția actuală-de vârf în simularea numerică a sudării cu laser nu se mai limitează la selectarea unei singure metode de calcul, ci s-a mutat către integrarea profundă a învățării automate și CFD. Prin stabilirea de arhitecturi cuplate, cum ar fi cele bazate pe interacțiunea memoriei (PyFluent) sau pe rețele neuronale informate de fizică-(PINN), scopul este de a combina capacitatea CFD de a explora în profunzime mecanismele fizice cu capabilitățile eficiente de scanare ale învățării automate într-o gamă largă de parametri. Această abordare utilizează datele de înaltă calitate, consistente din punct de vedere fizic furnizate de CFD, valorificând în același timp avantajele inferenței online ale învățării automate, oferind o soluție de inginerie sistematică la conflictul inerent dintre acuratețe și eficiență în simulările numerice tradiționale.
02 Dezvoltarea învățării automate în predicția de sudare Dezvoltarea învățării automate în domeniul simulării numerice de sudare reflectă înțelegerea aprofundată a relațiilor fizice de date-în cadrul comunității academice. Evoluția sa tehnologică urmează în primul rând trei niveluri, realizând treptat un salt de la o potrivire simplă a datelor la o integrare profundă a datelor și a mecanismelor fizice. 2.1 Interpolare statică și regresie liniară Ca strategie primară de reducere a dimensionalității pentru aplicarea învățării automate la simularea numerică de sudare, modelele surogat utilizează un set limitat de rezultate de antrenament de înaltă {{4} elemente finite de calcul (FEM) set de elemente finite (FEM). Ei folosesc algoritmi precum rețelele neuronale artificiale (ANN) și regresia procesului Gaussian (GPR) pentru a construi o relație funcțională între parametrii procesului de intrare și indicatorii de calitate a ieșirii (cum ar fi adâncimea sudurii și porozitatea). Această metodă este, în esență, o interpolare statistică într-un spațiu-dimensional înalt. Deși poate obține o eficiență de predicție extrem de ridicată, miezul modelului său nu are suport pentru ecuațiile de control al fluidului termofluid și prezintă o caracteristică-cutie neagră. Datorită acestei limitări, astfel de modele sunt potrivite numai pentru predicția rezultatului în starea de echilibru-. Odată ce parametrii procesului se abat de la intervalul carcasei convexe a datelor de antrenament, precizia lor de generalizare scade brusc din cauza lipsei de constrângeri fizice, făcându-i dificil de adaptat la condițiile reale de sudare complexe și variabile. În plus, deoarece sunt complet detașați de constrângerile legilor de conservare a energiei și a masei, în condiții de eșantionare mică, ele sunt predispuse să producă rezultate de predicție inconsistente care încalcă logica fizică de bază, prezentând un risc serios de încredere.
2.2 Simularea dinamică a procesului de sudare: abordând instabilitățile tranzitorii, cum ar fi prăbușirea găurii de cheie și stropirea în sudarea cu laser, cercetarea s-a mutat treptat către arhitecturi de învățare profundă care combină fotografia de mare-viteză și datele de radiografie cu raze X{-. O rețea neuronală convoluțională tipică + un model de rețea de memorie pe termen scurt-lung (CNN+LSTM), prin extragerea caracteristicilor spațiale și a modelelor de evoluție temporală a imaginii bazinului topit, realizează predicția dinamică de la un capăt la altul al comportamentului tranzitoriu, compensând într-o oarecare măsură limitările modelelor surogat în capturarea proceselor dinamice. Cu toate acestea, această tehnică este limitată de caracterul complet al datelor observaționale; chiar și cu mai mulți senzori, datele experimentale sunt în esență o proiecție sau o eșantionare locală a câmpului de flux tridimensional pe un plan bi-dimensional. Fără constrângeri de la principiile mecanicii fluidelor, este dificil să reconstruiți câmpul complex de flux tridimensional doar din informațiile vizuale de suprafață. În timp ce modelele existente pot surprinde caracteristicile fenomenologice ale curgerii de suprafață, ele se luptă să explice mecanismele care stau la baza formării defectelor de sudare din perspectiva fundamentală a transferului de energie și impuls.
2.3 Fizică-Regresia informată: pentru a aborda criza de interpretabilitate a modelelor bazate exclusiv pe date-, au apărut rețelele neuronale informate (PINN) de fizică-. Această arhitectură nu se mai potrivește pur și simplu cu datele observate, ci încorporează termenii reziduali ai ecuațiilor Navier-Stokes și ecuațiilor de conducție tranzitorie a căldurii ca constrângeri de regularizare în funcția de pierdere a modelului. Procesul de antrenament caută în esență soluția optimă în spațiul parametrilor care să se potrivească atât cu datele observate, cât și să satisfacă legile de conservare fizică. Teoretic, constrângerile rigide ale ecuațiilor fizice pot compensa în mod eficient dimensiunile lipsei de date în observațiile experimentale, permițând modelului să deducă gradienți de presiune interne consecvenți fizic și câmpuri de viteză în spațiul latent. Cu toate acestea, practica inginerească arată că această metodă se confruntă cu provocări serioase: diferența de mărime între gradienții de date și gradienții reziduali fizici poate duce cu ușurință la dificultăți în convergența rețelei; iar punctele de -densitate mare de colocare necesare pentru calcularea precisă a derivatelor de-comandă mai mare cresc semnificativ costurile de instruire, compensând chiar avantajele de eficiență ale învățării automate în unele probleme tranzitorii de-înaltă frecvență.
03 Comparație și simulare colaborativă a învățării automate și CFD: Pentru a clarifica diferențele de eficacitate dintre învățarea automată și dinamica fluidelor computaționale tradiționale (CFD) în simularea numerică a sudării cu laser și pentru a înțelege scenariile aplicabile și valorile de bază ale acestora, a fost efectuată o analiză comparativă sistematică din cinci dimensiuni de bază: cost de calcul, acuratețe și rezoluție, explicarea mecanismului general și explicarea scenariilor aplicabile. Această analiză clarifică avantajele și dezavantajele celor două metode și relația lor complementară, așa cum este detaliat mai jos.
Combinația tradițională de simulare numerică a sudării cu laser și învățarea automată utilizează de obicei un mod offline, în care calculele CFD și antrenamentul modelului sunt efectuate în pași separati. Acest proces se bazează pe citirea extinsă, scrierea și conversia formatului a unor cantități mari de date de pe hard disk, ceea ce duce la un flux de date ineficient și fac dificilă suportarea cercetării de control în buclă închisă-în timp real-. Arhitectura de cuplare bazată pe PyFluent-utiliza o interfață Python pentru a apela solutorul ANSYS Fluent și utilizează protocolul gRPC pentru a obține o interacțiune directă între nucleul de calcul și algoritmii externi la nivel de memorie. Această metodă de cuplare transformă soluția CFD independentă într-un obiect de calcul care poate fi apelat de scripturile Python, permițând algoritmilor de învățare profundă să citească direct datele câmpului de flux și să controleze procesul de rezolvare, oferind o cale de inginerie integrată pentru stabilirea relațiilor de-proces de fidelitate-mapei câmpului fizic. Implementarea specifică a acestei arhitecturi include două aspecte cheie: actualizarea dinamică a parametrilor și extragerea online a datelor din câmpul de flux. În ceea ce privește controlul parametrilor, această metodă abandonează modul tradițional de eșantionare discretă bazat pe rețele static ortogonale (DOE). Folosind algoritmi Bayesian de optimizare sau de învățare de întărire pe partea Python, următorul set de variabile de proces, cum ar fi puterea laserului și viteza de sudare, sunt calculate automat pe baza abaterii de predicție a modelului curent sau a strategiei de explorare, iar condițiile la limită ale rezolutorului sunt modificate în timp real prin interfața PyFluent. Acest mecanism permite concentrarea resurselor de calcul în regiunile parametrilor în care răspunsurile fizice se modifică drastic sau incertitudinea de predicție este mare, permițând generarea adaptivă a punctelor de eșantion.
În ceea ce privește transferul de date, a fost folosit un mecanism de partajare a memoriei pentru a înlocui procesul tradițional de export de fișiere ASCII. În timpul-iterației în pas în Fluent, scriptul Python poate accesa direct memoria rezolutorului prin interfața field_data pentru a extrage datele de temperatură, fracțiune de volum și câmp de viteză din regiunea bazinului topit și le poate converti în rețele NumPy sau tensori pentru introducerea în rețeaua neuronală. Acest flux de date-în timp real permite instruirea online și modificarea modelului în intervalele de calcul CFD, realizând operarea sincronă a evoluției câmpului fizic și modelarea bazată pe date-.
Integrarea PyFluent în fluxurile de lucru de învățare automată îmbunătățește profunzimea modelării simulării, dar introduce și noi provocări de implementare a ingineriei. Din punct de vedere tehnic, interacțiunea cu datele-la nivel de memorie îmbunătățește calitatea eșantionului și eficiența de calcul. Extragerea directă a datelor cu virgulă-flotante din memoria rezolutorului evită erorile de trunchiere cauzate de conversia formatului de text, păstrând precizia de calcul inițială. Acest lucru este esențial pentru capturarea caracteristicilor extrem de sensibile, cum ar fi fluctuații minute pe peretele găurii cheii. În plus, această arhitectură oferă capabilități de validare a controlului procesului, permițând încorporarea logicii de control între pașii de timp de simulare pentru a simula un proces în buclă închisă de „monitorizare a bazinului de topire - decizia parametrilor - ajustării puterii, verificând astfel fezabilitatea strategiilor inteligente de control al sudării la nivel numeric.
04 Această secțiune rezumă rolul învățării automate în simularea numerică a sudării cu laser, concentrându-se în primul rând pe valorificarea mecanismelor fizice și a bazei datelor CFD tradiționale pentru a aborda problema eficienței computaționale scăzute în calculele multi-câmpuri fizice. Cercetările viitoare se vor concentra pe integrarea fizicii și a datelor: în primul rând, utilizarea interfeței PyFluent pentru a obține o interacțiune dinamică la nivelul memoriei rezolutorului, stabilirea unui cadru de cuplare online pentru funcționarea sincronă a învățării automate și CFD, abordând astfel problemele legate de întârzierea transmisiei de date și lipsa controlului buclei închise-în modurile offline tradiționale; în al doilea rând, aplicarea rețelelor neuronale informate de fizică (PINN) pentru a încorpora ecuațiile de conservare a masei, impulsului și energiei în constrângerile algoritmice, corectând deficiențele modelelor bazate exclusiv pe date-care nu au consistență fizică. Prin aceste metode, scopul este de a realiza o transformare în simularea numerică a sudării cu laser de la predicție offline la înfrățire digitală de înaltă-fidelitate,-în timp real.
