01 Įvadas
Atliekant daugiafizinę lazerinio giluminio suvirinimo jungties analizę, tiksliai apibūdinant metalo garų atatrankos slėgio sukeliamus rakto skylutės sienelės aukšto -dažnio svyravimus ir foto-indukuotos plazmos sąveikos mechanizmą, griežtai priklauso nuo vienu metu sprendžiamo masės, impulso ir energijos taupymo koeficientų. Tradicinė skaičiavimo skysčių dinamika (CFD), nors ir gali užfiksuoti didelio-tikslumo trumpalaikių skysčių elgseną, konstruodama didelio-tankio diskrečius tinklelius ir prisitaikančius laiko{5}}žingsniavimo algoritmus, iš esmės yra žiauri-prievartos sprendimo strategija, pagrįsta Navieres{7}S. Didėjant skaičiavimo domeno tinklelio Reinoldso skaičiui, skaičiavimo sąnaudos auga eksponentiškai, o vienas aukštos -tikslumo trijų- matmenų pereinamasis modeliavimas dažnai užtrunka kelias dienas. Ši skaičiavimo kliūtis labai apriboja kartotinį didelio masto proceso langų optimizavimą. Tuo tarpu, nors mašininis mokymasis gali sudaryti netiesinį atvaizdavimą iš didelio-matmens proceso parametrų erdvės į fizinio atsako erdvę, apeinant sudėtingą dalinės diferencialinės lygties diskretizavimo procesą ir žymiai pagerinant efektyvumą, jo „juodosios dėžės“ pobūdis lemia fizinio aiškinimo trūkumą ir nepakankamas apibendrinimo galimybes. Grynai duomenimis pagrįsti modeliai, atsieti nuo fizinės išsaugojimo įstatymų apribojimų, stengiasi užtikrinti savaiminį-numatymo rezultatų nuoseklumą, esant ribotoms duomenų{18}} sąlygoms.
Todėl dabartinė pažangiausia lazerinio suvirinimo skaitmeninio modeliavimo kryptis nebeapsiriboja vieno skaičiavimo metodo parinkimu, o perėjo į gilų mašininio mokymosi ir CFD integravimą. Kuriant susietas architektūras, pvz., pagrįstas atminties sąveika (PyFluent) arba fizikos-informuotais neuroniniais tinklais (PINN), siekiama sujungti CFD gebėjimą nuodugniai ištirti fizinius mechanizmus su mašininio mokymosi veiksmingomis nuskaitymo galimybėmis naudojant įvairius parametrus. Taikant šį metodą naudojami aukštos-kokybės, fiziškai nuoseklūs CFD pateikiami duomenys, kartu išnaudojami mašininio mokymosi internetiniai išvadų pranašumai, o tai suteikia sistemingą inžinerinį sprendimą tradiciniams skaitiniams modeliams būdingam tikslumo ir efektyvumo konfliktui.
02 Suvirinimo numatymo mašininio mokymosi plėtra Mašininio mokymosi suvirinimo skaitmeninio modeliavimo srityje plėtra atspindi gilesnį duomenų fizikos santykių supratimą akademinėje bendruomenėje. Jo technologinė raida visų pirma apima tris lygius, palaipsniui pereinant nuo paprasto duomenų pritaikymo prie gilios duomenų ir fizinių mechanizmų integracijos. 2.1 Statinė interpoliacija ir tiesinė regresija Kaip pagrindinė matmenų mažinimo strategija, skirta mašininiam mokymuisi pritaikyti suvirinimo skaitmeniniam modeliavimui, pakaitiniuose modeliuose naudojamas ribotas didelio -galutinio elemento apskaičiavimo rezultatų rinkinys (FEM tikslumo). Jie naudoja tokius algoritmus kaip dirbtiniai neuroniniai tinklai (ANN) ir Gauso proceso regresija (GPR), kad sukurtų funkcinį ryšį tarp įvesties proceso parametrų ir išvesties kokybės rodiklių (tokių kaip suvirinimo gylis ir poringumas). Šis metodas iš esmės yra statistinė interpoliacija didelės-matmens erdvėje. Nors jis gali pasiekti itin aukštą numatymo efektyvumą, jo modelio šerdis nepalaiko termoskysčio valdymo lygčių ir pasižymi juodos -dėžės charakteristika. Dėl šio apribojimo tokie modeliai tinka tik pastovios būsenos rezultato numatymui. Kai proceso parametrai nukrypsta nuo mokymo duomenų išgaubto korpuso diapazono, jų apibendrinimo tikslumas smarkiai sumažėja dėl fizinių apribojimų trūkumo, todėl juos sunku pritaikyti prie sudėtingų ir kintančių faktinių suvirinimo sąlygų. Be to, kadangi jie yra visiškai atskirti nuo energijos ir masės išsaugojimo dėsnių apribojimų, esant nedidelėms imties sąlygoms, jie yra linkę pateikti nenuoseklius prognozavimo rezultatus, kurie pažeidžia pagrindinę fizinę logiką ir kelia rimtą pasitikėjimo riziką.
2.2 Dinaminis suvirinimo proceso modeliavimas: sprendžiant trumpalaikius nestabilumus, tokius kaip rakto skylutės griuvimas ir purslų suvirinimas lazeriu, tyrimai pamažu perėjo prie gilaus mokymosi architektūrų, apjungiančių didelės-greitos fotografijos ir rentgeno spindulių rentgenografijos duomenis. Įprastas konvoliucinis neuroninis tinklas + ilgo -trumpalaikės atminties tinklo (CNN+LSTM) modelis, išskirdamas išlydyto telkinio vaizdo erdvines ypatybes ir laiko raidos modelius, pasiekia dinaminį trumpalaikio elgesio nuspėjimą nuo pabaigos{7}} iki galo, tam tikru mastu kompensuodamas pakaitinių modelių fiksavimo procesų apribojimus. Tačiau šį metodą riboja stebėjimo duomenų išsamumas; net naudojant kelis jutiklius, eksperimentiniai duomenys iš esmės yra trimačio srauto lauko projekcija arba vietinis atranka į dvimatę plokštumą. Neturint skysčių mechanikos principų apribojimų, sunku atkurti sudėtingą trijų{13}dimačių srauto lauką vien iš paviršiaus vaizdinės informacijos. Nors esami modeliai gali užfiksuoti fenomenologines paviršiaus srauto charakteristikas, jie stengiasi paaiškinti pagrindinius suvirinimo defektų susidarymo mechanizmus iš pagrindinės energijos ir impulso perdavimo perspektyvos.
2.3 Fizika-Informuota regresija: siekiant išspręsti grynai duomenimis-pagrįstų modelių aiškinamumo krizę, atsirado fizikos-informuoti neuroniniai tinklai (PINN). Ši architektūra nebėra tiesiog pritaikyta stebimiems duomenims, bet vietoj to į modelio praradimo funkciją įtraukia Navier{5}}Stokso lygčių ir trumpalaikių šilumos laidumo lygčių likutinius elementus, kaip reguliavimo apribojimus. Mokymo procese iš esmės ieškoma optimalaus sprendimo parametrų erdvėje, kuris atitiktų stebimus duomenis ir atitiktų fizinės tvermės dėsnius. Teoriškai griežti fizinių lygčių apribojimai gali veiksmingai kompensuoti trūkstamus duomenų matmenis atliekant eksperimentinius stebėjimus, todėl modelis gali daryti išvadą apie fiziškai nuoseklius vidinio slėgio gradientus ir greičio laukus latentinėje erdvėje. Tačiau inžinerinė praktika rodo, kad šis metodas susiduria su rimtais iššūkiais: duomenų gradientų ir fizinių liekamųjų gradientų dydžio skirtumas gali lengvai sukelti tinklo konvergencijos sunkumus; ir didelio -tankio kolokacijos taškai, kurių reikia norint tiksliai apskaičiuoti aukštesnės{10} eilės išvestines priemones, žymiai padidina mokymo išlaidas, netgi kompensuoja mašininio mokymosi efektyvumo pranašumus esant kai kurioms aukšto{11}}dažnio pereinamojo laikotarpio problemoms.
03 Mašininio mokymosi ir CFD palyginimas ir bendradarbiavimo modeliavimas: siekiant išsiaiškinti mašininio mokymosi ir tradicinės skaičiavimo skysčių dinamikos (CFD) efektyvumo skirtumus atliekant skaitinį lazerinio suvirinimo modeliavimą ir suprasti jų atitinkamus taikomus scenarijus bei pagrindines vertes, buvo atlikta sisteminė lyginamoji analizė, remiantis penkiais pagrindiniais pagrindiniais sąnaudų skaičiavimais, paaiškinimais, skaičiavimo sąnaudomis ir mechanizmu. ir taikomus scenarijus. Šioje analizėje paaiškinami dviejų metodų privalumai ir trūkumai bei jų vienas kitą papildantys santykiai, kaip aprašyta toliau.
Tradicinis skaitmeninio lazerinio suvirinimo modeliavimo ir mašininio mokymosi derinys paprastai naudoja neprisijungus režimą, kai CFD skaičiavimai ir modelio mokymas atliekami atskirais etapais. Šis procesas priklauso nuo didelio duomenų kiekio standžiajame diske skaitymo, rašymo ir formatavimo konvertavimo, todėl duomenų srautas yra neefektyvus ir sunku palaikyti-uždarosios kilpos{2}}valdymo realiuoju laiku tyrimus. PyFluent{4}}pagrįstoje sujungimo architektūroje naudojama Python sąsaja, kad iškviestų ANSYS Fluent sprendiklį, ir naudojamas gRPC protokolas, kad būtų pasiekta tiesioginė skaičiavimo branduolio ir išorinių algoritmų sąveika atminties lygiu. Šis sujungimo metodas paverčia nepriklausomą CFD sprendiklį į skaičiavimo objektą, kurį gali iškviesti Python scenarijai, leidžiant gilaus mokymosi algoritmams tiesiogiai nuskaityti srauto lauko duomenis ir valdyti sprendimo procesą, taip suteikdamas integruotą inžinerinį kelią, leidžiantį nustatyti didelio -tikslumo proceso-fizinio lauko atvaizdavimo ryšius. Konkretus šios architektūros įgyvendinimas apima du pagrindinius aspektus: dinaminį parametrų atnaujinimą ir srauto lauko duomenų išgavimą internetu. Kalbant apie parametrų valdymą, šis metodas atsisako tradicinio diskrečiojo atrankos režimo, pagrįsto statinėmis ortogoninėmis matricomis (DOE). Naudojant Bajeso optimizavimo arba sustiprinimo mokymosi algoritmus Python pusėje, kitas proceso kintamųjų rinkinys, pvz., lazerio galia ir suvirinimo greitis, automatiškai apskaičiuojamas remiantis dabartinio modelio nukrypimo nuokrypiu arba tyrimo strategija, o sprendėjo ribinės sąlygos yra modifikuojamos realiu laiku per PyFluent sąsają. Šis mechanizmas leidžia sutelkti skaičiavimo išteklius parametrų srityse, kuriose fiziniai atsakai drastiškai keičiasi arba prognozavimo neapibrėžtis yra didelė, todėl galima adaptyviai generuoti imties taškus.
Kalbant apie duomenų perdavimą, tradicinį ASCII failų eksportavimo procesą pakeitė atminties dalijimosi mechanizmas. Per „Fluent“{1}}pakopų iteraciją „Python“ scenarijus gali tiesiogiai pasiekti sprendiklio atmintį per „field_data“ sąsają, kad išgautų išlydyto telkinio srities temperatūros, tūrio dalies ir greičio lauko duomenis ir konvertuotų juos į „NumPy“ matricas arba tenzorius, kad būtų galima įvesti į neuroninį tinklą. Šis realaus laiko duomenų srautas leidžia internetu treniruotis ir modifikuoti modelį CFD skaičiavimo intervalais, taip pasiekti sinchroninį fizinio lauko evoliucijos ir duomenimis{5}}pagrįsto modeliavimo veikimą.
„PyFluent“ integravimas į mašininio mokymosi darbo eigą padidina modeliavimo modeliavimo gylį, bet taip pat kelia naujų inžinerinių diegimo iššūkių. Techniniu požiūriu duomenų sąveika atminties{1}} lygiu pagerina imties kokybę ir skaičiavimo efektyvumą. Tiesiogiai ištraukiant slankiojo-taško duomenis iš sprendiklio atminties išvengiama sutrumpinimo klaidų, kurias sukelia teksto formato konvertavimas, taip išsaugomas pradinis skaičiavimo tikslumas. Tai labai svarbu fiksuojant labai jautrius bruožus, pvz., nedidelius svyravimus ant rakto skylutės sienelės. Be to, ši architektūra suteikia proceso valdymo patvirtinimo galimybes, leidžiančias įterpti valdymo logiką tarp modeliavimo laiko etapų, kad būtų galima imituoti uždaro ciklo „lydymosi baseino stebėjimo - parametrų sprendimo - galios reguliavimo“ procesą, taip patikrinant pažangių suvirinimo valdymo strategijų įgyvendinamumą skaitiniu lygiu.
04 Šiame skyriuje apibendrinamas mašininio mokymosi vaidmuo skaitiniame lazerinio suvirinimo modeliavime, daugiausia dėmesio skiriant tradicinio CFD fizinių mechanizmų ir duomenų bazės panaudojimui, siekiant išspręsti mažo skaičiavimo efektyvumo problemą atliekant daugialypės fizikos lauko skaičiavimus. Būsimuose tyrimuose pagrindinis dėmesys bus skiriamas fizikos ir duomenų integravimui: pirma, naudojant PyFluent sąsają, kad būtų pasiekta dinaminė sąveika sprendėjų atminties lygmenyje, sukurti internetinės sąsajos sistemą, skirtą sinchroniniam mašininio mokymosi ir CFD veikimui, taip sprendžiant duomenų perdavimo delsos ir uždarojo ciklo valdymo trūkumo tradiciniais neprisijungus režimais problemas; antra, taikant fizikos -informuotus neuroninius tinklus (PINN), kad masės, impulso ir energijos taupymo lygtys būtų įtrauktos į algoritminius apribojimus, ištaisant grynai duomenimis{5}}pagrįstų modelių, kuriems trūksta fizinio nuoseklumo, trūkumus. Taikant šiuos metodus siekiama transformuoti lazerinio suvirinimo skaitmeninį modeliavimą nuo numatymo neprisijungus prie didelio-tikslumo, realaus laiko{8}}skaitmeninio dvynių.
