01 Indledning
I den multifysiske koblingsanalyse af lasersvejsning med dyb penetration, der nøjagtigt beskriver de højfrekvente udsving i nøglehulsvæggen drevet af metaldamprekyltryk og interaktionsmekanismen for foto-induceret plasma afhænger strengt af den samtidige løsning af masse-, momentum- og energibesparelsesekvationen. Traditionel computational fluid dynamics (CFD), mens den er i stand til at fange high-fidelity transient fluid-adfærd ved at konstruere diskrete gitre med høj-densitet og adaptive tids-stepping-algoritmer, er i det væsentlige en brute-force-løsningsstrategi baseret på Navier-Stokes-ligningerne. Efterhånden som Reynolds-tallet for beregningsdomænegitteret stiger, vokser beregningsomkostningerne eksponentielt, med en enkelt tredimensionel{10}}high-fidelity-transientsimulering, der ofte tager flere dage. Denne beregningsbarriere begrænser i høj grad den iterative optimering af store{12}}procesvinduer. I mellemtiden, selvom maskinlæring kan konstruere en ikke-lineær kortlægning fra et-højdimensionelt procesparameterrum til et fysisk responsrum, omgå den komplekse diskretiseringsproces for partielle differentialligninger og væsentligt forbedre effektiviteten, fører dens "sort boks"-karakter til en mangel på fysisk fortolkning og utilstrækkelige generaliseringsevner. Rent datadrevne modeller, når de er afkoblet fra begrænsningerne af fysiske bevarelseslove, kæmper for at garantere selv-konsistensen af forudsigelsesresultater under{18}}dataknappe forhold.
Derfor er den nuværende banebrydende-kantretning i numerisk lasersvejsningssimulering ikke længere begrænset til valget af en enkelt beregningsmetode, men er skiftet i retning af den dybe integration af maskinlæring og CFD. Ved at etablere koblede arkitekturer såsom dem, der er baseret på hukommelsesinteraktion (PyFluent) eller fysik-informerede neurale netværk (PINN'er), er målet at kombinere CFD's evne til dybt at udforske fysiske mekanismer med maskinlærings effektive scanningsmuligheder på tværs af en lang række parametre. Denne tilgang udnytter de fysisk konsistente data af høj-kvalitet, der leveres af CFD, samtidig med at de udnytter fordelene ved maskinlæring online, hvilket giver en systematisk ingeniørløsning på den iboende konflikt mellem nøjagtighed og effektivitet i traditionelle numeriske simuleringer.
02 Udviklingen af maskinlæring i svejseforudsigelse Udviklingen af maskinlæring inden for numerisk svejsesimulering afspejler den dybere forståelse af data-fysikforhold inden for det akademiske samfund. Dens teknologiske udvikling følger primært tre niveauer, og opnår gradvist et spring fra simpel datatilpasning til en dyb integration af data og fysiske mekanismer. 2.1 Statisk interpolation og lineær regression Som en primær dimensionsreduktionsstrategi til anvendelse af maskinlæring til numerisk svejsesimulering, bruger surrogatmodeller et begrænset sæt af højfidelitet{4} finite træningsresultater som {FEM-beregningselementer. De bruger algoritmer såsom kunstige neurale netværk (ANN) og Gaussisk procesregression (GPR) til at konstruere et funktionelt forhold mellem inputprocesparametre og outputkvalitetsindikatorer (såsom svejsedybde og porøsitet). Denne metode er i det væsentlige statistisk interpolation i et højt-dimensionelt rum. Selvom den kan opnå ekstremt høj forudsigelseseffektivitet, mangler dens modelkerne understøttelse af termofluid-kontrolligninger og udviser en sort-boks-karakteristik. På grund af denne begrænsning er sådanne modeller kun egnede til resultatforudsigelse i stabil{11}}tilstand. Når først procesparametrene afviger fra træningsdataens konvekse skrogområde, falder deres generaliseringsnøjagtighed kraftigt på grund af manglen på fysiske begrænsninger, hvilket gør dem vanskelige at tilpasse til komplekse og variable faktiske svejseforhold. Desuden, fordi de er fuldstændig adskilt fra begrænsningerne af energi- og massebevaringslove, under små prøveforhold, er de tilbøjelige til at udsende inkonsistente forudsigelsesresultater, der krænker grundlæggende fysisk logik, hvilket udgør en alvorlig tillidsrisiko.
2.2 Dynamisk simulering af svejseprocessen: Ved at løse forbigående ustabiliteter såsom nøglehulskollaps og sprøjt i lasersvejsning er forskningen gradvist skiftet i retning af deep learning-arkitekturer, der kombinerer høj-hastighedsfotografering og røntgenstråledata. En typisk foldningsneuralt netværk + lang-korttidshukommelsesnetværksmodel (CNN+LSTM) opnår ved at udtrække rumlige egenskaber og tidsmæssige udviklingsmønstre af det smeltede poolbillede en dynamisk forudsigelse fra ende til-, hvilket til en vis grad kompenserer for begrænsningerne af surrogatmodeller til at fange dynamiske processer. Denne teknik er imidlertid begrænset af fuldstændigheden af observationsdataene; selv med flere sensorer er de eksperimentelle data i det væsentlige en projektion eller lokal sampling af det tredimensionelle flowfelt på et to-plan. Uden begrænsninger fra fluidmekaniske principper er det vanskeligt at rekonstruere det komplekse tre{13}}dimensionelle flowfelt udelukkende ud fra visuel overfladeinformation. Mens eksisterende modeller kan fange de fænomenologiske karakteristika ved overfladeflow, kæmper de med at forklare de underliggende mekanismer for dannelse af svejsedefekter fra det grundlæggende perspektiv af energi- og momentumoverførsel.
2.3 Fysik-Informeret regression: For at imødegå fortolkningskrisen af rent datadrevne-modeller er der opstået Physics-Informed Neural Networks (PINN'er). Denne arkitektur passer ikke længere blot til observerede data, men indlejrer i stedet de resterende led af Navier-Stokes-ligningerne og transiente varmeledningsligninger som regulariseringsbegrænsninger i modellens tabsfunktion. Træningsprocessen søger i det væsentlige efter den optimale løsning i parameterrummet, der både passer til de observerede data og opfylder de fysiske bevaringslove. Teoretisk set kan de stive begrænsninger af de fysiske ligninger effektivt kompensere for manglende datadimensioner i eksperimentelle observationer, hvilket gør det muligt for modellen at udlede fysisk konsistente interne trykgradienter og hastighedsfelter i det latente rum. Ingeniørpraksis viser imidlertid, at denne metode står over for alvorlige udfordringer: Forskellen i størrelse mellem datagradienter og fysiske resterende gradienter kan let føre til vanskeligheder med netværkskonvergens; og de kollokationspunkter med høj-densitet, der kræves til nøjagtig beregning af{10}}højere{10}}ordrederivater, øger træningsomkostningerne betydeligt, og opvejer endda effektivitetsfordelene ved maskinlæring i nogle{11}}højfrekvente forbigående problemer.
03 Sammenligning og kollaborativ simulering af maskinlæring og CFD: For at afklare forskellene i effektivitet mellem maskinlæring og traditionel computational fluid dynamics (CFD) i numerisk simulering af lasersvejsning, og for at forstå deres respektive anvendelige scenarier og kerneværdier, blev der udført en systematisk sammenlignende analyse ud fra fem kernedimensioner, omkostningsdimensioner, nøjagtighed, beregningsmekanisme, beregningsmekanisme og generel beregningsmekanisme og opløsningsmekanisme. scenarier. Denne analyse afklarer fordele og ulemper ved de to metoder og deres komplementære forhold, som beskrevet nedenfor.
Den traditionelle kombination af numerisk simulering af lasersvejsning og maskinlæring anvender typisk en offline-tilstand, hvor CFD-beregninger og modeltræning udføres i separate trin. Denne proces er afhængig af omfattende læsning, skrivning og formatkonvertering af store mængder data på harddisken, hvilket resulterer i ineffektiv datastrøm og gør det vanskeligt at understøtte forskning i real-lukket-sløjfekontrol. Den PyFluent-baserede koblingsarkitektur bruger en Python-grænseflade til at kalde ANSYS Fluent-solveren og anvender gRPC-protokollen til at opnå direkte interaktion mellem beregningskernen og eksterne algoritmer på hukommelsesniveau. Denne koblingsmetode transformerer den uafhængige CFD-løser til et beregningsobjekt, der kan kaldes af Python-scripts, hvilket tillader dybe læringsalgoritmer at læse flowfeltdata direkte og styre løsningsprocessen, hvilket giver en integreret ingeniørsti til etablering af-fidelityproces-fysiske feltkortlægningsrelationer. Den specifikke implementering af denne arkitektur omfatter to nøgleaspekter: dynamisk parameteropdatering og onlineudtrækning af flowfeltdata. Med hensyn til parameterstyring opgiver denne metode den traditionelle diskrete samplingstilstand baseret på statiske ortogonale arrays (DOE). Ved at bruge Bayesianske optimerings- eller forstærkningsindlæringsalgoritmer på Python-siden beregnes det næste sæt af procesvariabler såsom lasereffekt og svejsehastighed automatisk baseret på den aktuelle models forudsigelsesafvigelse eller udforskningsstrategi, og løserens grænsebetingelser modificeres i realtid gennem PyFluent-grænsefladen. Denne mekanisme gør det muligt at koncentrere beregningsressourcer i parameterområder, hvor fysiske svar ændrer sig drastisk, eller forudsigelsesusikkerheden er høj, hvilket muliggør adaptiv generering af prøvepunkter.
Med hensyn til dataoverførsel blev en hukommelsesdelingsmekanisme brugt til at erstatte den traditionelle ASCII-fileksportproces. Under tids-trin-iterationen i Fluent kan Python-scriptet få direkte adgang til løserens hukommelse gennem field_data-grænsefladen for at udtrække temperatur-, volumenfraktion- og hastighedsfeltdata for den smeltede pool-region og konvertere dem til NumPy-arrays eller tensorer til input i det neurale netværk. Dette realtidsdataflow giver mulighed for online træning og modifikation af modellen under intervallerne for CFD-beregninger, hvilket opnår synkron drift af fysisk feltudvikling og datadrevet-modellering.
At integrere PyFluent i maskinlærings-workflows øger dybden af simuleringsmodellering, men introducerer også nye tekniske implementeringsudfordringer. Fra et teknisk synspunkt forbedrer datainteraktion på hukommelses-niveau prøvekvalitet og beregningseffektivitet. Direkte udtrækning af flydende-punktdata fra løserens hukommelse undgår trunkeringsfejl forårsaget af tekstformatkonvertering, hvilket bevarer den oprindelige beregningspræcision. Dette er afgørende for at fange meget følsomme funktioner såsom små udsving på nøglehulsvæggen. Ydermere giver denne arkitektur processtyringsvalideringsfunktioner, der tillader indlejring af kontrollogik mellem simuleringstidstrin for at simulere en lukket-sløjfeproces med "smeltebassinovervågning - parameterbeslutning - effektjustering", og derved verificere gennemførligheden af intelligente svejsekontrolstrategier på numerisk niveau.
04 Dette afsnit opsummerer maskinlæringens rolle i numerisk simulering af lasersvejsning, primært med fokus på at udnytte de fysiske mekanismer og datagrundlaget for traditionel CFD til at løse problemet med lav beregningseffektivitet i multi-fysikfeltberegninger. Fremtidig forskning vil fokusere på integration af fysik og data: For det første ved at bruge PyFluent-grænsefladen til at opnå dynamisk interaktion på solverhukommelsesniveauet, etablere en online koblingsramme for synkron drift af maskinlæring og CFD, og derved løse problemerne med datatransmissionsforsinkelse og mangel på lukket-sløjfekontrol i traditionelle offlinetilstande; for det andet at anvende fysik-informerede neurale netværk (PINN'er) til at inkorporere masse-, momentum- og energibevarelsesligninger i algoritmiske begrænsninger, hvilket korrigerer manglerne ved rent datadrevne-modeller, der mangler fysisk konsistens. Gennem disse metoder er målet at opnå en transformation i numerisk lasersvejsningssimulering fra offline forudsigelse til high-fidelity, real-digital twinning.
