01 Uvod
V večfizični analizi sklopitve laserskega varjenja z globokim prebojem je natančen opis visoko{0}}frekvenčnih nihanj stene ključavnice, ki jih poganja povratni tlak kovinske pare, in interakcijski mehanizem foto{1}}inducirane plazme strogo odvisen od hkratne rešitve enačb za ohranitev mase, gibalne količine in energije. Čeprav je tradicionalna računalniška dinamika tekočin (CFD) sposobna zajeti prehodno vedenje tekočine z visoko-zvestobo z izgradnjo diskretnih mrež z visoko-gostoto in prilagodljivimi algoritmi-časovnega{5}}stepkanja, je v bistvu strategija reševanja s-surovimi silami, ki temelji na Navier-Stokesovih enačbah. Ko se Reynoldsovo število mreže računske domene povečuje, računski stroški rastejo eksponentno, pri čemer ena sama-tri-dimenzionalna prehodna simulacija z visoko zvestobo pogosto traja več dni. Ta računalniška ovira močno omejuje ponavljajočo se optimizacijo velikih{12}}oken procesov. Čeprav lahko strojno učenje zgradi nelinearno preslikavo iz visoko{14}}dimenzionalnega prostora parametrov procesa v fizični odzivni prostor, pri čemer obide zapleten proces diskretizacije parcialnih diferencialnih enačb in znatno izboljša učinkovitost, njegova narava »črne skrinjice« vodi v pomanjkanje fizične razlage in nezadostne zmožnosti posploševanja. Izključno{16}}podatkovno vodeni modeli, ko so ločeni od omejitev fizičnih ohranitvenih zakonov, težko zagotavljajo samo-doslednost rezultatov napovedi v pogojih,-da podatkov ni dovolj.
Zato trenutna vrhunska smer-na področju numerične simulacije laserskega varjenja ni več omejena na izbiro ene same računske metode, ampak se je preusmerila k globoki integraciji strojnega učenja in CFD. Z vzpostavitvijo sklopljenih arhitektur, kot so tiste, ki temeljijo na pomnilniški interakciji (PyFluent) ali fizično{2}}informiranih nevronskih omrežjih (PINN), je cilj združiti sposobnost CFD za poglobljeno raziskovanje fizičnih mehanizmov z zmožnostmi učinkovitega skeniranja strojnega učenja v širokem razponu parametrov. Ta pristop uporablja visoko{4}}kakovostne, fizično konsistentne podatke, ki jih zagotavlja CFD, hkrati pa izkorišča prednosti spletnega sklepanja strojnega učenja in zagotavlja sistematično inženirsko rešitev za neločljivo nasprotje med natančnostjo in učinkovitostjo v tradicionalnih numeričnih simulacijah.
02 Razvoj strojnega učenja pri napovedovanju varjenja Razvoj strojnega učenja na področju numerične simulacije varjenja odraža poglabljanje razumevanja podatkov-fizikalnih odnosov znotraj akademske skupnosti. Njegova tehnološka evolucija v prvi vrsti sledi trem ravnem, pri čemer postopoma doseže preskok od preprostega prilagajanja podatkov k globoki integraciji podatkov in fizičnih mehanizmov. 2.1 Statična interpolacija in linearna regresija Kot primarna strategija zmanjševanja dimenzij za uporabo strojnega učenja pri numerični simulaciji varjenja nadomestni modeli uporabljajo omejen nabor visoko{4}}rezultatov izračuna končnih elementov (FEM) kot nabor za usposabljanje. Uporabljajo algoritme, kot so umetne nevronske mreže (ANN) in regresija Gaussovega procesa (GPR), da zgradijo funkcionalno razmerje med vhodnimi procesnimi parametri in izhodnimi indikatorji kakovosti (kot sta globina zvara in poroznost). Ta metoda je v bistvu statistična interpolacija v visoko-dimenzionalnem prostoru. Čeprav lahko doseže izredno visoko učinkovitost napovedovanja, njegovo jedro modela nima podpore za termofluidne krmilne enačbe in kaže značilnosti črne-skljinje. Zaradi te omejitve so takšni modeli primerni samo za-napovedovanje rezultatov stabilnega stanja. Ko procesni parametri odstopajo od obsega konveksne lupine podatkov za usposabljanje, se njihova posplošitvena natančnost močno zmanjša zaradi pomanjkanja fizičnih omejitev, zaradi česar jih je težko prilagoditi zapletenim in spremenljivim dejanskim pogojem varjenja. Poleg tega, ker so popolnoma ločeni od omejitev zakonov o ohranjanju energije in mase, so pod pogoji majhnega vzorca nagnjeni k izpisu nedoslednih rezultatov napovedi, ki kršijo osnovno fizikalno logiko, kar predstavlja resno tveganje za zaupanje.
2.2 Dinamična simulacija varilnega procesa: Obravnavanje prehodnih nestabilnosti, kot sta zrušitev ključavnice in brizganje pri laserskem varjenju, se je raziskava postopoma usmerila k arhitekturam globokega učenja, ki združujejo visoko{1}}hitro fotografijo in podatke rentgenske-radiografije. Tipičen model konvolucijske nevronske mreže + mreže dolgega kratkoročnega-pomnilnika (CNN+LSTM) z ekstrakcijo prostorskih značilnosti in vzorcev časovnega razvoja slike staljenega bazena doseže--končno dinamično napovedovanje prehodnega vedenja, s čimer do neke mere kompenzira omejitve nadomestnih modelov pri zajemanju dinamičnih procesov. Vendar pa je ta tehnika omejena s popolnostjo opazovalnih podatkov; tudi pri več senzorjih so eksperimentalni podatki v bistvu projekcija ali lokalno vzorčenje tri{10}}dimenzionalnega tokovnega polja na dvo{11}}dimenzionalno ravnino. Brez omejitev načel mehanike tekočin je težko rekonstruirati zapleteno tri-dimenzionalno tokovno polje zgolj iz površinskih vizualnih informacij. Medtem ko lahko obstoječi modeli zajamejo fenomenološke značilnosti površinskega toka, se trudijo razložiti osnovne mehanizme nastanka napak pri varjenju s temeljnega vidika prenosa energije in zagona.
2.3 Fizikalna-obveščena regresija: Za reševanje krize interpretabilnosti modelov, ki temeljijo izključno na podatkih, so se pojavile fizikalno-obveščene nevronske mreže (PINN). Ta arhitektura se ne prilega več zgolj opazovanim podatkom, ampak namesto tega vgradi preostale člene Navier-Stokesovih enačb in prehodnih enačb toplotnega prevoda kot omejitve regulacije v funkcijo izgube modela. Proces usposabljanja v bistvu išče optimalno rešitev v prostoru parametrov, ki ustreza opazovanim podatkom in zadošča fizičnim ohranitvenim zakonom. Teoretično lahko toge omejitve fizikalnih enačb učinkovito kompenzirajo manjkajoče dimenzije podatkov v eksperimentalnih opazovanjih, kar omogoča modelu, da sklepa o fizično skladnih gradientih notranjega tlaka in poljih hitrosti v latentnem prostoru. Vendar pa inženirska praksa kaže, da se ta metoda sooča z resnimi izzivi: razlika v velikosti med gradienti podatkov in fizičnimi preostalimi gradienti lahko zlahka povzroči težave pri konvergenci omrežja; kolokacijske točke z visoko-gostoto, potrebne za natančen izračun-izpeljank višjega reda, znatno povečajo stroške usposabljanja in celo izravnajo prednosti učinkovitosti strojnega učenja pri nekaterih-visokofrekvenčnih prehodnih težavah.
03 Primerjava in skupna simulacija strojnega učenja in CFD: Da bi razjasnili razlike v učinkovitosti med strojnim učenjem in tradicionalno računalniško dinamiko tekočin (CFD) v numerični simulaciji laserskega varjenja ter da bi razumeli njune ustrezne scenarije in temeljne vrednosti, je bila izvedena sistematična primerjalna analiza iz petih temeljnih razsežnosti: računski stroški, natančnost in ločljivost, razlaga mehanizma, sposobnost posploševanja, in uporabne scenarije. Ta analiza pojasnjuje prednosti in slabosti obeh metod ter njun komplementarni odnos, kot je podrobno opisano spodaj.
Tradicionalna kombinacija numerične simulacije laserskega varjenja in strojnega učenja običajno uporablja način brez povezave, kjer se izračuni CFD in usposabljanje modela izvajajo v ločenih korakih. Ta postopek je odvisen od obsežnega branja, pisanja in pretvorbe formata velikih količin podatkov na trdem disku, kar povzroča neučinkovit pretok podatkov in otežuje podporo raziskavam nadzora-zaprte{2}}zanke v realnem času. Arhitektura povezovanja, ki temelji na PyFluent-, uporablja vmesnik Python za klic reševalnika ANSYS Fluent in uporablja protokol gRPC za doseganje neposredne interakcije med računalniškim jedrom in zunanjimi algoritmi na ravni pomnilnika. Ta metoda spajanja pretvori neodvisni reševalec CFD v računalniški objekt, ki ga lahko kličejo skripti Python, kar omogoča algoritmom globokega učenja, da neposredno berejo podatke o polju toka in nadzorujejo postopek reševanja, kar zagotavlja integrirano inženirsko pot za vzpostavitev visoko{6}}zvestobe procesa-relacije preslikave fizičnega polja. Posebna izvedba te arhitekture vključuje dva ključna vidika: dinamično posodabljanje parametrov in spletno ekstrakcijo podatkov o polju pretoka. Kar zadeva nadzor parametrov, ta metoda opušča tradicionalni način diskretnega vzorčenja, ki temelji na statičnih ortogonalnih nizih (DOE). Z uporabo Bayesovih algoritmov za optimizacijo ali ojačitveno učenje na strani Pythona se naslednji niz procesnih spremenljivk, kot sta moč laserja in hitrost varjenja, samodejno izračuna na podlagi odstopanja napovedi ali strategije raziskovanja trenutnega modela, robni pogoji reševalca pa se spremenijo v realnem času prek vmesnika PyFluent. Ta mehanizem omogoča, da se računalniški viri koncentrirajo v območjih parametrov, kjer se fizični odzivi drastično spremenijo ali je negotovost napovedi visoka, kar omogoča prilagodljivo generiranje vzorčnih točk.
Kar zadeva prenos podatkov, je bil za zamenjavo tradicionalnega postopka izvoza datoteke ASCII uporabljen mehanizem za skupno rabo pomnilnika. Med iteracijo časovnih-korakov v Fluentu lahko skript Python neposredno dostopa do pomnilnika reševalnika prek vmesnika field_data, da izvleče podatke o polju temperature, volumskega deleža in hitrosti območja staljenega bazena ter jih pretvori v nize ali tenzorje NumPy za vnos v nevronsko mrežo. Ta-tok podatkov v realnem času omogoča spletno usposabljanje in spreminjanje modela med intervali izračunov CFD, s čimer se doseže sinhrono delovanje razvoja fizičnega polja in podatkovno-podprto modeliranje.
Integracija PyFluenta v delovne poteke strojnega učenja poveča globino simulacijskega modeliranja, hkrati pa uvaja nove izzive inženirske implementacije. S tehničnega vidika interakcija podatkov-na ravni pomnilnika izboljša kakovost vzorca in računalniško učinkovitost. Neposredno ekstrahiranje podatkov s plavajočo-vejico iz pomnilnika reševalnika se izogne napakam obrezovanja, ki jih povzroči pretvorba formata besedila, in ohrani prvotno računsko natančnost. To je ključnega pomena za zajem zelo občutljivih elementov, kot so majhna nihanja na steni ključavnice. Poleg tega ta arhitektura zagotavlja zmožnosti validacije nadzora procesa, kar omogoča vgradnjo krmilne logike med časovne korake simulacije za simulacijo procesa zaprte-zanke "nadzora talilnega bazena - odločitve parametrov - prilagoditve moči," s čimer se preveri izvedljivost strategij inteligentnega varjenja na numerični ravni.
04 Ta razdelek povzema vlogo strojnega učenja pri numerični simulaciji laserskega varjenja, pri čemer se predvsem osredotoča na izkoriščanje fizičnih mehanizmov in podatkovne podlage tradicionalnega CFD za reševanje problema nizke računalniške učinkovitosti pri izračunih več-polj fizike. Prihodnje raziskave se bodo osredotočile na integracijo fizike in podatkov: prvič, z uporabo vmesnika PyFluent za doseganje dinamične interakcije na ravni pomnilnika reševalnika, vzpostavitev spletnega povezovalnega ogrodja za sinhrono delovanje strojnega učenja in CFD, s čimer se bodo obravnavale težave zakasnitve prenosa podatkov in pomanjkanja krmiljenja zaprte -zanke v tradicionalnih načinih brez povezave; drugič, uporaba fizikalno{4}}informiranih nevronskih mrež (PINN) za vključitev enačb ohranjanja mase, gibalne količine in energije v algoritemske omejitve, s čimer se popravijo pomanjkljivosti zgolj podatkovno-modelov, ki nimajo fizične konsistentnosti. S temi metodami je cilj doseči preobrazbo numerične simulacije laserskega varjenja iz napovedovanja brez povezave v visoko-zvestobo,-digitalno twinning v realnem času.
