01 Úvod
V multifyzikálnej väzbovej analýze laserového zvárania hlbokou penetráciou presné opísanie vysoko{0}}frekvenčných fluktuácií steny kľúčovej dierky poháňaných tlakom spätného rázu kovových pár a mechanizmu interakcie foto-indukovanej plazmy striktne závisí od súčasného riešenia rovníc hmotnosti, hybnosti a zachovania energie. Tradičná výpočtová dynamika kvapalín (CFD), hoci je schopná zachytiť prechodné správanie tekutín s vysokou-vernosťou pomocou konštrukcie diskrétnych mriežok s vysokou{4}}hustotou a adaptívnych{5}}časových krokovacích algoritmov, je v podstate brutálnou-stratégiou riešenia založenou na Navierových-Stokesových rovniciach. S rastúcim Reynoldsovým číslom výpočtovej domény rastú výpočtové náklady exponenciálne, pričom jediná vysoko{9}}trojrozmerná{10}}prechodná simulácia často trvá niekoľko dní. Táto výpočtová bariéra výrazne obmedzuje iteračnú optimalizáciu veľkých{12}}okien procesov. Zatiaľ čo strojové učenie dokáže vytvoriť nelineárne mapovanie z vysoko{14}}dimenzionálneho priestoru parametrov procesu do priestoru fyzickej odozvy, čím sa obíde zložitý proces diskretizácie parciálnych diferenciálnych rovníc a výrazne sa zlepší efektívnosť, jeho povaha „čiernej skrinky“ vedie k nedostatočnej fyzickej interpretovateľnosti a nedostatočným schopnostiam zovšeobecňovania. Modely založené na čisto údajoch{16}}, keď sa oddelia od obmedzení zákonov fyzickej ochrany, majú problém zaručiť{17}}samostatnú konzistentnosť výsledkov predpovedí v podmienkach s nedostatkom údajov{18}.
Preto sa súčasný špičkový- smer v numerickej simulácii laserového zvárania už neobmedzuje na výber jedinej výpočtovej metódy, ale posunul sa smerom k hlbokej integrácii strojového učenia a CFD. Vytvorením prepojených architektúr, ako sú architektúry založené na interakcii pamäte (PyFluent) alebo fyzikálne -informované neurónové siete (PINN), je cieľom spojiť schopnosť CFD do hĺbky skúmať fyzikálne mechanizmy s efektívnymi možnosťami skenovania strojového učenia v rámci širokého spektra parametrov. Tento prístup využíva-kvalitné, fyzicky konzistentné údaje, ktoré poskytuje CFD, a zároveň využíva výhody strojového učenia online a poskytuje systematické inžinierske riešenie prirodzeného konfliktu medzi presnosťou a efektívnosťou v tradičných numerických simuláciách.
02 Vývoj strojového učenia v predikcii zvárania Vývoj strojového učenia v oblasti numerickej simulácie zvárania odráža prehlbujúce sa chápanie dátovo{1}}fyzikálnych vzťahov v rámci akademickej komunity. Jeho technologický vývoj sleduje predovšetkým tri úrovne a postupne dosahuje skok od jednoduchého prispôsobenia údajov k hlbokej integrácii údajov a fyzikálnych mechanizmov. 2.1 Statická interpolácia a lineárna regresia Ako primárna stratégia znižovania rozmerov pri aplikácii strojového učenia na numerickú simuláciu zvárania používajú náhradné modely obmedzený súbor výsledkov výpočtov s vysokou -vernosťou konečných prvkov (FEM) ako trénovaciu sadu. Využívajú algoritmy, ako sú umelé neurónové siete (ANN) a Gaussova procesná regresia (GPR) na vytvorenie funkčného vzťahu medzi vstupnými procesnými parametrami a výstupnými indikátormi kvality (ako je hĺbka zvaru a pórovitosť). Táto metóda je v podstate štatistická interpolácia vo vysoko-rozmernom priestore. Hoci dokáže dosiahnuť extrémne vysokú účinnosť predikcie, jeho modelovému jadru chýba podpora termofluidných riadiacich rovníc a vykazuje charakteristiku čiernej- skrinky. Kvôli tomuto obmedzeniu sú takéto modely vhodné iba na predikciu výsledkov v stabilnom{11}}stave. Akonáhle sa parametre procesu odchýlia od rozsahu konvexného trupu tréningových údajov, presnosť ich zovšeobecnenia sa prudko zníži v dôsledku nedostatku fyzických obmedzení, čo sťažuje ich prispôsobenie zložitým a premenlivým skutočným podmienkam zvárania. Okrem toho, pretože sú úplne oddelené od obmedzení zákonov o zachovaní energie a hmoty, v podmienkach malej vzorky sú náchylné na výstup nekonzistentných výsledkov predpovedí, ktoré porušujú základnú fyzikálnu logiku, čo predstavuje vážne riziko spoľahlivosti.
2.2 Dynamická simulácia procesu zvárania: Pri riešení prechodných nestabilít, ako je zrútenie kľúčovej dierky a rozstrekovanie pri laserovom zváraní, sa výskum postupne posunul smerom k architektúram hlbokého učenia, ktoré kombinujú vysokorýchlostnú fotografiu a röntgenové údaje. Typická konvolučná neurónová sieť + model siete s dlhou krátkodobou pamäťou (CNN+LSTM) pomocou extrakcie priestorových prvkov a vzorcov časového vývoja z obrazu roztavenej kaluže dosahuje dynamickú predpoveď prechodného správania od konca do konca, čím do určitej miery kompenzuje obmedzenia náhradných modelov pri zachytávaní dynamických procesov. Táto technika je však obmedzená úplnosťou pozorovaných údajov; aj pri použití viacerých senzorov sú experimentálne údaje v podstate projekciou alebo lokálnym vzorkovaním trojrozmerného poľa prúdenia na dvojrozmernú rovinu. Bez obmedzení vyplývajúcich z princípov mechaniky tekutín je ťažké zrekonštruovať komplexné trojrozmerné pole prúdenia iba z povrchových vizuálnych informácií. Zatiaľ čo existujúce modely dokážu zachytiť fenomenologické charakteristiky povrchového toku, snažia sa vysvetliť základné mechanizmy tvorby defektov zvárania zo základného hľadiska prenosu energie a hybnosti.
2.3 Fyzikálna-informovaná regresia: Na riešenie krízy interpretovateľnosti čisto dátových-modelov sa objavili fyzikálne-informované neurónové siete (PINN). Táto architektúra už jednoducho nezapadá do pozorovaných údajov, ale namiesto toho do stratovej funkcie modelu vkladá zvyškové členy Navierových-Stokesových rovníc a rovnice prechodného vedenia tepla ako regulačné obmedzenia. Tréningový proces v podstate hľadá optimálne riešenie v priestore parametrov, ktoré vyhovuje pozorovaným údajom a zároveň spĺňa fyzikálne zákony zachovania. Teoreticky môžu pevné obmedzenia fyzikálnych rovníc účinne kompenzovať chýbajúce dimenzie údajov v experimentálnych pozorovaniach, čo umožňuje modelu odvodiť fyzikálne konzistentné vnútorné tlakové gradienty a rýchlostné polia v latentnom priestore. Technická prax však ukazuje, že táto metóda čelí vážnym výzvam: rozdiel vo veľkosti medzi gradientmi údajov a fyzickými zvyškovými gradientmi môže ľahko viesť k ťažkostiam pri konvergencii siete; a vysoko{9}}hustotné kolokačné body potrebné na presný výpočet derivátov vyššieho{10} rádu výrazne zvyšujú náklady na školenie a dokonca kompenzujú výhody strojového učenia pri niektorých vysokofrekvenčných prechodných problémoch.
03 Porovnanie a kolaboratívna simulácia strojového učenia a CFD: Na objasnenie rozdielov v efektívnosti medzi strojovým učením a tradičnou výpočtovou dynamikou tekutín (CFD) v numerickej simulácii laserového zvárania a na pochopenie ich príslušných použiteľných scenárov a základných hodnôt bola vykonaná systematická porovnávacia analýza z piatich základných dimenzií: náklady na výpočty, presnosť a rozlíšenie, vysvetlenie použiteľného scenára, schopnosť zovšeobecnenia,. Táto analýza objasňuje výhody a nevýhody týchto dvoch metód a ich doplnkový vzťah, ako je podrobne uvedené nižšie.
Tradičná kombinácia numerickej simulácie laserového zvárania a strojového učenia zvyčajne využíva offline režim, kde sa výpočty CFD a modelovanie vykonávajú v samostatných krokoch. Tento proces je založený na rozsiahlom čítaní, zapisovaní a konverzii formátov veľkého množstva údajov na pevnom disku, čo vedie k neefektívnemu toku údajov a sťažuje podporu výskumu kontroly v-uzavretej slučke{2}}v reálnom čase. Spojovacia architektúra založená na PyFluent{4}} využíva rozhranie Python na volanie riešiteľa ANSYS Fluent a využíva protokol gRPC na dosiahnutie priamej interakcie medzi výpočtovým jadrom a externými algoritmami na úrovni pamäte. Táto metóda spájania transformuje nezávislý riešič CFD na výpočtový objekt, ktorý možno volať pomocou skriptov Python, čo umožňuje algoritmom hlbokého učenia priamo čítať údaje o poli toku a riadiť proces riešenia, čím poskytuje integrovanú inžiniersku cestu na vytvorenie vzťahov s mapovaním fyzikálnych polí s vysokou -vernosťou procesu-. Špecifická implementácia tejto architektúry zahŕňa dva kľúčové aspekty: dynamickú aktualizáciu parametrov a online extrakciu údajov o toku. Pokiaľ ide o kontrolu parametrov, táto metóda opúšťa tradičný režim diskrétneho vzorkovania založený na statických ortogonálnych poliach (DOE). Pomocou Bayesovskej optimalizácie alebo algoritmov učenia zosilnenia na strane Pythonu sa automaticky vypočíta ďalšia sada procesných premenných, ako je výkon lasera a rýchlosť zvárania, na základe predikčnej odchýlky aktuálneho modelu alebo stratégie prieskumu a okrajové podmienky riešiteľa sa upravujú v reálnom čase prostredníctvom rozhrania PyFluent. Tento mechanizmus umožňuje koncentrovať výpočtové zdroje v oblastiach parametrov, kde sa fyzikálne odozvy drasticky menia alebo kde je neistota predpovede vysoká, čo umožňuje adaptívne generovanie bodov vzorky.
Pokiaľ ide o prenos údajov, mechanizmus zdieľania pamäte bol použitý na nahradenie tradičného procesu exportu súboru ASCII. Počas iterácie časového{1}}kroku v aplikácii Fluent môže skript Python priamo pristupovať k pamäti riešiteľa prostredníctvom rozhrania field_data, aby extrahoval údaje o teplote, objemovom zlomku a rýchlostnom poli oblasti roztaveného bazéna a konvertoval ich na polia alebo tenzory NumPy pre vstup do neurónovej siete. Tento tok údajov v-reálnom čase umožňuje online školenie a úpravu modelu počas intervalov výpočtov CFD, čím sa dosiahne synchrónna prevádzka vývoja fyzikálneho poľa a modelovanie-riadené údajmi.
Integrácia PyFluent do pracovných postupov strojového učenia zvyšuje hĺbku simulačného modelovania, no zároveň prináša nové výzvy pri implementácii inžinierstva. Z technického hľadiska interakcia údajov-na úrovni pamäte zlepšuje kvalitu vzorky a výpočtovú efektivitu. Priame extrahovanie údajov s pohyblivou rádovou čiarkou- z pamäte riešiteľa zabraňuje chybám orezania spôsobeným konverziou textového formátu a zachováva pôvodnú presnosť výpočtu. To je rozhodujúce pre zachytenie vysoko citlivých prvkov, ako sú nepatrné výkyvy na stene kľúčovej dierky. Okrem toho táto architektúra poskytuje možnosti overenia riadenia procesu, čo umožňuje vloženie riadiacej logiky medzi časové kroky simulácie na simuláciu uzavretého-cyklu procesu „monitorovania tavného bazénu - rozhodovania o parametroch - úpravy výkonu“, čím sa overuje realizovateľnosť inteligentných stratégií riadenia zvárania na numerickej úrovni.
04 Táto časť sumarizuje úlohu strojového učenia pri numerickej simulácii laserového zvárania, pričom sa primárne zameriava na využitie fyzikálnych mechanizmov a dátového základu tradičného CFD na riešenie problému nízkej výpočtovej účinnosti vo výpočtoch viacerých-fyzikálnych polí. Budúci výskum sa zameria na integráciu fyziky a údajov: po prvé, použitie rozhrania PyFluent na dosiahnutie dynamickej interakcie na úrovni pamäte riešiteľa, vytvorenie rámca online prepojenia pre synchrónnu prevádzku strojového učenia a CFD, čím sa vyriešia problémy oneskorenia prenosu údajov a nedostatku riadenia v uzavretej-slučke v tradičných offline režimoch; po druhé, aplikácia fyzikálnych-informovaných neurónových sietí (PINN) na začlenenie rovníc hmotnosti, hybnosti a zachovania energie do algoritmických obmedzení, čím sa napravia nedostatky modelov založených na čisto údajoch-, ktorým chýba fyzická konzistentnosť. Prostredníctvom týchto metód je cieľom dosiahnuť transformáciu numerickej simulácie laserového zvárania z offline predpovede na vysoko{7}}verné digitálne twinning v reálnom čase-.
