01 Introduktion
I den multifysiska kopplingsanalysen av lasersvetsning, som exakt beskriver de högfrekventa fluktuationerna i nyckelhålsväggen som drivs av metallångrekyltrycket och interaktionsmekanismen hos foto-inducerad plasma, är strikt beroende av den samtidiga lösningen av massa-, momentum- och energisparekvationen. Traditionell beräkningsvätskedynamik (CFD) är i grunden en brute-kraftlösningsstrategi baserad på Navier-Stokes, även om den kan fånga transient vätskebeteende med hög -densitet och adaptiva tids-stegningsalgoritmer. När Reynolds-numret för beräkningsdomännätet ökar, växer beräkningskostnaden exponentiellt, med en enda hög-tredimensionell transientsimulering{10}} som ofta tar flera dagar. Den här beräkningsbarriären begränsar allvarligt den iterativa optimeringen av storskaliga processfönster.{12} Samtidigt, även om maskininlärning kan konstruera en ickelinjär mappning från ett-högdimensionellt processparameterutrymme till ett fysiskt svarsutrymme, förbigå den komplexa diskretiseringsprocessen för partiella differentialekvationer och avsevärt förbättra effektiviteten, leder dess "svarta låda"-karaktär till en brist på fysisk tolkning och otillräckliga generaliseringsmöjligheter. Rent datadrivna-modeller, när de är frikopplade från begränsningarna i fysiska bevarandelagar, kämpar för att garantera själv-konsistensen av förutsägelseresultat under{18}}databristförhållanden.
Därför är den nuvarande banbrytande riktningen i numerisk simulering av lasersvetsning inte längre begränsad till valet av en enda beräkningsmetod, utan har skiftat mot den djupa integrationen av maskininlärning och CFD. Genom att etablera kopplade arkitekturer som de som är baserade på minnesinteraktion (PyFluent) eller fysik-informerade neurala nätverk (PINN), är syftet att kombinera CFD:s förmåga att på djupet utforska fysiska mekanismer med maskininlärnings effektiva skanningsmöjligheter över ett brett spektrum av parametrar. Det här tillvägagångssättet använder den högkvalitativa, fysiskt konsekventa data som tillhandahålls av CFD samtidigt som man utnyttjar fördelarna med maskininlärning online, vilket ger en systematisk teknisk lösning på den inneboende konflikten mellan noggrannhet och effektivitet i traditionella numeriska simuleringar.
02 Utvecklingen av maskininlärning inom svetsförutsägelse Utvecklingen av maskininlärning inom området svetsnumerisk simulering speglar den fördjupade förståelsen av data-fysikförhållanden inom den akademiska världen. Dess tekniska utveckling följer i första hand tre nivåer, och uppnår gradvis ett språng från enkel dataanpassning till en djup integration av data och fysiska mekanismer. 2.1 Statisk interpolation och linjär regression Som en primär dimensionsreduktionsstrategi för att tillämpa maskininlärning på numerisk svetssimulering, använder surrogatmodeller en begränsad uppsättning högfidelitets{4}-beräkningsresultat som {4}beräkningsresultat. De använder algoritmer som artificiella neurala nätverk (ANN) och Gaussisk processregression (GPR) för att konstruera ett funktionellt förhållande mellan ingångsprocessparametrar och utdatakvalitetsindikatorer (såsom svetsdjup och porositet). Denna metod är i huvudsak statistisk interpolation i ett-högdimensionellt utrymme. Även om den kan uppnå extremt hög förutsägelseeffektivitet, saknar dess modellkärna stöd av termofluidkontrollekvationer och uppvisar en svart-box-karakteristik. På grund av den här begränsningen är sådana modeller endast lämpliga för resultatförutsägelser i konstant{11}}tillstånd. När processparametrarna väl avviker från träningsdatans konvexa skrovområde, minskar deras generaliseringsnoggrannhet kraftigt på grund av avsaknaden av fysiska begränsningar, vilket gör dem svåra att anpassa till komplexa och varierande faktiska svetsförhållanden. Dessutom, eftersom de är helt frikopplade från begränsningarna av energi- och massbevarandelagar, under små provförhållanden, är de benägna att producera inkonsekventa förutsägelseresultat som bryter mot grundläggande fysisk logik, vilket utgör en allvarlig förtroenderisk.
2.2 Dynamisk simulering av svetsprocessen: För att hantera övergående instabiliteter som nyckelhålskollaps och stänk vid lasersvetsning, har forskningen gradvis övergått till arkitekturer för djupinlärning som kombinerar hög-hastighetsfotografering och röntgenröntgendata. En typisk modell för konvolutionellt neuralt nätverk + lång-korttidsminnesnätverk (CNN+LSTM), genom att extrahera rumsliga egenskaper och tidsmässiga evolutionsmönster för den smälta poolbilden, uppnår dynamisk förutsägelse från början till- av övergående beteende, vilket i viss mån kompenserar för begränsningarna hos surrogatmodeller för att fånga dynamiska processer. Denna teknik är emellertid begränsad av fullständigheten hos observationsdata; även med flera sensorer är experimentdata i huvudsak en projektion eller lokal sampling av det tredimensionella flödesfältet på ett tvådimensionellt-plan. Utan begränsningar från strömningsmekaniska principer är det svårt att rekonstruera det komplexa tredimensionella flödesfältet enbart från visuell ytinformation. Medan befintliga modeller kan fånga de fenomenologiska egenskaperna hos ytflöde, kämpar de för att förklara de underliggande mekanismerna för bildning av svetsdefekter från det grundläggande perspektivet av energi- och momentumöverföring.
2.3 Fysik-Informerad regression: För att hantera tolkningskrisen för rent datadrivna-modeller har Physics-Informed Neural Networks (PINN) dykt upp. Den här arkitekturen passar inte längre bara observerad data, utan bäddar istället in resttermerna i Navier-Stokes-ekvationerna och transienta värmeledningsekvationer som regulariseringsbegränsningar i modellens förlustfunktion. Träningsprocessen söker i huvudsak efter den optimala lösningen i parameterutrymmet som både passar de observerade data och uppfyller de fysiska bevarandelagarna. Teoretiskt kan de styva begränsningarna för de fysiska ekvationerna effektivt kompensera för saknade datadimensioner i experimentella observationer, vilket gör att modellen kan sluta sig till fysiskt konsekventa interna tryckgradienter och hastighetsfält i det latenta utrymmet. Emellertid visar ingenjörspraxis att denna metod står inför allvarliga utmaningar: skillnaden i storlek mellan datagradienter och fysiska restgradienter kan lätt leda till svårigheter med nätverkskonvergens; och de kollokationspunkter med hög-densitet som krävs för korrekt beräkning av{10}}högre ordningsderivat ökar utbildningskostnaderna avsevärt, vilket till och med uppväger effektivitetsfördelarna med maskininlärning i vissa högfrekventa transientproblem.
03 Jämförelse och samverkanssimulering av maskininlärning och CFD: För att klargöra skillnaderna i effektivitet mellan maskininlärning och traditionell beräkningsvätskedynamik (CFD) vid numerisk simulering av lasersvetsning, och för att förstå deras respektive tillämpliga scenarier och kärnvärden, genomfördes en systematisk jämförande analys utifrån fem kärndimensioner, kostnadsdimensioner, upplösning, generell beräkning, upplösning och generell beräkningsmekanism, tillämplig kostnad och upplösning: scenarier. Denna analys klargör fördelarna och nackdelarna med de två metoderna och deras komplementära relation, som beskrivs i detalj nedan.
Den traditionella kombinationen av numerisk simulering av lasersvetsning och maskininlärning använder vanligtvis ett offlineläge, där CFD-beräkningar och modellträning utförs i separata steg. Den här processen bygger på omfattande läsning, skrivning och formatkonvertering av stora mängder data på hårddisken, vilket resulterar i ineffektivt dataflöde och gör det svårt att stödja forskning i realtid med sluten-slinga. Den PyFluent-baserade kopplingsarkitekturen använder ett Python-gränssnitt för att anropa ANSYS Fluent-lösaren och använder gRPC-protokollet för att uppnå direkt interaktion mellan beräkningskärnan och externa algoritmer på minnesnivå. Denna kopplingsmetod förvandlar den oberoende CFD-lösaren till ett beräkningsobjekt som kan anropas av Python-skript, vilket tillåter algoritmer för djupinlärning att direkt läsa flödesfältdata och styra lösningsprocessen, vilket ger en integrerad teknisk väg för att etablera hög-fidelitetsprocess-fysiska fältmappningsrelationer. Den specifika implementeringen av denna arkitektur inkluderar två nyckelaspekter: dynamisk parameteruppdatering och onlineextraktion av flödesfältdata. När det gäller parameterkontroll överger denna metod det traditionella diskreta samplingsläget baserat på statiska ortogonala arrayer (DOE). Med hjälp av Bayesianska optimerings- eller förstärkningsinlärningsalgoritmer på Python-sidan, beräknas nästa uppsättning processvariabler som lasereffekt och svetshastighet automatiskt baserat på den aktuella modellens prediktionsavvikelse eller utforskningsstrategi, och lösarens gränsvillkor modifieras i realtid genom PyFluent-gränssnittet. Denna mekanism gör det möjligt att koncentrera beräkningsresurser i parameterregioner där fysiska svar förändras drastiskt eller förutsägelseosäkerheten är hög, vilket möjliggör adaptiv generering av provpunkter.
När det gäller dataöverföring användes en minnesdelningsmekanism för att ersätta den traditionella ASCII-filexportprocessen. Under tids-stegeterationen i Fluent kan Python-skriptet komma åt lösarens minne direkt via field_data-gränssnittet för att extrahera temperatur, volymfraktion och hastighetsfältdata för den smälta poolregionen och konvertera dem till NumPy-matriser eller tensorer för inmatning i det neurala nätverket. Detta dataflöde i realtid möjliggör onlineutbildning och modifiering av modellen under intervallerna för CFD-beräkningar, vilket uppnår synkron drift av fysisk fältutveckling och datadriven-modellering.
Att integrera PyFluent i arbetsflöden för maskininlärning förbättrar djupet i simuleringsmodellering men introducerar också nya tekniska implementeringsutmaningar. Ur teknisk synvinkel förbättrar datainteraktion på minnes-nivå provkvaliteten och beräkningseffektiviteten. Att direkt extrahera flytande-data från lösarens minne undviker trunkeringsfel orsakade av textformatkonvertering, vilket bevarar den ursprungliga beräkningsprecisionen. Detta är avgörande för att fånga mycket känsliga egenskaper som små fluktuationer på nyckelhålsväggen. Dessutom tillhandahåller den här arkitekturen processkontrollvalideringsmöjligheter, vilket möjliggör inbäddning av styrlogik mellan simuleringstidssteg för att simulera en sluten-loopprocess av "smältpoolövervakning - parameterbeslut - effektjustering", och därigenom verifiera genomförbarheten av intelligenta svetskontrollstrategier på numerisk nivå.
04 Det här avsnittet sammanfattar rollen av maskininlärning i numerisk simulering av lasersvetsning, främst med fokus på att utnyttja de fysiska mekanismerna och datagrunden för traditionell CFD för att ta itu med problemet med låg beräkningseffektivitet i multi-fysikfältsberäkningar. Framtida forskning kommer att fokusera på integrering av fysik och data: för det första, att använda PyFluent-gränssnittet för att uppnå dynamisk interaktion på lösarens minnesnivå, etablera ett onlinekopplingsramverk för synkron drift av maskininlärning och CFD, och därigenom ta itu med problem med dataöverföringsfördröjning och avsaknad av sluten-loopkontroll i traditionella offlinelägen; för det andra, att tillämpa fysik-informerade neurala nätverk (PINN) för att införliva mass-, momentum- och energibesparingsekvationer i algoritmiska begränsningar, korrigera bristerna i rent datadrivna-modeller som saknar fysisk konsistens. Genom dessa metoder är målet att uppnå en transformation av numerisk simulering av lasersvetsning från offline-förutsägelse till hög-fidelitet,-digital samverkan i realtid.
