01 Uvod
U multifizičkoj analizi spajanja laserskog zavarivanja dubokog prodiranja, koja precizno opisuje fluktuacije visoke-frekvencije stijenke ključaonice izazvane povratnim pritiskom metalne pare i mehanizam interakcije foto{1}}indukovane plazme striktno ovisi o istovremenom rješenju očuvanja mase, impulsa i energije. Tradicionalna računarska dinamika fluida (CFD), iako je sposobna uhvatiti visoko{3}}prolazno ponašanje fluida visoke vjernosti konstruiranjem-diskretnih mreža visoke gustine i adaptivnih algoritama vremenskog{5}}koračenja, u suštini je-strategija rješenja grube sile zasnovana na NavierStokes{7}. Kako se Reynoldsov broj u mreži računske domene povećava, računski trošak raste eksponencijalno, s jednom-tridimenzionalnom simulacijom tranzijenta visoke vjernosti{10}}često traje nekoliko dana. Ova računska barijera ozbiljno ograničava iterativnu optimizaciju velikih-procesnih prozora. U međuvremenu, iako mašinsko učenje može konstruirati nelinearno mapiranje od visoko{14}}dimenzionalnog prostora parametara procesa u prostor fizičkog odgovora, zaobilazeći složeni proces diskretizacije parcijalnih diferencijalnih jednadžbi i značajno poboljšavajući efikasnost, njegova priroda "crne kutije" dovodi do nedostatka fizičke interpretabilnosti i nedovoljnih mogućnosti generalizacije. Čisto podaci{16}}upravljani modeli, kada su odvojeni od ograničenja fizičkih zakona očuvanja, bore se da garantuju samo{17}}dosljednost rezultata predviđanja u-oskudnim uvjetima.
Stoga, trenutni{0}}smjer vrhunskog smjera u numeričkoj simulaciji laserskog zavarivanja više nije ograničen na odabir jedne računske metode, već se pomjerio prema dubokoj integraciji mašinskog učenja i CFD-a. Uspostavljanjem povezanih arhitektura kao što su one zasnovane na memorijskoj interakciji (PyFluent) ili neuronskim mrežama{2}}informisanim fizikom (PINN), cilj je kombinirati sposobnost CFD-a da duboko istražuje fizičke mehanizme sa efikasnim mogućnostima skeniranja mašinskog učenja kroz širok raspon parametara. Ovaj pristup koristi visoko-kvalitetne, fizički konzistentne podatke koje pruža CFD, dok koristi prednosti online zaključivanja mašinskog učenja, pružajući sistematsko inženjersko rješenje inherentnog sukoba između tačnosti i efikasnosti u tradicionalnim numeričkim simulacijama.
02 Razvoj mašinskog učenja u predviđanju zavarivanja Razvoj mašinskog učenja u oblasti numeričke simulacije zavarivanja odražava produbljivanje razumijevanja podataka{1}}fizičkih odnosa unutar akademske zajednice. Njegova tehnološka evolucija prvenstveno prati tri nivoa, postupno postižući skok od jednostavnog prilagođavanja podataka do duboke integracije podataka i fizičkih mehanizama. 2.1 Statička interpolacija i linearna regresija Kao primarna strategija smanjenja dimenzionalnosti za primjenu mašinskog učenja na numeričku simulaciju zavarivanja, surogat modeli koriste ograničeni skup rezultata proračuna visoke vrijednosti{EM{4}. Oni koriste algoritme kao što su umjetne neuronske mreže (ANN) i Gaussova regresija procesa (GPR) kako bi konstruirali funkcionalni odnos između ulaznih parametara procesa i indikatora kvaliteta izlaza (kao što su dubina zavara i poroznost). Ova metoda je u suštini statistička interpolacija u visoko{7}}dimenzionalnom prostoru. Iako može postići izuzetno visoku efikasnost predviđanja, njegovom jezgru modela nedostaje podrška jednadžbi upravljanja termofluidom i pokazuje karakteristiku crne{9}}kutije. Zbog ovog ograničenja, takvi modeli su prikladni samo za{11}}predviđanje rezultata u stabilnom stanju. Jednom kada parametri procesa odstupe od opsega konveksnog trupa podataka za obuku, njihova tačnost generalizacije naglo opada zbog nedostatka fizičkih ograničenja, što ih čini teškim za prilagođavanje složenim i promjenjivim stvarnim uvjetima zavarivanja. Nadalje, budući da su potpuno odvojeni od ograničenja zakona o očuvanju energije i mase, pod uslovima malog uzorka, skloni su da daju nedosljedne rezultate predviđanja koji krše osnovnu fizičku logiku, što predstavlja ozbiljan rizik za povjerenje.
2.2 Dinamička simulacija procesa zavarivanja: Rješavanje prolaznih nestabilnosti kao što su rušenje ključaonice i prskanje u laserskom zavarivanju, istraživanje se postepeno pomjerilo prema arhitekturi dubokog učenja kombinirajući velike-brzine fotografije i X- podatke radiografije. Tipičan model konvolucione neuronske mreže + mreže dugotrajne-mreže kratkoročne memorije (CNN+LSTM), izdvajanjem prostornih karakteristika i vremenskih evolucijskih obrazaca slike rastopljenog bazena, postiže end-do-dinamičko predviđanje prolaznog ponašanja, u određenoj mjeri kompenzujući ograničenja surogatnih dinamičkih procesa u capturing modelima. Međutim, ova tehnika je ograničena potpunošću podataka opservacije; čak i sa više senzora, eksperimentalni podaci su u suštini projekcija ili lokalno uzorkovanje trodimenzionalnog polja protoka-na dvodimenzionalnu ravan-. Bez ograničenja iz principa mehanike fluida, teško je rekonstruisati kompleksno trodimenzionalno polje -toka isključivo iz površinskih vizuelnih informacija. Dok postojeći modeli mogu obuhvatiti fenomenološke karakteristike površinskog strujanja, oni se bore da objasne osnovne mehanizme nastanka defekta zavarivanja iz fundamentalne perspektive prijenosa energije i momenta.
2.3 Fizička-Informirana regresija: Da bi se riješila kriza interpretabilnosti čisto podataka-modela, pojavile su se fizičke-Informirane neuronske mreže (PINN). Ova arhitektura više ne uklapa samo posmatrane podatke, već umjesto toga ugrađuje preostale članove Navier-Stokesovih jednačina i prolaznih jednačina provođenja topline kao ograničenja regularizacije u funkciju gubitka modela. Proces treninga u suštini traži optimalno rješenje u prostoru parametara koje se uklapa u promatrane podatke i zadovoljava zakone fizičkog očuvanja. Teoretski, kruta ograničenja fizičkih jednačina mogu efikasno kompenzovati dimenzije podataka koje nedostaju u eksperimentalnim opservacijama, omogućavajući modelu da zaključi fizički konzistentne unutrašnje gradijente pritiska i polja brzine u latentnom prostoru. Međutim, inženjerska praksa pokazuje da se ova metoda suočava sa ozbiljnim izazovima: razlika u veličini između gradijenata podataka i fizičkih rezidualnih gradijenata može lako dovesti do poteškoća u konvergenciji mreže; i velike-kolokacijske tačke potrebne za precizno izračunavanje derivata višeg-reda značajno povećavaju troškove obuke, čak i nadoknađujući prednosti efikasnosti mašinskog učenja u nekim visoko-prolaznim problemima visoke frekvencije.
03 Poređenje i kolaborativna simulacija mašinskog učenja i CFD-a: Da bi se razjasnile razlike u efikasnosti između mašinskog učenja i tradicionalne računarske dinamike fluida (CFD) u numeričkoj simulaciji laserskog zavarivanja, i da bi se razumeli njihovi odgovarajući scenariji i osnovne vrednosti, sprovedena je sistematska komparativna analiza na osnovu pet komparativnih dimenzija petog kompjutorskog plana, opštih dimenzija jezgra, plana exccuta, opštih dimenzija jezgre. sposobnost i primjenjivi scenariji. Ova analiza pojašnjava prednosti i nedostatke dvije metode i njihov komplementarni odnos, kao što je detaljno opisano u nastavku.
Tradicionalna kombinacija numeričke simulacije laserskog zavarivanja i mašinskog učenja obično koristi offline način rada, gdje se CFD proračuni i obuka modela izvode u odvojenim koracima. Ovaj proces se oslanja na opsežno čitanje, pisanje i konverziju formata velikih količina podataka na tvrdom disku, što rezultira neefikasnim protokom podataka i otežava podržavanje istraživanja u-zatvorenom{2}}kontrolnom krugu u realnom vremenu. Arhitektura spajanja zasnovana na PyFluent-u koristi Python interfejs za pozivanje ANSYS Fluent rješavača i koristi gRPC protokol za postizanje direktne interakcije između računskog kernela i eksternih algoritama na memorijskom nivou. Ova metoda spajanja transformira nezavisni CFD rješavač u računski objekt koji se može pozvati Python skriptama, omogućavajući algoritmima dubokog učenja da direktno čitaju podatke polja toka i kontroliraju proces rješavanja, pružajući integrirani inženjerski put za uspostavljanje odnosa -procesa vjernosti-fizičkog mapiranja polja. Specifična implementacija ove arhitekture uključuje dva ključna aspekta: dinamičko ažuriranje parametara i online ekstrakciju podataka polja protoka. U smislu kontrole parametara, ova metoda napušta tradicionalni način diskretnog uzorkovanja zasnovanog na statičkim ortogonalnim nizovima (DOE). Koristeći Bayesovu optimizaciju ili algoritame za učenje pojačanja na Python strani, sljedeći skup varijabli procesa kao što su snaga lasera i brzina zavarivanja se automatski izračunavaju na osnovu odstupanja predviđanja trenutnog modela ili strategije istraživanja, a granični uvjeti rješavača se modificiraju u realnom vremenu kroz PyFluent interfejs. Ovaj mehanizam omogućava da se računski resursi koncentrišu u regionima parametara gdje se fizički odgovori drastično mijenjaju ili je nesigurnost predviđanja visoka, omogućavajući adaptivno generiranje tačaka uzorka.
Što se tiče prijenosa podataka, korišten je mehanizam dijeljenja memorije koji je zamijenio tradicionalni ASCII proces izvoza datoteka. Tokom iteracije vremenskih{1}}korak u Fluentu, Python skripta može direktno pristupiti memoriji rješavača preko field_data interfejsa kako bi izvukao podatke o temperaturi, udjelu zapremine i polju brzine iz regije rastaljenog bazena i pretvorio ih u NumPy nizove ili tenzore za unos u neuronsku mrežu. Ovaj-protok podataka u realnom vremenu omogućava online obuku i modifikaciju modela tokom intervala CFD proračuna, postižući sinhroni rad evolucije fizičkog polja i modeliranja{5}}vođenog podacima.
Integracija PyFluenta u radne tokove mašinskog učenja povećava dubinu simulacijskog modeliranja, ali također uvodi nove izazove inženjerske implementacije. Sa tehničkog stanovišta, interakcija podataka-na nivou memorije poboljšava kvalitet uzorka i efikasnost računara. Direktno izdvajanje podataka u plutajućem-zarezu iz memorije rješavača izbjegava greške skraćivanja uzrokovane konverzijom formata teksta, čuvajući originalnu preciznost računanja. Ovo je ključno za snimanje vrlo osjetljivih karakteristika kao što su sitne fluktuacije na zidu ključaonice. Nadalje, ova arhitektura pruža mogućnosti validacije kontrole procesa, omogućavajući ugrađivanje kontrolne logike između vremenskih koraka simulacije za simulaciju procesa zatvorene-petlje "nadgledanja bazena taline - odluke parametra - prilagođavanja snage", čime se provjerava izvodljivost strategija inteligentne kontrole zavarivanja na numeričkom nivou.
04 Ovaj odjeljak rezimira ulogu mašinskog učenja u numeričkoj simulaciji laserskog zavarivanja, prvenstveno fokusirajući se na korištenje fizičkih mehanizama i temelja podataka tradicionalnog CFD-a za rješavanje problema niske računske efikasnosti u proračunima više-fizičkih polja. Buduća istraživanja će se fokusirati na integraciju fizike i podataka: prvo, korištenje PyFluent interfejsa za postizanje dinamičke interakcije na nivou memorije rješavača, uspostavljanje mrežnog okvira za spajanje za sinhroni rad mašinskog učenja i CFD-a, čime se rješavaju problemi kašnjenja prijenosa podataka i nedostatak kontrole zatvorene-petlje u tradicionalnim offline načinima; drugo, primjena neuronskih mreža -informiranih u fizici (PINN) za inkorporiranje jednačina za očuvanje mase, momenta i energije u algoritamska ograničenja, ispravljajući nedostatke čisto podataka{5}}modela kojima nedostaje fizička konzistentnost. Kroz ove metode, cilj je postići transformaciju numeričke simulacije laserskog zavarivanja od vanmrežnog predviđanja do visoke{7}}fizičnosti u realnom-digitalnom twinningu.
