01 Uvod
U multifizičkoj analizi spajanja laserskog zavarivanja dubokim prodiranjem, točno opisivanje visoko{0}}frekventnih fluktuacija stijenke ključanice potaknutih povratnim pritiskom metalne pare i mehanizma interakcije foto{1}}inducirane plazme strogo ovisi o istovremenom rješenju jednadžbi održanja mase, momenta i energije. Tradicionalna računalna dinamika fluida (CFD), iako može uhvatiti visoko{3}}vjerno prijelazno ponašanje fluida konstruiranjem diskretnih rešetki visoke-gustoće i prilagodljivih vremenski-algoritama koraka, u biti je strategija rješenja grube-na temelju Navier-Stokesovih jednadžbi. Kako se Reynoldsov broj rešetke računske domene povećava, računalni trošak raste eksponencijalno, s jednom visoko{9}}vjerodostojnom tro-prolaznom simulacijom koja često traje nekoliko dana. Ova računalna barijera ozbiljno ograničava iterativnu optimizaciju velikih-prozora procesa. U međuvremenu, iako strojno učenje može konstruirati nelinearno preslikavanje iz visoko{14}}dimenzionalnog prostora parametara procesa u prostor fizičkog odziva, zaobilazeći složeni proces diskretizacije parcijalnih diferencijalnih jednadžbi i značajno poboljšavajući učinkovitost, njegova priroda "crne kutije" dovodi do nedostatka fizičke interpretabilnosti i nedovoljnih mogućnosti generalizacije. Modeli koji se-pokreću isključivo podacima, kada su odvojeni od ograničenja fizičkih zakona očuvanja, bore se da zajamče samo-dosljednost rezultata predviđanja u uvjetima-oskudice podataka.
Stoga trenutni najnoviji smjer u numeričkoj simulaciji laserskog zavarivanja više nije ograničen na odabir jedne računalne metode, već se pomaknuo prema dubokoj integraciji strojnog učenja i CFD-a. Uspostavom povezanih arhitektura kao što su one koje se temelje na interakciji memorije (PyFluent) ili fizikalno-neuralnih mreža (PINN), cilj je kombinirati sposobnost CFD-a da dubinski istražuje fizičke mehanizme s učinkovitim mogućnostima skeniranja strojnog učenja u širokom rasponu parametara. Ovaj pristup koristi visoko-kvalitetne, fizički konzistentne podatke koje pruža CFD dok iskorištava prednosti online zaključivanja strojnog učenja, pružajući sustavno inženjersko rješenje za inherentni sukob između točnosti i učinkovitosti u tradicionalnim numeričkim simulacijama.
02 Razvoj strojnog učenja u predviđanju zavarivanja Razvoj strojnog učenja u području numeričke simulacije zavarivanja odražava sve dublje razumijevanje podataka-fizičkih odnosa unutar akademske zajednice. Njegova tehnološka evolucija primarno slijedi tri razine, 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 strojnog učenja na numeričku simulaciju zavarivanja, zamjenski modeli koriste ograničen skup visoko-rezultata proračuna konačnih elemenata (FEM) kao set za obuku. Oni koriste algoritme kao što su umjetne neuronske mreže (ANN) i Gaussova procesna regresija (GPR) za izgradnju funkcionalnog odnosa između ulaznih parametara procesa i pokazatelja izlazne kvalitete (kao što su dubina zavara i poroznost). Ova metoda je u biti statistička interpolacija u visoko-dimenzionalnom prostoru. Iako može postići izuzetno visoku učinkovitost predviđanja, njegovoj jezgri modela nedostaje podrška termofluidnih jednadžbi upravljanja i pokazuje karakteristike crne-kutije. Zbog tog ograničenja takvi su modeli prikladni samo za-predviđanje rezultata u stabilnom stanju. Jednom kada parametri procesa odstupe od raspona konveksnog trupa podataka za obuku, njihova točnost generalizacije naglo se smanjuje zbog nedostatka fizičkih ograničenja, što ih čini teškim za prilagodbu složenim i promjenjivim stvarnim uvjetima zavarivanja. Nadalje, budući da su potpuno odvojeni od ograničenja zakona o očuvanju energije i mase, pod uvjetima malog uzorka, skloni su davanju nedosljednih rezultata predviđanja koji krše osnovnu fizikalnu logiku, što predstavlja ozbiljan rizik za povjerenje.
2.2 Dinamička simulacija procesa zavarivanja: Rješavajući prolazne nestabilnosti kao što su kolaps ključanice i prskanje u laserskom zavarivanju, istraživanje se postupno pomaknulo prema arhitekturama dubokog učenja koje kombiniraju fotografije velike-brze i podatke rendgenske-radiografije. Tipična konvolucijska neuronska mreža + duga kratkoročna-memorijska mreža (CNN+LSTM) model, izdvajanjem prostornih značajki i vremenskih obrazaca evolucije slike rastaljenog bazena, postiže dinamičko predviđanje prijelaznog ponašanja od kraja do kraja, u određenoj mjeri kompenzirajući ograničenja zamjenskih modela u hvatanju dinamičkih procesa. Međutim, ova je tehnika ograničena potpunošću podataka promatranja; čak i s više senzora, eksperimentalni podaci su u biti projekcija ili lokalno uzorkovanje tro-polja protoka na dvo{11}}dimenzionalnu ravninu. Bez ograničenja načela mehanike fluida, teško je rekonstruirati složeno tro{13}}dimenzionalno polje protoka samo iz površinskih vizualnih informacija. Dok postojeći modeli mogu uhvatiti fenomenološke karakteristike površinskog toka, oni se bore da objasne temeljne mehanizme nastanka defekta zavarivanja iz temeljne perspektive prijenosa energije i zamaha.
2.3 Fizička-informirana regresija: Kako bi se riješila kriza interpretabilnosti čisto podataka-pokrenutih modela, pojavile su se fizičke-informirane neuronske mreže (PINN). Ova arhitektura više ne odgovara samo promatranim podacima, već umjesto toga ugrađuje rezidualne članove Navier-Stokesovih jednadžbi i prolaznih jednadžbi provođenja topline kao ograničenja regulacije u funkciju gubitka modela. Proces obuke u biti traži optimalno rješenje u prostoru parametara koje odgovara promatranim podacima i zadovoljava fizičke zakone očuvanja. Teoretski, kruta ograničenja fizikalnih jednadžbi mogu učinkovito kompenzirati nedostajuće dimenzije podataka u eksperimentalnim opažanjima, dopuštajući modelu da zaključi fizički konzistentne gradijente unutarnjeg tlaka i polja brzine u latentnom prostoru. Međutim, inženjerska praksa pokazuje da se ova metoda suočava s ozbiljnim izazovima: razlika u veličini između gradijenata podataka i fizičkih rezidualnih gradijenata može lako dovesti do poteškoća u mrežnoj konvergenciji; i kolokacijske točke visoke-gustoće potrebne za točan izračun-izvodnica višeg reda značajno povećavaju troškove obuke, čak nadoknađujući prednosti učinkovitosti strojnog učenja u nekim-problemima visokofrekventnih prijelaza.
03 Usporedba i suradnička simulacija strojnog učenja i CFD-a: Kako bi se razjasnile razlike u učinkovitosti između strojnog učenja i tradicionalne računalne dinamike fluida (CFD) u numeričkoj simulaciji laserskog zavarivanja, te kako bi se razumjeli njihovi primjenjivi scenariji i temeljne vrijednosti, sustavna komparativna analiza provedena je iz pet temeljnih dimenzija: računski trošak, točnost i razlučivost, objašnjenje mehanizma, sposobnost generalizacije, i primjenjive scenarije. Ova analiza pojašnjava prednosti i nedostatke dviju metoda i njihov komplementarni odnos, kao što je detaljno navedeno u nastavku.
Tradicionalna kombinacija numeričke simulacije laserskog zavarivanja i strojnog učenja obično koristi izvanmrežni način rada, gdje se CFD proračuni i obuka modela izvode u odvojenim koracima. Ovaj se proces oslanja na opsežno čitanje, pisanje i pretvorbu formata velikih količina podataka na tvrdom disku, što rezultira neučinkovitim protokom podataka i otežava podršku istraživanju kontrole zatvorene-petlje u stvarnom{1}}vremenu. Arhitektura spajanja temeljena na PyFluent-upotrebljava Python sučelje za pozivanje ANSYS Fluent rješavača i koristi gRPC protokol za postizanje izravne interakcije između računalne jezgre i vanjskih algoritama na razini memorije. Ova metoda spajanja pretvara neovisni CFD solver u računalni objekt koji se može pozvati Python skriptama, dopuštajući algoritmima dubokog učenja da izravno čitaju podatke o polju protoka i kontroliraju proces rješavanja, pružajući integrirani inženjerski put za uspostavljanje visoko{6}}procesa-odnosa mapiranja fizičkog polja. Specifična implementacija ove arhitekture uključuje dva ključna aspekta: dinamičko ažuriranje parametara i online ekstrakciju podataka o polju protoka. U smislu kontrole parametara, ova metoda napušta tradicionalni način diskretnog uzorkovanja temeljen na statičkim ortogonalnim nizovima (DOE). Korištenjem Bayesovih algoritama za optimizaciju ili učenje pojačanja na strani Pythona, sljedeći skup procesnih varijabli kao što su snaga lasera i brzina zavarivanja automatski se izračunavaju na temelju odstupanja predviđanja trenutnog modela ili strategije istraživanja, a granični uvjeti rješavača se modificiraju u stvarnom vremenu putem sučelja PyFluent. Ovaj mehanizam omogućuje koncentriranje računalnih resursa u područjima parametara gdje se fizički odgovori drastično mijenjaju ili je nesigurnost predviđanja velika, što omogućuje prilagodljivo generiranje točaka uzorka.
Što se tiče prijenosa podataka, korišten je mehanizam dijeljenja memorije kako bi se zamijenio tradicionalni postupak izvoza ASCII datoteke. Tijekom iteracije vremenskog-koraka u Fluentu, skripta Python može izravno pristupiti memoriji solvera putem sučelja field_data za izdvajanje podataka o polju temperature, volumenskog udjela i brzine regije rastaljenog bazena te ih pretvoriti u NumPy nizove ili tenzore za unos u neuronsku mrežu. Ovaj-tok podataka u stvarnom vremenu omogućuje online obuku i modifikaciju modela tijekom intervala CFD izračuna, postižući sinkroni rad evolucije fizičkog polja i modeliranje-pokrenuto podacima.
Integracija PyFluenta u tijekove rada strojnog učenja povećava dubinu simulacijskog modeliranja, ali također uvodi nove izazove inženjerske implementacije. S tehničkog stajališta, interakcija-podataka na razini memorije poboljšava kvalitetu uzorka i računsku učinkovitost. Izravno izdvajanje podataka s pomičnim-točkama iz memorije alata za rješavanje izbjegava pogreške skraćivanja uzrokovane pretvorbom formata teksta, čuvajući izvornu računsku preciznost. Ovo je ključno za snimanje vrlo osjetljivih značajki kao što su sitne fluktuacije na zidu ključanice. Nadalje, ova arhitektura pruža mogućnosti provjere valjanosti kontrole procesa, dopuštajući ugradnju upravljačke logike između vremenskih koraka simulacije za simulaciju procesa zatvorene-petlje "nadgledanja bazena za taljenje - odluke o parametrima - prilagodbe snage", čime se provjerava izvedivost strategija inteligentne kontrole zavarivanja na numeričkoj razini.
04 Ovaj odjeljak sažima ulogu strojnog učenja u numeričkoj simulaciji laserskog zavarivanja, prvenstveno se fokusirajući na iskorištavanje fizičkih mehanizama i temelja podataka tradicionalnog CFD-a za rješavanje problema niske računalne učinkovitosti u multi-izračunima polja fizike. Buduća istraživanja usredotočit će se na integraciju fizike i podataka: prvo, korištenje sučelja PyFluent za postizanje dinamičke interakcije na razini memorije rješavača, uspostavljanje mrežnog okvira za spajanje za sinkroni rad strojnog učenja i CFD-a, čime se rješavaju problemi kašnjenja prijenosa podataka i nedostatka kontrole zatvorene-petlje u tradicionalnim izvanmrežnim načinima rada; drugo, primjena fizikalno{4}}neuralnih mreža (PINN-ova) za uključivanje jednadžbi očuvanja mase, količine gibanja i energije u algoritamska ograničenja, ispravljanje nedostataka isključivo podataka-pokrenutih modela kojima nedostaje fizička dosljednost. Putem ovih metoda, cilj je postići transformaciju u numeričkoj simulaciji laserskog zavarivanja od offline predviđanja do visoke-vjernosti,-digitalnog twinninga u stvarnom-vremenu.
