01 Введение
В мультифизическом анализе связи лазерной сварки с глубоким проваром точное описание высокочастотных колебаний стенки замочной скважины, вызванных давлением отдачи паров металла, и механизм взаимодействия фото-плазмы строго зависит от одновременного решения уравнений сохранения массы, импульса и энергии. Традиционная вычислительная гидродинамика (CFD), хотя и позволяет с высокой-точностью фиксировать переходное поведение жидкости путем построения дискретных сеток с высокой-плотностью и адаптивных-алгоритмов шага по времени, по сути представляет собой стратегию грубого-решения, основанную на уравнениях Навье-Стокса. По мере увеличения числа Рейнольдса в сетке вычислительной области затраты на вычисления растут экспоненциально, при этом одно высокоточное трехмерное-моделирование переходных процессов часто занимает несколько дней. Этот вычислительный барьер серьезно ограничивает итеративную оптимизацию крупномасштабных окон процессов. Между тем, хотя машинное обучение может построить нелинейное отображение из многомерного пространства параметров процесса в пространство физического отклика, минуя сложный процесс дискретизации уравнений в частных производных и значительно повышая эффективность, его природа «черного ящика» приводит к отсутствию физической интерпретируемости и недостаточным возможностям обобщения. Модели,-управляемые исключительно данными, если их отделить от ограничений физических законов сохранения, с трудом могут гарантировать само-согласованность результатов прогнозирования в условиях-дефицита данных.
Таким образом, современное-направление численного моделирования лазерной сварки больше не ограничивается выбором одного вычислительного метода, а сместилось в сторону глубокой интеграции машинного обучения и CFD. Создавая связанные архитектуры, например, основанные на взаимодействии памяти (PyFluent) или нейронных сетях,-информированных о физике (PINN), цель состоит в том, чтобы объединить способность CFD глубоко исследовать физические механизмы с возможностями эффективного сканирования машинного обучения по широкому диапазону параметров. Этот подход использует высококачественные, физически согласованные данные, предоставляемые CFD, а также преимущества онлайн-выводов машинного обучения, обеспечивая систематическое инженерное решение внутреннего конфликта между точностью и эффективностью в традиционном численном моделировании.
02 Развитие машинного обучения в прогнозировании сварки Развитие машинного обучения в области численного моделирования сварки отражает углубление понимания взаимоотношений физики данных-в академическом сообществе. Его технологическая эволюция в основном следует трем уровням, постепенно совершая скачок от простой подгонки данных к глубокой интеграции данных и физических механизмов.. 2.1 Статическая интерполяция и линейная регрессия В качестве основной стратегии уменьшения размерности при применении машинного обучения к численному моделированию сварки суррогатные модели используют ограниченный набор высокоточных результатов вычислений методом конечных элементов (МКЭ) в качестве обучающего набора. Они используют такие алгоритмы, как искусственные нейронные сети (ИНС) и регрессию гауссовского процесса (ГПР), для построения функциональной зависимости между входными параметрами процесса и выходными показателями качества (такими как глубина сварного шва и пористость). Этот метод по существу представляет собой статистическую интерполяцию в многомерном пространстве. Несмотря на то, что он может достичь чрезвычайно высокой эффективности прогнозирования, его ядро модели не поддерживает уравнения терможидкостного управления и демонстрирует характеристику черного-ящика. Из-за этого ограничения такие модели подходят только для прогнозирования результатов в устойчивом-состоянии. Как только параметры процесса отклоняются от диапазона выпуклой оболочки обучающих данных, точность их обобщения резко снижается из-за отсутствия физических ограничений, что затрудняет их адаптацию к сложным и переменным реальным условиям сварки. Более того, поскольку они полностью отделены от ограничений законов сохранения энергии и массы, в условиях небольшой выборки они склонны выдавать противоречивые результаты прогнозирования, которые нарушают базовую физическую логику, что создает серьезный риск доверия.
2.2 Динамическое моделирование сварочного процесса. Для устранения временных нестабильностей, таких как разрушение замочной скважины и разбрызгивание при лазерной сварке, исследования постепенно сместились в сторону архитектур глубокого обучения, сочетающих высокоскоростную-фотосъемку и данные рентгеновской радиографии. Типичная модель сверточной нейронной сети + долговременной-сети памяти (CNN+LSTM) путем извлечения пространственных характеристик и закономерностей временной эволюции изображения расплавленной ванны обеспечивает сквозное--динамическое предсказание переходного поведения, в некоторой степени компенсируя ограничения суррогатных моделей при регистрации динамических процессов. Однако этот метод ограничен полнотой наблюдательных данных; даже при наличии нескольких датчиков экспериментальные данные по существу представляют собой проекцию или локальную выборку трехмерного поля потока-на двумерную плоскость. Без ограничений со стороны принципов механики жидкости трудно восстановить сложное трехмерное поле потока исключительно на основе визуальной информации с поверхности. Хотя существующие модели могут отражать феноменологические характеристики поверхностного течения, им трудно объяснить основные механизмы образования сварочных дефектов с фундаментальной точки зрения передачи энергии и импульса.
2.3 Физическая-информированная регрессия. Для решения кризиса интерпретируемости моделей,-управляемых исключительно данными, появились физические-информированные нейронные сети (PINN). Эта архитектура больше не просто соответствует наблюдаемым данным, а вместо этого включает остаточные члены уравнений Навье-Стокса и уравнений переходной теплопроводности в качестве ограничений регуляризации в функцию потерь модели. Процесс обучения по существу ищет оптимальное решение в пространстве параметров, которое одновременно соответствует наблюдаемым данным и удовлетворяет физическим законам сохранения. Теоретически жесткие ограничения физических уравнений могут эффективно компенсировать недостающие размерности данных в экспериментальных наблюдениях, позволяя модели делать выводы о физически согласованных внутренних градиентах давления и полях скорости в скрытом пространстве. Однако инженерная практика показывает, что этот метод сталкивается с серьезными проблемами: разница в величине между градиентами данных и физическими остаточными градиентами может легко привести к трудностям в конвергенции сети; а высокая-точка коллокации, необходимая для точного расчета производных более высокого-порядка, значительно увеличивает затраты на обучение, даже нивелируя преимущества эффективности машинного обучения в некоторых-частотных переходных задачах.
03 Сравнение и совместное моделирование машинного обучения и CFD. Чтобы прояснить различия в эффективности машинного обучения и традиционной вычислительной гидродинамики (CFD) при численном моделировании лазерной сварки, а также понять соответствующие применимые сценарии и основные значения, был проведен систематический сравнительный анализ по пяти основным измерениям: вычислительные затраты, точность и разрешение, объяснение механизма, возможность обобщения и применимые сценарии. Этот анализ проясняет преимущества и недостатки двух методов и их взаимодополняющие отношения, как подробно описано ниже.
Традиционное сочетание численного моделирования лазерной сварки и машинного обучения обычно использует автономный режим, в котором расчеты CFD и обучение модели выполняются на отдельных этапах. Этот процесс основан на интенсивном чтении, записи и преобразовании форматов больших объемов данных на жестком диске, что приводит к неэффективному потоку данных и затрудняет поддержку исследований в режиме-замкнутого-управления в режиме реального времени. Архитектура связи на основе PyFluent- использует интерфейс Python для вызова решателя ANSYS Fluent и протокол gRPC для достижения прямого взаимодействия между вычислительным ядром и внешними алгоритмами на уровне памяти. Этот метод связи преобразует независимый решатель CFD в вычислительный объект, который может вызываться скриптами Python, что позволяет алгоритмам глубокого обучения напрямую считывать данные поля потока и управлять процессом решения, обеспечивая интегрированный инженерный путь для установления высокоточных-процессов-отношений сопоставления физических полей. Конкретная реализация этой архитектуры включает в себя два ключевых аспекта: динамическое обновление параметров и онлайн-извлечение данных поля потока. С точки зрения управления параметрами этот метод отказывается от традиционного режима дискретной выборки, основанного на статических ортогональных массивах (DOE). Используя алгоритмы байесовской оптимизации или обучения с подкреплением на стороне Python, следующий набор переменных процесса, таких как мощность лазера и скорость сварки, автоматически рассчитывается на основе отклонения прогноза текущей модели или стратегии исследования, а граничные условия решателя изменяются в реальном времени через интерфейс PyFluent. Этот механизм позволяет концентрировать вычислительные ресурсы в областях параметров, где физические реакции резко изменяются или неопределенность прогнозирования высока, что позволяет адаптивно генерировать точки выборки.
Что касается передачи данных, для замены традиционного процесса экспорта файлов ASCII использовался механизм совместного использования памяти. Во время итерации шага по времени в Fluent скрипт Python может напрямую обращаться к памяти решателя через интерфейс field_data для извлечения данных о температуре, объемной доле и поле скорости области расплавленной ванны и преобразования их в массивы или тензоры NumPy для ввода в нейронную сеть. Этот поток данных в реальном-времени позволяет проводить онлайн-обучение и модификацию модели во время интервалов расчетов CFD, обеспечивая синхронную работу эволюции физического поля и моделирования на основе данных-.
Интеграция PyFluent в рабочие процессы машинного обучения повышает глубину имитационного моделирования, но также создает новые проблемы инженерной реализации. С технической точки зрения взаимодействие данных на уровне-памяти повышает качество выборки и эффективность вычислений. Непосредственное извлечение данных с плавающей-точкой из памяти решателя позволяет избежать ошибок усечения, вызванных преобразованием текстового формата, сохраняя исходную точность вычислений. Это имеет решающее значение для регистрации высокочувствительных особенностей, таких как малейшие колебания стенки замочной скважины. Кроме того, эта архитектура обеспечивает возможности проверки управления процессом, позволяя встраивать логику управления между временными шагами моделирования для моделирования замкнутого-процесса «мониторинга ванны расплава - принятия решения по параметру - регулировки мощности», тем самым проверяя осуществимость интеллектуальных стратегий управления сваркой на числовом уровне.
04 В этом разделе обобщается роль машинного обучения в численном моделировании лазерной сварки, в первую очередь уделяя особое внимание использованию физических механизмов и базы данных традиционного CFD для решения проблемы низкой вычислительной эффективности в мульти-полевых расчетах. Будущие исследования будут сосредоточены на интеграции физики и данных: во-первых, использование интерфейса PyFluent для достижения динамического взаимодействия на уровне памяти решателя, создание онлайновой структуры связи для синхронной работы машинного обучения и CFD, тем самым решая проблемы задержки передачи данных и отсутствия замкнутого-управления контуром в традиционных автономных режимах; во-вторых, применение нейронных сетей,-информированных о физике (PINN), для включения уравнений сохранения массы, импульса и энергии в алгоритмические ограничения, исправляя недостатки моделей,-управляемых исключительно данными, которым не хватает физической согласованности. Целью этих методов является переход от численного моделирования лазерной сварки от автономного прогнозирования к высокоточному-цифровому двойнику в реальном-времени.
