01 Introduzione
Nell'analisi di accoppiamento multifisico della saldatura laser a penetrazione profonda, la descrizione accurata delle fluttuazioni ad alta-frequenza della parete del buco della serratura guidate dalla pressione di rinculo del vapore metallico e il meccanismo di interazione del plasma foto-indotto dipende strettamente dalla soluzione simultanea delle equazioni di conservazione di massa, quantità di moto ed energia. La tradizionale fluidodinamica computazionale (CFD), pur essendo in grado di catturare il comportamento transitorio dei fluidi ad alta-fedeltà costruendo griglie discrete ad alta-densità e algoritmi di passo temporale-adattivi, è essenzialmente una strategia di soluzione di forza-bruta basata sulle equazioni di Navier-Stokes. All'aumentare del numero di Reynolds della griglia del dominio computazionale, il costo computazionale cresce in modo esponenziale, con una singola simulazione transitoria tridimensionale ad alta-fedeltà-che spesso richiede diversi giorni. Questa barriera computazionale limita fortemente l'ottimizzazione iterativa di finestre di processo su larga scala. Nel frattempo, sebbene il machine learning possa costruire una mappatura non lineare da uno spazio di parametri di processo ad alta-dimensionalità a uno spazio di risposta fisica, bypassando il complesso processo di discretizzazione delle equazioni differenziali parziali e migliorando significativamente l'efficienza, la sua natura di "scatola nera" porta a una mancanza di interpretabilità fisica e a capacità di generalizzazione insufficienti. I modelli puramente basati sui dati, quando disaccoppiati dai vincoli delle leggi di conservazione fisica, faticano a garantire l'autocoerenza dei risultati della previsione in condizioni di scarsità di dati.
Pertanto, l'attuale-direzione all'avanguardia nella simulazione numerica della saldatura laser non si limita più alla selezione di un singolo metodo computazionale, ma si è spostata verso la profonda integrazione dell'apprendimento automatico e della CFD. Stabilendo architetture accoppiate come quelle basate sull'interazione della memoria (PyFluent) o sulle reti neurali informate sulla fisica- (PINN), l'obiettivo è combinare la capacità della CFD di esplorare in profondità i meccanismi fisici con le efficienti capacità di scansione dell'apprendimento automatico su un'ampia gamma di parametri. Questo approccio utilizza i dati di alta-qualità e fisicamente coerenti forniti da CFD sfruttando al tempo stesso i vantaggi dell'inferenza online del machine learning, fornendo una soluzione ingegneristica sistematica al conflitto intrinseco tra accuratezza ed efficienza nelle simulazioni numeriche tradizionali.
02 Lo sviluppo del machine learning nella previsione della saldatura Lo sviluppo del machine learning nel campo della simulazione numerica della saldatura riflette la comprensione sempre più approfondita delle relazioni fisiche-dei dati all'interno della comunità accademica. La sua evoluzione tecnologica segue principalmente tre livelli, ottenendo gradualmente un salto dal semplice adattamento dei dati a una profonda integrazione di dati e meccanismi fisici. 2.1 Interpolazione statica e regressione lineare Come strategia di riduzione della dimensionalità primaria per applicare l'apprendimento automatico alla simulazione numerica della saldatura, i modelli surrogati utilizzano un insieme limitato di risultati di calcolo degli elementi finiti (FEM) ad alta fedeltà-come set di addestramento. Utilizzano algoritmi come le reti neurali artificiali (ANN) e la regressione del processo gaussiano (GPR) per costruire una relazione funzionale tra i parametri del processo di input e gli indicatori di qualità dell'output (come profondità di saldatura e porosità). Questo metodo è essenzialmente un'interpolazione statistica in uno spazio ad alta-dimensionalità. Sebbene possa raggiungere un'efficienza di previsione estremamente elevata, il nucleo del modello non supporta le equazioni di controllo del fluido termofluido e presenta una caratteristica della scatola nera-. A causa di questa limitazione, tali modelli sono adatti solo per la previsione dei risultati in stato stazionario. Una volta che i parametri di processo si discostano dall'intervallo dello scafo convesso dei dati di addestramento, la loro precisione di generalizzazione diminuisce drasticamente a causa della mancanza di vincoli fisici, rendendoli difficili da adattare alle condizioni di saldatura reali complesse e variabili. Inoltre, poiché sono completamente indipendenti dai vincoli delle leggi di conservazione dell’energia e della massa, in condizioni di campioni ridotti sono inclini a produrre risultati di previsione incoerenti che violano la logica fisica di base, ponendo un serio rischio di fiducia.
2.2 Simulazione dinamica del processo di saldatura: affrontando le instabilità transitorie come il collasso del buco della serratura e gli spruzzi nella saldatura laser, la ricerca si è gradualmente spostata verso architetture di deep learning che combinano fotografia ad alta-velocità e dati di radiografia a raggi X-. Un tipico modello di rete neurale convoluzionale + rete di memoria a lungo termine-a breve termine (CNN+LSTM), estraendo caratteristiche spaziali e modelli di evoluzione temporale dell'immagine del pool fuso, raggiunge la previsione dinamica end-to-end del comportamento transitorio, compensando in una certa misura le limitazioni dei modelli surrogati nell'acquisizione dei processi dinamici. Tuttavia, questa tecnica è limitata dalla completezza dei dati osservativi; anche con più sensori, i dati sperimentali sono essenzialmente una proiezione o un campionamento locale del campo di flusso tridimensionale su un piano bidimensionale. Senza i vincoli imposti dai principi della meccanica dei fluidi, è difficile ricostruire il complesso campo di flusso tridimensionale-soltanto a partire dalle informazioni visive della superficie. Sebbene i modelli esistenti possano catturare le caratteristiche fenomenologiche del flusso superficiale, faticano a spiegare i meccanismi sottostanti la formazione dei difetti di saldatura dalla prospettiva fondamentale del trasferimento di energia e quantità di moto.
2.3 Regressione-informata di fisica: per affrontare la crisi di interpretabilità dei modelli puramente-guidati dai dati, sono emerse le reti neurali informate di fisica (-PINN). Questa architettura non si adatta più semplicemente ai dati osservati, ma incorpora invece i termini residui delle equazioni di Navier-Stokes e delle equazioni di conduzione del calore transitorio come vincoli di regolarizzazione nella funzione di perdita del modello. Il processo di addestramento ricerca essenzialmente la soluzione ottimale nello spazio dei parametri che si adatti ai dati osservati e soddisfi le leggi fisiche di conservazione. Teoricamente, i rigidi vincoli delle equazioni fisiche possono effettivamente compensare le dimensioni dei dati mancanti nelle osservazioni sperimentali, consentendo al modello di dedurre gradienti di pressione interna e campi di velocità fisicamente coerenti nello spazio latente. Tuttavia, la pratica ingegneristica mostra che questo metodo deve affrontare gravi sfide: la differenza di grandezza tra i gradienti di dati e i gradienti fisici residui può facilmente portare a difficoltà nella convergenza della rete; e i punti di collocazione ad alta-densità richiesti per il calcolo accurato delle derivate-di ordine superiore aumentano significativamente i costi di formazione, compensando addirittura i vantaggi in termini di efficienza del machine learning in alcuni-problemi transitori ad alta frequenza.
03 Confronto e simulazione collaborativa di machine learning e CFD: per chiarire le differenze di efficacia tra l'apprendimento automatico e la tradizionale fluidodinamica computazionale (CFD) nella simulazione numerica della saldatura laser e per comprendere i rispettivi scenari applicabili e valori fondamentali, è stata condotta un'analisi comparativa sistematica da cinque dimensioni principali: costo computazionale, precisione e risoluzione, spiegazione del meccanismo, capacità di generalizzazione e scenari applicabili. Questa analisi chiarisce i vantaggi e gli svantaggi dei due metodi e la loro relazione complementare, come dettagliato di seguito.
La tradizionale combinazione di simulazione numerica della saldatura laser e apprendimento automatico utilizza tipicamente una modalità offline, in cui i calcoli CFD e l’addestramento del modello vengono eseguiti in passaggi separati. Questo processo si basa su un'intensa attività di lettura, scrittura e conversione del formato di grandi quantità di dati sul disco rigido, con conseguente flusso di dati inefficiente e rendendo difficile supportare la ricerca di controllo a circuito chiuso-in tempo reale. L'architettura di accoppiamento basata su PyFluent- utilizza un'interfaccia Python per chiamare il solutore ANSYS Fluent e impiega il protocollo gRPC per ottenere un'interazione diretta tra il kernel computazionale e gli algoritmi esterni a livello di memoria. Questo metodo di accoppiamento trasforma il solutore CFD indipendente in un oggetto computazionale che può essere chiamato da script Python, consentendo agli algoritmi di deep learning di leggere direttamente i dati del campo di flusso e controllare il processo di risoluzione, fornendo un percorso ingegneristico integrato per stabilire relazioni di mappatura del campo fisico ad alta fedeltà-processo-. L'implementazione specifica di questa architettura comprende due aspetti chiave: l'aggiornamento dinamico dei parametri e l'estrazione online dei dati del campo di flusso. In termini di controllo dei parametri, questo metodo abbandona la tradizionale modalità di campionamento discreto basata su array ortogonali statici (DOE). Utilizzando l'ottimizzazione bayesiana o gli algoritmi di apprendimento per rinforzo sul lato Python, la serie successiva di variabili di processo come la potenza del laser e la velocità di saldatura vengono calcolate automaticamente in base alla deviazione di previsione del modello corrente o alla strategia di esplorazione e le condizioni al contorno del risolutore vengono modificate in tempo reale attraverso l'interfaccia PyFluent. Questo meccanismo consente di concentrare le risorse computazionali nelle regioni dei parametri in cui le risposte fisiche cambiano drasticamente o l'incertezza della previsione è elevata, consentendo la generazione adattiva di punti campione.
In termini di trasferimento dei dati, è stato utilizzato un meccanismo di condivisione della memoria per sostituire il tradizionale processo di esportazione di file ASCII. Durante l'iterazione time-step in Fluent, lo script Python può accedere direttamente alla memoria del solutore tramite l'interfaccia field_data per estrarre i dati di temperatura, frazione di volume e campo di velocità della regione del pool di fusione e convertirli in array o tensori NumPy per l'input nella rete neurale. Questo flusso di dati in tempo reale- consente l'addestramento online e la modifica del modello durante gli intervalli dei calcoli CFD, ottenendo un funzionamento sincrono dell'evoluzione del campo fisico e della modellazione basata sui dati-.
L'integrazione di PyFluent nei flussi di lavoro di machine learning migliora la profondità della modellazione di simulazione ma introduce anche nuove sfide di implementazione ingegneristica. Da un punto di vista tecnico, l'interazione dei dati a livello di memoria- migliora la qualità del campione e l'efficienza computazionale. L'estrazione diretta dei dati in virgola mobile- dalla memoria del risolutore evita errori di troncamento causati dalla conversione del formato testo, preservando la precisione computazionale originale. Questo è fondamentale per catturare caratteristiche altamente sensibili come le fluttuazioni minime sulla parete del buco della serratura. Inoltre, questa architettura fornisce funzionalità di convalida del controllo del processo, consentendo l'integrazione della logica di controllo tra le fasi temporali della simulazione per simulare un processo a ciclo chiuso di "monitoraggio del bagno di fusione - decisione dei parametri - regolazione della potenza", verificando così la fattibilità di strategie di controllo della saldatura intelligenti a livello numerico.
04 Questa sezione riassume il ruolo dell'apprendimento automatico nella simulazione numerica della saldatura laser, concentrandosi principalmente sullo sfruttamento dei meccanismi fisici e della base dati della CFD tradizionale per affrontare il problema della bassa efficienza computazionale nei calcoli su campi multi-fisici. La ricerca futura si concentrerà sull'integrazione di fisica e dati: in primo luogo, utilizzando l'interfaccia PyFluent per ottenere un'interazione dinamica a livello di memoria del risolutore, stabilendo un quadro di accoppiamento online per il funzionamento sincrono di apprendimento automatico e CFD, affrontando così i problemi del ritardo nella trasmissione dei dati e della mancanza di controllo a circuito chiuso-nelle modalità offline tradizionali; in secondo luogo, applicando le reti neurali informate dalla fisica (PINN) per incorporare le equazioni di conservazione di massa, quantità di moto ed energia in vincoli algoritmici, correggendo le carenze di modelli puramente basati sui dati-privi di coerenza fisica. Attraverso questi metodi, l'obiettivo è realizzare una trasformazione nella simulazione numerica della saldatura laser dalla previsione offline al gemellaggio digitale ad alta-fedeltà e in tempo reale-.
