01 Úvod
V multifyzikální vazebné analýze laserového svařování hlubokou penetrací přesné popisování vysoko{0}}frekvenčních fluktuací stěny klíčové dírky řízených tlakem zpětného rázu kovových par a mechanismu interakce foto-indukovaného plazmatu striktně závisí na současném řešení rovnic hmotnosti, hybnosti a zachování energie. Tradiční výpočetní dynamika tekutin (CFD), i když je schopna zachytit vysoce-přesné přechodné chování tekutin pomocí konstrukce vysoce-hustotních diskrétních mřížek a adaptivních časových{5}}krokovacích algoritmů, je v podstatě -strategií řešení hrubou silou založenou na Navierových-Stokesových rovnicích. Se zvyšujícím se Reynoldsovým číslem mřížky výpočetní domény rostou náklady na výpočet exponenciálně, přičemž jediná vysoce věrná trojrozměrná{10} simulace přechodných jevů často trvá několik dní. Tato výpočetní bariéra výrazně omezuje iterativní optimalizaci velkých{12}}oken procesů. Zatímco strojové učení může sestavit nelineární mapování z vysoko-rozměrného prostoru parametrů procesu do prostoru fyzické odezvy, obcházet složitý proces diskretizace parciálních diferenciálních rovnic a výrazně zlepšit efektivitu, jeho povaha „černé skříňky“ vede k nedostatku fyzikální interpretovatelnosti a nedostatečným schopnostem zobecnění. Čistě datové{16}}modely, když jsou odděleny od omezení fyzikálních zákonů zachování, se snaží zaručit sebe-konzistenci výsledků předpovědí v podmínkách nedostatku{18}}dat.
Současný směr řezání-hran v numerické simulaci laserového svařování se proto již neomezuje na výběr jediné výpočetní metody, ale posunul se směrem k hluboké integraci strojového učení a CFD. Zavedením sdružených architektur, jako jsou ty, které jsou založeny na interakci paměti (PyFluent) nebo fyziky -informovaných neuronových sítí (PINN), je cílem spojit schopnost CFD hluboce prozkoumat fyzické mechanismy s efektivními skenovacími schopnostmi strojového učení v celé řadě parametrů. Tento přístup využívá-kvalitní, fyzicky konzistentní data poskytovaná CFD a zároveň využívá výhod online odvození strojového učení a poskytuje systematické inženýrské řešení přirozeného konfliktu mezi přesností a účinností v tradičních numerických simulacích.
02 Vývoj strojového učení v predikci svařování Vývoj strojového učení v oblasti numerické simulace svařování odráží prohlubující se porozumění datovým-fyzikálním vztahům v akademické komunitě. Jeho technologický vývoj probíhá primárně na třech úrovních a postupně dosahuje skoku od jednoduchého přizpůsobení dat k hluboké integraci dat a fyzikálních mechanismů. 2.1 Statická interpolace a lineární regrese Jako primární strategie snižování rozměrů pro aplikaci strojového učení na numerickou simulaci svařování používají náhradní modely omezenou sadu výsledků výpočtů s vysokou -věrností konečných prvků (FEM) jako trénovací sadu. Využívají algoritmy, jako jsou umělé neuronové sítě (ANN) a Gaussova procesní regrese (GPR), aby vytvořily funkční vztah mezi vstupními parametry procesu a výstupními indikátory kvality (jako je hloubka svaru a pórovitost). Tato metoda je v podstatě statistická interpolace ve vysoko-rozměrném prostoru. Ačkoli může dosáhnout extrémně vysoké účinnosti předpovědi, jeho modelové jádro postrádá podporu termofluidních regulačních rovnic a vykazuje charakteristiku černé- skříňky. Kvůli tomuto omezení jsou takové modely vhodné pouze pro predikci výsledků v ustáleném{11}}stavu. Jakmile se parametry procesu odchylují od konvexního rozsahu trénovacích dat, jejich přesnost zobecnění prudce klesá kvůli nedostatku fyzických omezení, takže je obtížné je přizpůsobit složitým a proměnlivým skutečným podmínkám svařování. Kromě toho, protože jsou zcela odděleny od omezení zákonů o zachování energie a hmoty, jsou za podmínek malého vzorku náchylné k výstupu nekonzistentních předpovědních výsledků, které porušují základní fyzikální logiku, což představuje vážné riziko spolehlivosti.
2.2 Dynamická simulace svařovacího procesu: Při řešení přechodných nestabilit, jako je zhroucení klíčové dírky a rozstřik při laserovém svařování, se výzkum postupně posunul směrem k architektuře hlubokého učení kombinující vysokorychlostní fotografie a rentgenová rentgenová data. Typický model konvoluční neuronové sítě + dlouhodobá krátkodobá paměť (CNN+LSTM) (CNN+LSTM) získáváním prostorových rysů a vzorců časového vývoje ze snímku roztavené lázně dosahuje dynamické předpovědi přechodného chování od začátku do konce, čímž do určité míry kompenzuje omezení náhradních modelů při zachycování dynamických procesů. Tato technika je však omezena úplností pozorovaných dat; i s více senzory jsou experimentální data v podstatě projekcí nebo lokálním vzorkováním trojrozměrného pole proudění na dvourozměrnou rovinu. Bez omezení vyplývajících z principů mechaniky tekutin je obtížné rekonstruovat komplexní trojrozměrné pole proudění pouze z povrchových vizuálních informací. Zatímco existující modely dokážou zachytit fenomenologické charakteristiky povrchového toku, snaží se vysvětlit základní mechanismy vzniku defektů svařování ze základní perspektivy přenosu energie a hybnosti.
2.3 Fyzika-Informovaná regrese: Aby se vyřešila krize interpretovatelnosti čistě datových-modelů, objevily se fyzikální-informované neuronové sítě (PINN). Tato architektura již jednoduše nezapadá do pozorovaných dat, ale místo toho do ztrátové funkce modelu vkládá zbytkové členy Navierových-Stokesových rovnic a rovnic přechodného vedení tepla jako regularizační omezení. Tréninkový proces v podstatě hledá optimální řešení v parametrovém prostoru, které vyhovuje pozorovaným datům a zároveň vyhovuje fyzikálním zákonům zachování. Teoreticky mohou rigidní omezení fyzikálních rovnic účinně kompenzovat chybějící dimenze dat v experimentálních pozorováních, což umožňuje modelu odvodit fyzicky konzistentní gradienty vnitřního tlaku a rychlostní pole v latentním prostoru. Technická praxe však ukazuje, že tato metoda čelí vážným problémům: rozdíl ve velikosti mezi gradienty dat a fyzickými zbytkovými gradienty může snadno vést k potížím při konvergenci sítě; a vysoká-hustota kolokačních bodů potřebných pro přesný výpočet derivací vyšších{10}}řádů výrazně zvyšuje náklady na školení a dokonce kompenzuje výhody efektivity strojového učení u některých vysokofrekvenčních přechodných problémů.
03 Srovnání a kolaborativní simulace strojového učení a CFD: Abychom objasnili rozdíly v efektivitě mezi strojovým učením a tradiční výpočetní dynamikou tekutin (CFD) v numerické simulaci laserového svařování a porozuměli jejich příslušným použitelným scénářům a základním hodnotám, byla provedena systematická srovnávací analýza z pěti hlavních dimenzí: výpočetní náklady, přesnost a rozlišení, vysvětlení použitelného mechanismu, schopnost zobecnění, možnost zobecnění. Tato analýza objasňuje výhody a nevýhody těchto dvou metod a jejich komplementární vztah, jak je podrobně popsáno níže.
Tradiční kombinace numerické simulace laserového svařování a strojového učení obvykle využívá offline režim, kde jsou výpočty CFD a modelování prováděny v samostatných krocích. Tento proces je založen na rozsáhlém čtení, zápisu a převodu formátů velkého množství dat na pevném disku, což má za následek neefektivní tok dat a znesnadňuje podporu výzkumu řízení v -uzavřené{2}}smyčce v reálném čase. Spojovací architektura založená na PyFluent{4}} využívá rozhraní Python pro volání řešiče ANSYS Fluent a využívá protokol gRPC k dosažení přímé interakce mezi výpočetním jádrem a externími algoritmy na úrovni paměti. Tato metoda spojování transformuje nezávislý CFD řešič na výpočetní objekt, který lze volat pomocí skriptů Pythonu, což umožňuje algoritmům hlubokého učení přímo číst data tokového pole a řídit proces řešení, čímž poskytuje integrovanou inženýrskou cestu pro vytvoření vysoce-věrných procesů- vztahů mapování fyzického pole. Konkrétní implementace této architektury zahrnuje dva klíčové aspekty: dynamickou aktualizaci parametrů a online extrakci dat toku pole. Pokud jde o kontrolu parametrů, tato metoda opouští tradiční režim diskrétního vzorkování založený na statických ortogonálních polích (DOE). Pomocí Bayesiánské optimalizace nebo algoritmů učení zesílení na straně Pythonu se automaticky vypočítá další sada procesních proměnných, jako je výkon laseru a rychlost svařování, na základě předpovědní odchylky aktuálního modelu nebo strategie průzkumu a okrajové podmínky řešitele se upravují v reálném čase prostřednictvím rozhraní PyFluent. Tento mechanismus umožňuje koncentrovat výpočetní zdroje v oblastech parametrů, kde se drasticky mění fyzikální odezvy nebo kde je vysoká nejistota předpovědi, což umožňuje adaptivní generování vzorových bodů.
Pokud jde o přenos dat, byl použit mechanismus sdílení paměti, který nahradil tradiční proces exportu souborů ASCII. Během iterace časového{1}}kroku ve Fluentu může skript Python přímo přistupovat do paměti řešitele prostřednictvím rozhraní field_data, aby extrahoval údaje o teplotě, objemovém zlomku a rychlostním poli oblasti roztavené lázně a převedl je na pole NumPy nebo tenzory pro vstup do neuronové sítě. Tento tok dat v reálném čase- umožňuje online školení a úpravy modelu během intervalů výpočtů CFD, čímž se dosahuje synchronního chodu vývoje fyzikálního pole a modelování-řízeného daty.
Integrace PyFluentu do pracovních postupů strojového učení zvyšuje hloubku simulačního modelování, ale také přináší nové technické implementační výzvy. Z technického hlediska zlepšuje interakce dat na-úrovni paměti kvalitu vzorku a výpočetní efektivitu. Přímé extrahování dat s pohyblivou řádovou čárkou- z paměti řešitele zabraňuje chybám ořezávání způsobeným převodem textového formátu a zachovává původní výpočetní přesnost. To je klíčové pro zachycení vysoce citlivých prvků, jako jsou nepatrné výkyvy na stěně klíčové dírky. Kromě toho tato architektura poskytuje možnosti validace řízení procesu, což umožňuje vložení řídicí logiky mezi časové kroky simulace pro simulaci uzavřeného-procesu „monitorování taveniny - rozhodování o parametrech - úpravy výkonu“, čímž se ověřuje proveditelnost inteligentních strategií řízení svařování na numerické úrovni.
04 Tato část shrnuje roli strojového učení v numerické simulaci laserového svařování, primárně se zaměřuje na využití fyzikálních mechanismů a datového základu tradičního CFD k řešení problému nízké výpočetní efektivity ve výpočtech více-fyzikálních polí. Budoucí výzkum se zaměří na integraci fyziky a dat: za prvé, použití rozhraní PyFluent k dosažení dynamické interakce na úrovni paměti řešiče, vytvoření online spojovacího rámce pro synchronní provoz strojového učení a CFD, čímž se vyřeší problémy se zpožděním přenosu dat a nedostatkem kontroly v uzavřené-smyčce v tradičních offline režimech; za druhé, použití fyziky-informovaných neuronových sítí (PINN) k začlenění rovnic pro zachování hmoty, hybnosti a energie do algoritmických omezení, čímž se napravují nedostatky čistě datových{5}}modelů postrádajících fyzickou konzistenci. Prostřednictvím těchto metod je cílem dosáhnout transformace numerické simulace laserového svařování od offline predikce k vysoce -věrnému digitálnímu twinningu v reálném čase-.
