پیشرفت در کاربرد یادگیری ماشین در شبیه سازی عددی جوش لیزری

01 مقدمه
در تجزیه و تحلیل کوپلینگ چندفیزیکی جوشکاری با نفوذ عمیق لیزر، توصیف دقیق نوسانات فرکانس بالا-دیواره سوراخ کلید ناشی از فشار برگشت بخار فلزی و مکانیسم برهمکنش پلاسمای القا شده از عکس{1}به شدت به حل هم‌زمان جرم، equation ذخیره انرژی و تکانه بستگی دارد. دینامیک سیالات محاسباتی سنتی (CFD)، در حالی که می‌تواند رفتار سیال گذرا با وفاداری بالا را با ساختن شبکه‌های گسسته با چگالی بالا و الگوریتم‌های پله‌ای زمان تطبیقی ​​نشان دهد، اما اساساً یک استراتژی راه‌حل اجباری{6} بر اساس معادله‌های ناویر{7}S است. با افزایش تعداد رینولدز شبکه دامنه محاسباتی، هزینه محاسباتی به طور تصاعدی افزایش می‌یابد، به طوری که یک شبیه‌سازی گذرا سه بعدی با وفاداری بالا اغلب چندین روز طول می‌کشد. این مانع محاسباتی بهینه‌سازی تکراری پنجره‌های فرآیند در مقیاس بزرگ را به شدت محدود می‌کند. در همین حال، اگرچه یادگیری ماشینی می‌تواند یک نقشه‌برداری غیرخطی از فضای پارامتر فرآیند با ابعاد بالا به فضای پاسخ فیزیکی بسازد، فرآیند گسسته‌سازی معادله دیفرانسیل جزئی را دور بزند و کارایی را به طور قابل‌توجهی بهبود بخشد، ماهیت «جعبه سیاه» آن منجر به فقدان تفسیرپذیری فیزیکی و قابلیت‌های تعمیم ناکافی می‌شود. مدل‌های صرفاً مبتنی بر داده، وقتی از محدودیت‌های قوانین حفاظت فیزیکی جدا می‌شوند، تلاش می‌کنند تا خود{17}}هماهنگی نتایج پیش‌بینی را در شرایط کم داده{18}} تضمین کنند.

بنابراین، جهت پیشرو فعلی در شبیه‌سازی عددی جوشکاری لیزری دیگر محدود به انتخاب یک روش محاسباتی نیست، بلکه به سمت ادغام عمیق یادگیری ماشین و CFD تغییر کرده است. با ایجاد معماری‌های جفت‌شده مانند معماری‌های مبتنی بر تعامل حافظه (PyFluent) یا شبکه‌های عصبی{2} با اطلاعات فیزیکی (PINN)، هدف ترکیب توانایی CFD برای کاوش عمیق مکانیسم‌های فیزیکی با قابلیت‌های اسکن کارآمد یادگیری ماشین در طیف وسیعی از پارامترها است. این رویکرد از داده‌های با کیفیت بالا و از نظر فیزیکی سازگار ارائه شده توسط CFD استفاده می‌کند و در عین حال از مزایای استنتاج آنلاین یادگیری ماشین استفاده می‌کند و یک راه‌حل مهندسی سیستماتیک برای تضاد ذاتی بین دقت و کارایی در شبیه‌سازی‌های عددی سنتی ارائه می‌کند.

02 توسعه یادگیری ماشین در پیش‌بینی جوشکاری توسعه یادگیری ماشین در زمینه شبیه‌سازی عددی جوشکاری نشان‌دهنده درک عمیق روابط داده‌ها-فیزیک در جامعه دانشگاهی است. تکامل تکنولوژیکی آن اساساً سه سطح را دنبال می‌کند، به تدریج به جهشی از برازش داده‌های ساده به یکپارچگی عمیق داده‌ها و مکانیسم‌های فیزیکی می‌رسد. مجموعه آموزشی آنها از الگوریتم‌هایی مانند شبکه‌های عصبی مصنوعی (ANN) و رگرسیون فرآیند گاوسی (GPR) برای ایجاد یک رابطه عملکردی بین پارامترهای فرآیند ورودی و شاخص‌های کیفیت خروجی (مانند عمق جوش و تخلخل) استفاده می‌کنند. این روش اساساً درون یابی آماری در فضای{7}}بالا بعدی است. اگرچه می‌تواند به راندمان پیش‌بینی بسیار بالایی دست یابد، اما هسته مدل آن فاقد پشتیبانی از معادلات کنترل حرارتی است و ویژگی جعبه سیاه را نشان می‌دهد. با توجه به این محدودیت، چنین مدل‌هایی فقط برای پیش‌بینی نتایج حالت ثابت مناسب هستند. هنگامی که پارامترهای فرآیند از محدوده بدنه محدب داده‌های آموزشی منحرف می‌شوند، دقت تعمیم آن‌ها به دلیل فقدان محدودیت‌های فیزیکی به شدت کاهش می‌یابد و سازگاری آنها با شرایط پیچیده و متغیر واقعی جوشکاری را دشوار می‌کند. علاوه بر این، از آنجایی که آنها کاملاً از محدودیت‌های قوانین بقای انرژی و جرم جدا هستند، در شرایط نمونه کوچک، مستعد خروج نتایج پیش‌بینی متناقض هستند که منطق فیزیکی اولیه را نقض می‌کند و خطر اطمینان جدی را ایجاد می‌کند.

2.2 شبیه‌سازی دینامیکی فرآیند جوشکاری: با رسیدگی به ناپایداری‌های گذرا مانند فروپاشی سوراخ کلید و پاشش در جوشکاری لیزری، تحقیقات به تدریج به سمت معماری‌های یادگیری عمیق که ترکیبی از عکس‌برداری با سرعت بالا و داده‌های رادیوگرافی اشعه ایکس هستند، تغییر کرده است. یک مدل شبکه عصبی کانولوشنال معمولی + شبکه حافظه کوتاه مدت بلند مدت (CNN+LSTM)، با استخراج ویژگی‌های مکانی و الگوهای تکامل زمانی تصویر حوضچه مذاب، به پیش‌بینی دینامیکی پایان--رفتار گذرا دست می‌یابد، که تا حدودی محدودیت‌های مدل‌های جایگزین در مدل‌های جایگزین را جبران می‌کند. با این حال، این تکنیک توسط کامل بودن داده های مشاهده ای محدود شده است. حتی با چندین حسگر، داده های تجربی اساساً یک طرح ریزی یا نمونه برداری محلی از میدان جریان سه بعدی در یک صفحه دو بعدی-است. بدون محدودیت‌های اصول مکانیک سیالات، بازسازی میدان جریان سه‌بعدی پیچیده تنها از اطلاعات بصری سطح دشوار است. در حالی که مدل‌های موجود می‌توانند ویژگی‌های پدیدارشناختی جریان سطحی را به تصویر بکشند، اما در تلاش هستند تا مکانیسم‌های اساسی تشکیل نقص جوشکاری را از دیدگاه بنیادی انتقال انرژی و تکانه توضیح دهند.

2.3 فیزیک-رگرسیون آگاهانه: برای رسیدگی به بحران تفسیرپذیری مدل‌های صرفاً مبتنی بر داده{2}}، فیزیک{3}}شبکه‌های عصبی آگاه (PINN) پدیدار شده‌اند. این معماری دیگر به سادگی با داده های مشاهده شده مطابقت نمی کند، بلکه در عوض، شرایط باقیمانده از معادلات ناویر-استوکس و معادلات انتقال حرارت گذرا را به عنوان محدودیت های منظم سازی در تابع تلفات مدل جاسازی می کند. فرآیند آموزش اساساً راه‌حل بهینه را در فضای پارامتر جستجو می‌کند که هم با داده‌های مشاهده‌شده مطابقت داشته باشد و هم قوانین حفاظت فیزیکی را برآورده کند. از نظر تئوری، محدودیت‌های صلب معادلات فیزیکی می‌تواند به طور موثری برای ابعاد داده‌های از دست رفته در مشاهدات تجربی جبران کند، و به مدل اجازه می‌دهد تا گرادیان‌های فشار داخلی و میدان‌های سرعت را در فضای نهان استنتاج کند. با این حال، تمرین مهندسی نشان می‌دهد که این روش با چالش‌های جدی روبرو است: تفاوت در بزرگی بین گرادیان داده‌ها و گرادیان‌های باقیمانده فیزیکی می‌تواند به راحتی منجر به مشکلات در همگرایی شبکه شود. و-نقاط هم‌سازی با چگالی بالا که برای محاسبه دقیق مشتقات سفارش‌های بالاتر لازم است، هزینه‌های آموزشی را به‌طور قابل‌توجهی افزایش می‌دهد، حتی مزایای کارآمدی یادگیری ماشین را در برخی از مشکلات گذرا با فرکانس بالا جبران می‌کند.

03 مقایسه و شبیه‌سازی مشارکتی یادگیری ماشین و CFD: برای روشن شدن تفاوت‌های اثربخشی بین یادگیری ماشین و دینامیک سیالات محاسباتی سنتی (CFD) در شبیه‌سازی عددی جوشکاری لیزری، و برای درک سناریوهای کاربردی مربوطه و مقادیر اصلی آن‌ها، یک تحلیل مقایسه‌ای سیستماتیک، تجزیه و تحلیل مقایسه‌ای سیستماتیک، توضیح هزینه تفکیک‌پذیری کلی، مکانیزم دقت و تفکیک محاسباتی از پنج مقیاس انجام شد. توانایی و سناریوهای قابل اجرا این تجزیه و تحلیل مزایا و معایب این دو روش و رابطه مکمل آنها را که در زیر به تفصیل شرح داده شده است، روشن می کند.

ترکیب سنتی شبیه‌سازی عددی جوشکاری لیزری و یادگیری ماشین معمولاً از حالت آفلاین استفاده می‌کند، که در آن محاسبات CFD و آموزش مدل در مراحل جداگانه انجام می‌شود. این فرآیند متکی بر خواندن، نوشتن، و تبدیل فرمت گسترده مقادیر زیادی از داده ها بر روی هارد دیسک است که منجر به جریان ناکارآمد داده می شود و پشتیبانی از تحقیقات کنترل حلقه بسته در زمان واقعی را دشوار می کند. معماری کوپلینگ مبتنی بر PyFluent{4}}از یک رابط پایتون برای فراخوانی حل‌کننده ANSYS Fluent استفاده می‌کند و از پروتکل gRPC برای دستیابی به تعامل مستقیم بین هسته محاسباتی و الگوریتم‌های خارجی در سطح حافظه استفاده می‌کند. این روش کوپلینگ حلگر مستقل CFD را به یک شی محاسباتی تبدیل می‌کند که می‌تواند توسط اسکریپت‌های پایتون فراخوانی شود، و به الگوریتم‌های یادگیری عمیق اجازه می‌دهد تا مستقیماً داده‌های میدان جریان را بخوانند و فرآیند حل را کنترل کنند، و یک مسیر مهندسی یکپارچه برای برقراری-فرایند وفاداری-روابط نقشه‌برداری میدان فیزیکی بالا فراهم می‌کند. اجرای خاص این معماری شامل دو جنبه کلیدی است: به روز رسانی پارامترهای پویا و استخراج آنلاین داده های میدان جریان. از نظر کنترل پارامتر، این روش حالت نمونه گیری گسسته سنتی مبتنی بر آرایه های متعامد استاتیک (DOE) را کنار می گذارد. با استفاده از بهینه سازی بیزی یا الگوریتم های یادگیری تقویتی در سمت پایتون، مجموعه بعدی متغیرهای فرآیند مانند توان لیزر و سرعت جوش به طور خودکار بر اساس انحراف پیش بینی یا استراتژی اکتشاف مدل فعلی محاسبه می شود و شرایط مرزی حل کننده در زمان واقعی از طریق رابط PyFluent اصلاح می شود. این مکانیزم به منابع محاسباتی اجازه می دهد تا در مناطق پارامتری متمرکز شوند که در آن پاسخ های فیزیکی به شدت تغییر می کند یا عدم قطعیت پیش بینی بالا است و امکان تولید تطبیقی ​​نقاط نمونه را فراهم می کند.

از نظر انتقال داده، یک مکانیسم اشتراک حافظه برای جایگزینی فرآیند صادرات فایل ASCII سنتی استفاده شد. در طول زمان{1}}تکرار گام در فلوئنت، اسکریپت پایتون می‌تواند مستقیماً از طریق رابط field_data به حافظه حل‌کننده دسترسی پیدا کند تا دما، کسر حجمی و سرعت داده‌های میدان مذاب منطقه حوضچه مذاب را استخراج کند و آنها را به آرایه‌های NumPy یا تانسورها برای ورودی به شبکه عصبی تبدیل کند. این جریان داده در زمان واقعی امکان آموزش آنلاین و اصلاح مدل را در فواصل زمانی محاسبات CFD، دستیابی به عملیات همزمان تکامل میدان فیزیکی و مدل‌سازی مبتنی بر داده را فراهم می‌کند.

ادغام PyFluent در گردش‌های کاری یادگیری ماشین، عمق مدل‌سازی شبیه‌سازی را افزایش می‌دهد، اما چالش‌های جدید پیاده‌سازی مهندسی را نیز معرفی می‌کند. از نقطه نظر فنی، تعامل داده در سطح حافظه{1}}کیفیت نمونه و کارایی محاسباتی را بهبود می بخشد. استخراج مستقیم داده‌های نقطه‌ای شناور از حافظه حل‌کننده، از خطاهای برش ناشی از تبدیل قالب متن جلوگیری می‌کند و دقت محاسباتی اصلی را حفظ می‌کند. این برای ثبت ویژگی های بسیار حساس مانند نوسانات جزئی روی دیوار سوراخ کلید بسیار مهم است. علاوه بر این، این معماری قابلیت‌های اعتبارسنجی کنترل فرآیند را فراهم می‌کند و به تعبیه منطق کنترل بین مراحل زمانی شبیه‌سازی اجازه می‌دهد تا یک فرآیند حلقه بسته از "پایش استخر ذوب - تصمیم پارامتر - تنظیم توان" را شبیه‌سازی کند، بنابراین امکان‌سنجی استراتژی‌های کنترل جوشکاری هوشمند در سطح کنترل عددی را تأیید می‌کند.

04 این بخش نقش یادگیری ماشین را در شبیه‌سازی عددی جوش لیزری خلاصه می‌کند، که عمدتاً بر روی استفاده از مکانیسم‌های فیزیکی و پایه داده‌های CFD سنتی برای پرداختن به مشکل راندمان محاسباتی پایین در محاسبات چند میدانی-فیزیک تمرکز دارد. تحقیقات آینده بر ادغام فیزیک و داده متمرکز خواهد شد: اولاً، استفاده از رابط PyFluent برای دستیابی به تعامل پویا در سطح حافظه حل‌کننده، ایجاد یک چارچوب اتصال آنلاین برای عملکرد همزمان یادگیری ماشین و CFD، در نتیجه به مسائل تاخیر انتقال داده و عدم کنترل حلقه بسته در حالت‌های آفلاین سنتی می‌پردازد. ثانیاً، استفاده از شبکه‌های عصبی (PINN) مبتنی بر فیزیک برای گنجاندن معادلات بقای جرم، تکانه و انرژی در محدودیت‌های الگوریتمی، اصلاح کاستی‌های مدل‌های صرفاً مبتنی بر داده{5}} فاقد سازگاری فیزیکی. از طریق این روش‌ها، هدف دستیابی به یک تبدیل در شبیه‌سازی عددی جوش لیزری از پیش‌بینی آفلاین به دوقلوی دیجیتالی با وفاداری بالا و واقعی است.