01 Εισαγωγή
Στην ανάλυση πολυφυσικής σύζευξης της συγκόλλησης βαθιάς διείσδυσης με λέιζερ, η ακριβής περιγραφή των διακυμάνσεων υψηλής-συχνότητας του τοιχώματος της κλειδαρότρυπας που προκαλείται από την πίεση ανάκρουσης των μεταλλικών ατμών και ο μηχανισμός αλληλεπίδρασης του πλάσματος που προκαλείται από φωτογραφία{{1} εξαρτάται αυστηρά από την ταυτόχρονη λύση της μάζας, της ορμής και της εξισορρόπησης διατήρησης ενέργειας. Η παραδοσιακή υπολογιστική δυναμική ρευστών (CFD), ενώ μπορεί να καταγράψει τη συμπεριφορά παροδικών ρευστών υψηλής{3}}πιστότητας κατασκευάζοντας διακριτά πλέγματα υψηλής{4}πυκνότητας και προσαρμοστικούς χρόνους-αλγορίθμους βημάτων, είναι ουσιαστικά μια ωμή{6}}στρατηγική λύσης δύναμης που βασίζεται στις εξισώσεις Navier{7}S. Καθώς ο αριθμός Reynolds του πλέγματος υπολογιστικού τομέα αυξάνεται, το υπολογιστικό κόστος αυξάνεται εκθετικά, με μια ενιαία μεταβατική προσομοίωση υψηλής-πιστότητας τριών διαστάσεων-που συχνά διαρκεί αρκετές ημέρες. Αυτό το υπολογιστικό εμπόδιο περιορίζει σοβαρά την επαναληπτική βελτιστοποίηση-παραθύρων διεργασίας μεγάλης κλίμακας. Εν τω μεταξύ, αν και η μηχανική μάθηση μπορεί να δημιουργήσει μια μη γραμμική αντιστοίχιση από έναν χώρο παραμέτρων διεργασίας υψηλών{14}διαστάσεων σε έναν χώρο φυσικής απόκρισης, παρακάμπτοντας τη διαδικασία διακριτοποίησης της σύνθετης μερικής διαφορικής εξίσωσης και βελτιώνοντας σημαντικά την απόδοση, η φύση του "μαύρου κουτιού" οδηγεί σε έλλειψη φυσικής ερμηνείας και ανεπαρκείς δυνατότητες γενίκευσης. Τα μοντέλα που βασίζονται σε καθαρά δεδομένα{16}, όταν αποσυνδέονται από τους περιορισμούς των νόμων διατήρησης της φυσικής κατάστασης, αγωνίζονται να εγγυηθούν την αυτο-συνέπεια των αποτελεσμάτων πρόβλεψης υπό περιορισμένες συνθήκες δεδομένων{18}}.
Επομένως, η τρέχουσα κατεύθυνση αιχμής στην αριθμητική προσομοίωση συγκόλλησης με λέιζερ δεν περιορίζεται πλέον στην επιλογή μιας μεμονωμένης υπολογιστικής μεθόδου, αλλά έχει μετατοπιστεί προς τη βαθιά ενοποίηση της μηχανικής μάθησης και του CFD. Καθιερώνοντας συζευγμένες αρχιτεκτονικές όπως αυτές που βασίζονται στην αλληλεπίδραση μνήμης (PyFluent) ή σε νευρωνικά δίκτυα-ενημερωμένα από τη φυσική (PINN), ο στόχος είναι να συνδυαστεί η ικανότητα του CFD να εξερευνά σε βάθος φυσικούς μηχανισμούς με τις αποτελεσματικές δυνατότητες σάρωσης της μηχανικής μάθησης σε ένα ευρύ φάσμα παραμέτρων. Αυτή η προσέγγιση χρησιμοποιεί τα υψηλής ποιότητας, φυσικά συνεπή δεδομένα που παρέχονται από το CFD, ενώ παράλληλα αξιοποιεί τα διαδικτυακά πλεονεκτήματα συμπερασμάτων της μηχανικής μάθησης, παρέχοντας μια συστηματική μηχανική λύση στην εγγενή σύγκρουση μεταξύ ακρίβειας και αποτελεσματικότητας στις παραδοσιακές αριθμητικές προσομοιώσεις.
02 Η ανάπτυξη της μηχανικής μάθησης στην πρόβλεψη συγκόλλησης Η ανάπτυξη της μηχανικής μάθησης στον τομέα της αριθμητικής προσομοίωσης συγκόλλησης αντικατοπτρίζει τη βαθύτερη κατανόηση των σχέσεων φυσικής- δεδομένων εντός της ακαδημαϊκής κοινότητας. Η τεχνολογική του εξέλιξη ακολουθεί κατά κύριο λόγο τρία επίπεδα, επιτυγχάνοντας σταδιακά ένα άλμα από την απλή προσαρμογή δεδομένων σε μια βαθιά ενοποίηση δεδομένων και φυσικών μηχανισμών. 2.1 Στατική παρεμβολή και γραμμική παλινδρόμηση Ως πρωταρχική στρατηγική μείωσης διαστάσεων για την εφαρμογή της μηχανικής μάθησης στην αριθμητική προσομοίωση συγκόλλησης, τα υποκατάστατα μοντέλα χρησιμοποιούν περιορισμένο σύνολο}τελικών στοιχείων υψηλής πιστότητας{4) σετ εκπαίδευσης. Χρησιμοποιούν αλγόριθμους όπως τεχνητά νευρωνικά δίκτυα (ANN) και Gaussian process regression (GPR) για να δημιουργήσουν μια λειτουργική σχέση μεταξύ των παραμέτρων της διαδικασίας εισόδου και των δεικτών ποιότητας εξόδου (όπως το βάθος συγκόλλησης και το πορώδες). Αυτή η μέθοδος είναι ουσιαστικά στατιστική παρεμβολή σε χώρο υψηλών-διαστάσεων. Αν και μπορεί να επιτύχει εξαιρετικά υψηλή απόδοση πρόβλεψης, ο πυρήνας του μοντέλου του δεν υποστηρίζεται από εξισώσεις ελέγχου θερμορευστού και παρουσιάζει ένα χαρακτηριστικό μαύρο-κουτιού. Λόγω αυτού του περιορισμού, τέτοια μοντέλα είναι κατάλληλα μόνο για πρόβλεψη αποτελεσμάτων σταθερής κατάστασης. Μόλις οι παράμετροι διεργασίας αποκλίνουν από το εύρος του κυρτού κύτους των δεδομένων εκπαίδευσης, η ακρίβεια γενίκευσής τους μειώνεται απότομα λόγω της έλλειψης φυσικών περιορισμών, καθιστώντας δύσκολη την προσαρμογή τους σε πολύπλοκες και μεταβλητές πραγματικές συνθήκες συγκόλλησης. Επιπλέον, επειδή είναι εντελώς αποκομμένα από τους περιορισμούς των νόμων διατήρησης της ενέργειας και της μάζας, υπό συνθήκες μικρού δείγματος, είναι επιρρεπείς στην παραγωγή ασυνεπών αποτελεσμάτων πρόβλεψης που παραβιάζουν τη βασική φυσική λογική, θέτοντας σοβαρό κίνδυνο εμπιστοσύνης.
2.2 Δυναμική προσομοίωση της διαδικασίας συγκόλλησης: Αντιμετωπίζοντας παροδικές αστάθειες όπως η κατάρρευση της κλειδαρότρυπας και το πιτσίλισμα στη συγκόλληση με λέιζερ, η έρευνα έχει σταδιακά μετατοπιστεί προς αρχιτεκτονικές βαθιάς μάθησης που συνδυάζουν δεδομένα φωτογραφίας υψηλής ταχύτητας και ακτινογραφίας ακτίνων Χ{{{2}. Ένα τυπικό μοντέλο συνελικτικού νευρωνικού δικτύου + μακροπρόθεσμου-δικτύου βραχυπρόθεσμης μνήμης (CNN+LSTM), εξάγοντας χωρικά χαρακτηριστικά και μοτίβα χρονικής εξέλιξης της εικόνας λιωμένης δεξαμενής, επιτυγχάνει τη δυναμική πρόβλεψη από το τέλος έως το τέλος της παροδικής συμπεριφοράς, αντισταθμίζοντας σε κάποιο βαθμό τους περιορισμούς των δυναμικών μοντέλων αντικατάστασης. Ωστόσο, αυτή η τεχνική περιορίζεται από την πληρότητα των δεδομένων παρατήρησης. ακόμη και με πολλούς αισθητήρες, τα πειραματικά δεδομένα είναι ουσιαστικά μια προβολή ή τοπική δειγματοληψία του τρισδιάστατου πεδίου ροής σε ένα δισδιάστατο επίπεδο. Χωρίς περιορισμούς από τις αρχές της μηχανικής των ρευστών, είναι δύσκολο να ανακατασκευαστεί το σύνθετο τρισδιάστατο πεδίο ροής αποκλειστικά από οπτικές πληροφορίες επιφάνειας. Ενώ τα υπάρχοντα μοντέλα μπορούν να συλλάβουν τα φαινομενολογικά χαρακτηριστικά της επιφανειακής ροής, αγωνίζονται να εξηγήσουν τους υποκείμενους μηχανισμούς σχηματισμού ελαττωμάτων συγκόλλησης από τη θεμελιώδη προοπτική της μεταφοράς ενέργειας και ορμής.
2.3 Φυσική-Ενημερωμένη παλινδρόμηση: Για να αντιμετωπιστεί η κρίση ερμηνείας των μοντέλων που βασίζονται αποκλειστικά σε δεδομένα-, έχουν προκύψει τα Ενημερωμένα Νευρωνικά Δίκτυα (PINN) της Φυσικής{{3}. Αυτή η αρχιτεκτονική δεν ταιριάζει πλέον απλώς στα παρατηρούμενα δεδομένα, αλλά αντίθετα ενσωματώνει τους υπολειπόμενους όρους των εξισώσεων Navier-Stokes και των εξισώσεων παροδικής αγωγιμότητας θερμότητας ως περιορισμούς κανονικοποίησης στη συνάρτηση απώλειας του μοντέλου. Η εκπαιδευτική διαδικασία ουσιαστικά αναζητά τη βέλτιστη λύση στον χώρο των παραμέτρων που να ταιριάζει με τα παρατηρούμενα δεδομένα και να ικανοποιεί τους νόμους φυσικής διατήρησης. Θεωρητικά, οι άκαμπτοι περιορισμοί των φυσικών εξισώσεων μπορούν να αντισταθμίσουν αποτελεσματικά τις διαστάσεις δεδομένων που λείπουν στις πειραματικές παρατηρήσεις, επιτρέποντας στο μοντέλο να συμπεράνει φυσικά συνεπείς εσωτερικές κλίσεις πίεσης και πεδία ταχύτητας στον λανθάνοντα χώρο. Ωστόσο, η πρακτική της μηχανικής δείχνει ότι αυτή η μέθοδος αντιμετωπίζει σοβαρές προκλήσεις: η διαφορά μεγέθους μεταξύ των κλίσεων δεδομένων και των φυσικών υπολειπόμενων κλίσεων μπορεί εύκολα να οδηγήσει σε δυσκολίες στη σύγκλιση δικτύου. και τα σημεία συνεγκατάστασης υψηλής-πυκνότητας που απαιτούνται για τον ακριβή υπολογισμό των παραγώγων υψηλότερης{10}παραγγελίας αυξάνουν σημαντικά το κόστος εκπαίδευσης, αντισταθμίζοντας ακόμη και τα πλεονεκτήματα απόδοσης της μηχανικής εκμάθησης σε ορισμένα μεταβατικά προβλήματα υψηλής{11}}συχνότητας.
03 Σύγκριση και Συνεργατική Προσομοίωση Μηχανικής Μάθησης και CFD: Για να διευκρινιστούν οι διαφορές στην αποτελεσματικότητα μεταξύ της μηχανικής μάθησης και της παραδοσιακής υπολογιστικής δυναμικής ρευστών (CFD) στην αριθμητική προσομοίωση της συγκόλλησης με λέιζερ και για την κατανόηση των αντίστοιχων εφαρμοζόμενων σεναρίων και των βασικών τους τιμών, διεξήχθη μια συστηματική συγκριτική ανάλυση διάστασης, computational costure resolutionscurity, computational liquidation of five ικανότητα και εφαρμόσιμα σενάρια. Αυτή η ανάλυση διευκρινίζει τα πλεονεκτήματα και τα μειονεκτήματα των δύο μεθόδων και τη συμπληρωματική τους σχέση, όπως περιγράφεται παρακάτω.
Ο παραδοσιακός συνδυασμός αριθμητικής προσομοίωσης συγκόλλησης με λέιζερ και μηχανικής μάθησης τυπικά χρησιμοποιεί μια λειτουργία εκτός σύνδεσης, όπου οι υπολογισμοί CFD και η εκπαίδευση μοντέλων εκτελούνται σε ξεχωριστά βήματα. Αυτή η διαδικασία βασίζεται στην εκτενή ανάγνωση, εγγραφή και μετατροπή μορφής μεγάλων ποσοτήτων δεδομένων στον σκληρό δίσκο, με αποτέλεσμα την αναποτελεσματική ροή δεδομένων και καθιστώντας δύσκολη την υποστήριξη-κλειστού-ελέγχου έρευνας σε πραγματικό χρόνο. Η αρχιτεκτονική σύζευξης που βασίζεται σε PyFluent-χρησιμοποιεί μια διεπαφή Python για να καλέσει τον λύτη ANSYS Fluent και χρησιμοποιεί το πρωτόκολλο gRPC για την επίτευξη άμεσης αλληλεπίδρασης μεταξύ του υπολογιστικού πυρήνα και των εξωτερικών αλγορίθμων σε επίπεδο μνήμης. Αυτή η μέθοδος σύζευξης μετατρέπει τον ανεξάρτητο λύτη CFD σε ένα υπολογιστικό αντικείμενο που μπορεί να κληθεί με σενάρια Python, επιτρέποντας στους αλγόριθμους βαθιάς μάθησης να διαβάζουν απευθείας δεδομένα πεδίου ροής και να ελέγχουν τη διαδικασία επίλυσης, παρέχοντας μια ολοκληρωμένη διαδρομή μηχανικής για τη δημιουργία σχέσεων υψηλής-διαδικασίας πιστότητας-φυσικής χαρτογράφησης πεδίων. Η συγκεκριμένη υλοποίηση αυτής της αρχιτεκτονικής περιλαμβάνει δύο βασικές πτυχές: τη δυναμική ενημέρωση παραμέτρων και την ηλεκτρονική εξαγωγή δεδομένων πεδίου ροής. Όσον αφορά τον έλεγχο παραμέτρων, αυτή η μέθοδος εγκαταλείπει τον παραδοσιακό τρόπο διακριτής δειγματοληψίας που βασίζεται σε στατικούς ορθογώνιους πίνακες (DOE). Χρησιμοποιώντας αλγόριθμους εκμάθησης Bayesian βελτιστοποίησης ή ενίσχυσης στην πλευρά της Python, το επόμενο σύνολο μεταβλητών διεργασίας όπως η ισχύς λέιζερ και η ταχύτητα συγκόλλησης υπολογίζονται αυτόματα με βάση την απόκλιση πρόβλεψης ή τη στρατηγική εξερεύνησης του τρέχοντος μοντέλου και οι οριακές συνθήκες του λύτη τροποποιούνται σε πραγματικό χρόνο μέσω της διεπαφής PyFluent. Αυτός ο μηχανισμός επιτρέπει στους υπολογιστικούς πόρους να συγκεντρώνονται σε περιοχές παραμέτρων όπου οι φυσικές αποκρίσεις αλλάζουν δραστικά ή η αβεβαιότητα πρόβλεψης είναι υψηλή, επιτρέποντας την προσαρμοστική δημιουργία σημείων δειγμάτων.
Όσον αφορά τη μεταφορά δεδομένων, χρησιμοποιήθηκε ένας μηχανισμός κοινής χρήσης μνήμης για να αντικαταστήσει την παραδοσιακή διαδικασία εξαγωγής αρχείων ASCII. Κατά τη διάρκεια της επανάληψης του χρόνου-βήματος στο Fluent, η δέσμη ενεργειών Python μπορεί να αποκτήσει απευθείας πρόσβαση στη μνήμη του λύτη μέσω της διεπαφής πεδίου δεδομένων για να εξάγει δεδομένα θερμοκρασίας, κλάσματος όγκου και πεδίου ταχύτητας της περιοχής λιωμένης δεξαμενής και να τα μετατρέψει σε πίνακες NumPy ή τανυστές για είσοδο στο νευρωνικό δίκτυο. Αυτή η ροή δεδομένων σε πραγματικό χρόνο επιτρέπει την ηλεκτρονική εκπαίδευση και την τροποποίηση του μοντέλου κατά τα διαστήματα των υπολογισμών CFD, επιτυγχάνοντας σύγχρονη λειτουργία της εξέλιξης του φυσικού πεδίου και της μοντελοποίησης βάσει δεδομένων-.
Η ενσωμάτωση του PyFluent στις ροές εργασιών μηχανικής μάθησης ενισχύει το βάθος της μοντελοποίησης προσομοίωσης, αλλά επίσης εισάγει νέες προκλήσεις υλοποίησης μηχανικής. Από τεχνική άποψη, η αλληλεπίδραση δεδομένων σε επίπεδο μνήμης- βελτιώνει την ποιότητα του δείγματος και την υπολογιστική απόδοση. Η άμεση εξαγωγή δεδομένων κινητής-σημείου από τη μνήμη του λύτη αποφεύγει τα σφάλματα περικοπής που προκαλούνται από τη μετατροπή μορφής κειμένου, διατηρώντας την αρχική υπολογιστική ακρίβεια. Αυτό είναι ζωτικής σημασίας για την καταγραφή εξαιρετικά ευαίσθητων χαρακτηριστικών, όπως οι μικρές διακυμάνσεις στον τοίχο της κλειδαρότρυπας. Επιπλέον, αυτή η αρχιτεκτονική παρέχει δυνατότητες επικύρωσης ελέγχου διεργασίας, επιτρέποντας την ενσωμάτωση της λογικής ελέγχου μεταξύ των χρονικών βημάτων προσομοίωσης για την προσομοίωση μιας διαδικασίας κλειστού-βρόχου "παρακολούθησης λιμνών τήξης - απόφαση παραμέτρου - προσαρμογής ισχύος", επαληθεύοντας έτσι τη σκοπιμότητα έξυπνων στρατηγικών ελέγχου αριθμητή συγκόλλησης στο επίπεδο.
04 Αυτή η ενότητα συνοψίζει τον ρόλο της μηχανικής μάθησης στην αριθμητική προσομοίωση της συγκόλλησης με λέιζερ, εστιάζοντας κυρίως στη μόχλευση των φυσικών μηχανισμών και της βάσης δεδομένων του παραδοσιακού CFD για την αντιμετώπιση του προβλήματος της χαμηλής υπολογιστικής απόδοσης στους υπολογισμούς πολλαπλών-φυσικών πεδίων. Η μελλοντική έρευνα θα επικεντρωθεί στην ενοποίηση της φυσικής και των δεδομένων: πρώτον, χρησιμοποιώντας τη διεπαφή PyFluent για την επίτευξη δυναμικής αλληλεπίδρασης σε επίπεδο μνήμης επίλυσης, δημιουργώντας ένα διαδικτυακό πλαίσιο σύζευξης για σύγχρονη λειτουργία μηχανικής μάθησης και CFD, αντιμετωπίζοντας έτσι τα ζητήματα της καθυστέρησης μετάδοσης δεδομένων και της έλλειψης ελέγχου κλειστού-βρόχου σε παραδοσιακές λειτουργίες εκτός σύνδεσης. Δεύτερον, εφαρμόζοντας τα νευρωνικά δίκτυα (PINN) με βάση τη φυσική-για την ενσωμάτωση εξισώσεων διατήρησης μάζας, ορμής και ενέργειας σε αλγοριθμικούς περιορισμούς, διορθώνοντας τα μειονεκτήματα των μοντέλων που βασίζονται σε καθαρά δεδομένα-που δεν έχουν φυσική συνέπεια. Μέσω αυτών των μεθόδων, ο στόχος είναι να επιτευχθεί ένας μετασχηματισμός στην αριθμητική προσομοίωση συγκόλλησης με λέιζερ από πρόβλεψη εκτός σύνδεσης σε ψηφιακή αδελφοποίηση υψηλής-πιστότητας σε πραγματικό- χρόνο.
