01 Introducció
En l'anàlisi d'acoblament multifísic de la soldadura de penetració profunda làser, descriure amb precisió les fluctuacions d'alta -freqüència de la paret del forat de la clau impulsades per la pressió de retrocés de vapor metàl·lic i el mecanisme d'interacció del plasma induït foto-depèn estrictament de la solució simultània de les equacions de conservació de massa, moment i energia. La dinàmica de fluids computacional tradicional (CFD), tot i que és capaç de capturar un comportament de fluids transitoris d'alta-fidelitat mitjançant la construcció de quadrícules discretes d'alta-densitat i algorismes de pas de temps-adaptatius, és essencialment una estratègia de solució de força-bruta basada en les equacions de Navier-Stokes. A mesura que augmenta el nombre de Reynolds de la quadrícula del domini computacional, el cost computacional creix de manera exponencial, amb una única simulació transitòria tridimensional d'alta-fidelitat-de vegades triga diversos dies. Aquesta barrera computacional restringeix severament l'optimització iterativa de finestres de procés a gran-escala. Mentrestant, tot i que l'aprenentatge automàtic pot construir un mapeig no lineal des d'un espai de paràmetres de procés d'alta -dimensionalitat a un espai de resposta física, obviant el complex procés de discretització de l'equació diferencial parcial i millorant significativament l'eficiència, la seva naturalesa de "caixa negra" condueix a una manca d'interpretabilitat física i capacitats de generalització insuficients. Els models basats exclusivament en dades-, quan es desconnecten de les limitacions de les lleis de conservació física, lluiten per garantir l'auto-coherència dels resultats de predicció en condicions-d'escasses dades.
Per tant, la direcció actual d'avantguarda-en la simulació numèrica de soldadura làser ja no es limita a la selecció d'un únic mètode computacional, sinó que s'ha desplaçat cap a la integració profunda de l'aprenentatge automàtic i CFD. Mitjançant l'establiment d'arquitectures acoblades com les basades en la interacció de memòria (PyFluent) o les xarxes neuronals informades de física-(PINN), l'objectiu és combinar la capacitat del CFD per explorar en profunditat els mecanismes físics amb les capacitats d'escaneig eficients de l'aprenentatge automàtic en una àmplia gamma de paràmetres. Aquest enfocament utilitza les dades d'alta qualitat i coherents físicament proporcionades per CFD alhora que aprofita els avantatges d'inferència en línia de l'aprenentatge automàtic, proporcionant una solució d'enginyeria sistemàtica al conflicte inherent entre precisió i eficiència en les simulacions numèriques tradicionals.
02 El desenvolupament de l'aprenentatge automàtic en la predicció de soldadura El desenvolupament de l'aprenentatge automàtic en el camp de la simulació numèrica de soldadura reflecteix l'aprofundiment de la comprensió de les relacions físiques de dades- dins de la comunitat acadèmica. La seva evolució tecnològica segueix principalment tres nivells, aconseguint gradualment un salt des de l'ajust de dades simple a una integració profunda de dades i mecanismes físics. 2.1 Interpolació estàtica i regressió lineal Com a estratègia de reducció de la dimensionalitat primària per aplicar l'aprenentatge automàtic a la simulació numèrica de soldadura, els models substituts utilitzen un conjunt limitat de resultats de càlcul d'elements finits de conjunt d'alta{4}fidelitat (FEM). Utilitzen algorismes com les xarxes neuronals artificials (ANN) i la regressió del procés gaussià (GPR) per construir una relació funcional entre els paràmetres del procés d'entrada i els indicadors de qualitat de sortida (com la profunditat de la soldadura i la porositat). Aquest mètode és essencialment una interpolació estadística en un espai-de gran dimensió. Tot i que pot aconseguir una eficiència de predicció extremadament alta, el nucli del seu model no té suport per a les equacions de control de termofluids i presenta una característica de-caixa negra. A causa d'aquesta limitació, aquests models només són adequats per a la predicció de resultats en estat estacionari-. Una vegada que els paràmetres del procés es desvien del rang de casc convex de les dades d'entrenament, la seva precisió de generalització disminueix dràsticament a causa de la manca de restriccions físiques, cosa que els fa difícil adaptar-se a condicions de soldadura reals complexes i variables. A més, com que estan completament separats de les limitacions de les lleis de conservació de l'energia i la massa, en condicions de mostra reduïda, són propensos a produir resultats de predicció inconsistents que violen la lògica física bàsica, cosa que suposa un greu risc de confiança.
2.2 Simulació dinàmica del procés de soldadura: abordant les inestabilitats transitòries com el col·lapse del forat de la clau i les esquitxades a la soldadura làser, la investigació s'ha desplaçat gradualment cap a arquitectures d'aprenentatge profund que combinen fotografia d'alta-velocitat i dades de radiografia de raigs X{-. Un model típic de xarxa neuronal convolucional + xarxa de memòria a curt termini (CNN+LSTM) a llarg-, mitjançant l'extracció de característiques espacials i patrons d'evolució temporal de la imatge de la piscina fosa, aconsegueix una predicció dinàmica d'extrem a extrem del comportament transitori, compensant fins a cert punt les limitacions dels models substituts en la captura de processos dinàmics. Tanmateix, aquesta tècnica està limitada per la integritat de les dades d'observació; fins i tot amb diversos sensors, les dades experimentals són essencialment una projecció o un mostreig local del camp de flux tridimensional en un pla de dues-dimensions. Sense les limitacions dels principis de la mecànica de fluids, és difícil reconstruir el complex camp de flux-tridimensional només a partir d'informació visual superficial. Tot i que els models existents poden capturar les característiques fenomenològiques del flux superficial, lluiten per explicar els mecanismes subjacents de la formació de defectes de soldadura des de la perspectiva fonamental de la transferència d'energia i impuls.
2.3 Física-Regressió informada: per abordar la crisi d'interpretabilitat dels models basats exclusivament en dades-, han sorgit les xarxes neuronals informades de física-(PINN). Aquesta arquitectura ja no només s'ajusta a les dades observades, sinó que incorpora els termes residuals de les equacions de Navier-Stokes i les equacions de conducció de calor transitòries com a restriccions de regularització a la funció de pèrdua del model. El procés d'entrenament busca essencialment la solució òptima en l'espai de paràmetres que s'ajusti a les dades observades i compleixi les lleis de conservació física. Teòricament, les restriccions rígides de les equacions físiques poden compensar eficaçment les dimensions de dades que falten en les observacions experimentals, permetent al model inferir gradients de pressió interna i camps de velocitat físicament consistents a l'espai latent. Tanmateix, la pràctica de l'enginyeria mostra que aquest mètode s'enfronta a seriosos reptes: la diferència de magnitud entre els gradients de dades i els gradients físics residuals pot conduir fàcilment a dificultats en la convergència de la xarxa; i els punts de col·locació d'alta-densitat necessaris per al càlcul precís dels derivats-d'ordre superior augmenten significativament els costos d'entrenament, fins i tot compensant els avantatges d'eficiència de l'aprenentatge automàtic en alguns problemes transitoris d'-alta freqüència.
03 Comparació i simulació col·laborativa d'aprenentatge automàtic i CFD: per aclarir les diferències d'eficàcia entre l'aprenentatge automàtic i la dinàmica de fluids computacional tradicional (CFD) en la simulació numèrica de soldadura làser, i per entendre els seus respectius escenaris i valors bàsics aplicables, es va realitzar una anàlisi comparativa sistemàtica a partir de cinc dimensions bàsiques: cost computacional, precisió i resolució, explicació general dels mecanismes i explicació dels escenaris aplicables. Aquesta anàlisi aclareix els avantatges i els inconvenients dels dos mètodes i la seva relació complementària, tal com es detalla a continuació.
La combinació tradicional de simulació numèrica de soldadura làser i aprenentatge automàtic utilitza normalment un mode fora de línia, on els càlculs CFD i l'entrenament del model es realitzen en passos separats. Aquest procés es basa en una àmplia lectura, escriptura i conversió de formats de grans quantitats de dades al disc dur, la qual cosa provoca un flux de dades ineficient i dificulta la realització d'investigacions de control de bucle tancat-en temps real-. L'arquitectura d'acoblament basada en PyFluent-utilitza una interfície de Python per trucar al solucionador ANSYS Fluent i utilitza el protocol gRPC per aconseguir una interacció directa entre el nucli computacional i els algorismes externs a nivell de memòria. Aquest mètode d'acoblament transforma el solucionador de CFD independent en un objecte computacional que es pot cridar mitjançant scripts de Python, permetent als algorismes d'aprenentatge profund llegir directament les dades del camp de flux i controlar el procés de resolució, proporcionant una ruta d'enginyeria integrada per establir relacions de mapes de camp físic d'alta-fidelitat-. La implementació específica d'aquesta arquitectura inclou dos aspectes clau: l'actualització dinàmica de paràmetres i l'extracció en línia de dades de camp de flux. Pel que fa al control de paràmetres, aquest mètode abandona el mode de mostreig discret tradicional basat en matrius ortogonals estàtiques (DOE). Mitjançant algorismes d'optimització bayesiana o d'aprenentatge de reforç al costat de Python, el següent conjunt de variables de procés, com ara la potència del làser i la velocitat de soldadura, es calculen automàticament en funció de la desviació de predicció del model actual o l'estratègia d'exploració, i les condicions de límit del solucionador es modifiquen en temps real mitjançant la interfície PyFluent. Aquest mecanisme permet concentrar els recursos computacionals en regions de paràmetres on les respostes físiques canvien dràsticament o la incertesa de predicció és alta, permetent la generació adaptativa de punts de mostra.
Pel que fa a la transferència de dades, es va utilitzar un mecanisme de compartició de memòria per substituir el procés tradicional d'exportació de fitxers ASCII. Durant la -iteració de temps a Fluent, l'script Python pot accedir directament a la memòria del solucionador a través de la interfície field_data per extreure dades de temperatura, fracció de volum i camp de velocitat de la regió de la piscina fosa i convertir-les en matrius o tensors NumPy per introduir-los a la xarxa neuronal. Aquest-flux de dades en temps real permet l'entrenament en línia i la modificació del model durant els intervals de càlculs CFD, aconseguint un funcionament sincrònic de l'evolució del camp físic i el modelatge basat en dades-.
La integració de PyFluent als fluxos de treball d'aprenentatge automàtic millora la profunditat del modelatge de simulació, però també introdueix nous reptes d'implementació d'enginyeria. Des d'un punt de vista tècnic, la interacció de dades-a nivell de memòria millora la qualitat de la mostra i l'eficiència computacional. L'extracció directa de dades de punt-flotant de la memòria del solucionador evita errors de truncament causats per la conversió de format de text, conservant la precisió computacional original. Això és crucial per capturar característiques altament sensibles, com ara fluctuacions minúscules a la paret del forat. A més, aquesta arquitectura proporciona capacitats de validació de control de processos, que permeten integrar la lògica de control entre els passos de temps de simulació per simular un procés de bucle tancat d'ajust de potència de "monitoratge de piscina de fusió - decisió de paràmetres -", verificant així la viabilitat d'estratègies de control de soldadura intel·ligents a nivell numèric.
04 Aquesta secció resumeix el paper de l'aprenentatge automàtic en la simulació numèrica de la soldadura làser, centrant-se principalment a aprofitar els mecanismes físics i la base de dades del CFD tradicional per abordar el problema de la baixa eficiència computacional en càlculs multi-camps físics. La investigació futura se centrarà en la integració de la física i les dades: en primer lloc, utilitzar la interfície PyFluent per aconseguir una interacció dinàmica a nivell de memòria del solucionador, establint un marc d'acoblament en línia per al funcionament sincrònic d'aprenentatge automàtic i CFD, abordant així els problemes del retard de transmissió de dades i la manca de control de bucle tancat-en els modes fora de línia tradicionals; en segon lloc, aplicar xarxes neuronals informades de física-(PINN) per incorporar equacions de conservació de massa, moment i energia a les restriccions algorítmiques, corregint les deficiències dels models basats exclusivament en dades-que no tenen consistència física. Amb aquests mètodes, l'objectiu és aconseguir una transformació en la simulació numèrica de soldadura làser des de la predicció fora de línia fins a l'agermanament digital d'alta-fidelitat i-en temps real.
