01 Kirish
Lazerli chuqur penetratsion payvandlashning multifizika bogʻlanish tahlilida metall bugʻining qaytarilish bosimi taʼsirida kalit teshigi devorining yuqori-chastota tebranishlarini va foto-induktsiyalangan plazmaning oʻzaro taʼsir mexanizmini toʻgʻri tavsiflash qatʼiy ravishda bir vaqtning oʻzida bir vaqtning oʻzida hal qilinishiga, massa va energiya saqlanishiga bogʻliq boʻladi. An'anaviy hisoblash suyuqliklar dinamikasi (CFD), yuqori{4}}zichlikdagi diskret panjaralar va moslashuvchan vaqtli qadamlar algoritmlarini yaratish orqali yuqori-vaqt o'tkinchi suyuqlik xatti-harakatlarini aniqlashga qodir bo'lsa-da, asosan, NavierStok e{{7quations-ga asoslangan qo'pol{6}}kuchli yechim strategiyasidir. Hisoblash domenlari tarmog'ining Reynolds soni ortib borishi bilan hisoblash narxi eksponent ravishda oshadi, bitta yuqori{9}}aniqlikdagi uch o'lchovli vaqtinchalik simulyatsiya ko'pincha bir necha kun davom etadi. Ushbu hisoblash to'sig'i katta hajmdagi jarayon oynalarini iterativ optimallashtirishni keskin cheklaydi. Shu bilan birga, mashinani o'rganish yuqori o'lchovli jarayon parametrlari bo'shlig'idan fizik javob fazosiga nochiziqli xaritalashni yaratishi, murakkab qisman differensial tenglamani diskretlash jarayonini chetlab o'tib, samaradorlikni sezilarli darajada oshirishi mumkin bo'lsa-da, uning "qora quti" tabiati jismoniy izohlashning etishmasligi va umumlashtirish imkoniyatlarining etarli emasligiga olib keladi. Sof maʼlumotlarga asoslangan{16}modellar, fizik saqlanish qonunlari cheklovlaridan ajratilganda, maʼlumotlarning kam sharoitlarida-prognoz natijalarining oʻz-oʻzidan muvofiqligini kafolatlash uchun kurashadi.
Shu sababli, lazerli payvandlashning raqamli simulyatsiyasi{0}}ning hozirgi eng yuqori yo'nalishi endi yagona hisoblash usulini tanlash bilan cheklanib qolmaydi, balki mashinani o'rganish va CFD chuqur integratsiyasiga o'tdi. Xotiraning oʻzaro taʼsiri (PyFluent) yoki fizikaviy neyron tarmoqlar-bilan bogʻlangan arxitekturalarni yaratish orqali maqsad CFDning jismoniy mexanizmlarni chuqur oʻrganish qobiliyatini mashina oʻrganishning keng parametrlar boʻyicha samarali skanerlash imkoniyatlarini birlashtirishdir. Ushbu yondashuv CFD tomonidan taqdim etilgan yuqori-sifatli, jismonan izchil ma'lumotlardan foydalanadi va shu bilan birga, mashinani o'rganishning onlayn xulosasi afzalliklaridan foydalanadi va an'anaviy raqamli simulyatsiyalarda aniqlik va samaradorlik o'rtasidagi ziddiyatga tizimli muhandislik yechimini taqdim etadi.
02 Payvandlashni bashorat qilishda mashinani oʻrganishning rivojlanishi Payvandlashning raqamli simulyatsiyasi sohasida mashina oʻrganishning rivojlanishi akademik hamjamiyat doirasidagi maʼlumotlar-fizika munosabatlarini chuqurroq tushunishni aks ettiradi. Uning texnologik evolyutsiyasi, birinchi navbatda, oddiy ma'lumotlarni moslashtirishdan ma'lumotlar va fizik mexanizmlarning chuqur integratsiyalashuviga bosqichma-bosqich sakrashga erishadigan uchta darajadan iborat.. 2.1 Statik interpolyatsiya va chiziqli regressiya Mashinani o'rganishni payvandlashda raqamli simulyatsiyaga qo'llash uchun asosiy o'lchamlarni kamaytirish strategiyasi sifatida, surrogat modellar yuqori {4} EMfit elementidan foydalanadi (cheklangan elementdan foydalanadi)- o'quv majmuasi sifatida hisoblash natijalari. Ular kirish jarayoni parametrlari va chiqish sifati ko'rsatkichlari (payvand choki chuqurligi va g'ovaklilik kabi) o'rtasidagi funktsional munosabatni yaratish uchun sun'iy neyron tarmoqlari (ANN) va Gauss jarayon regressiyasi (GPR) kabi algoritmlardan foydalanadilar. Bu usul, asosan, yuqori o'lchamli fazoda statistik interpolyatsiyadir. U juda yuqori bashorat samaradorligiga erisha olsa-da, uning model yadrosi termosuyuqlikni boshqarish tenglamalarini qo'llab-quvvatlamaydi va qora quti xususiyatini namoyish etadi. Ushbu cheklov tufayli bunday modellar faqat barqaror{11}}holat natijalarini bashorat qilish uchun mos keladi. Jarayon parametrlari o'quv ma'lumotlarining konveks korpus diapazonidan chetga chiqqandan so'ng, ularni umumlashtirish aniqligi jismoniy cheklovlarning yo'qligi sababli keskin pasayadi, bu ularni murakkab va o'zgaruvchan haqiqiy payvandlash sharoitlariga moslashishni qiyinlashtiradi. Bundan tashqari, ular energiya va massa saqlanish qonunlarining cheklovlaridan butunlay ajralganligi sababli, kichik namunaviy sharoitlarda ular asosiy jismoniy mantiqni buzadigan, jiddiy ishonch xavfini keltirib chiqaradigan nomuvofiq bashorat natijalarini chiqarishga moyil.
2.2 Payvandlash jarayonining dinamik simulyatsiyasi: lazerli payvandlashda kalit teshigining qulashi va chayqalishi kabi vaqtinchalik beqarorliklarni bartaraf etish uchun tadqiqotlar asta-sekin yuqori{1}}fotosurat va rentgen rentgenografiyasi ma'lumotlarini birlashtirgan chuqur o'rganish arxitekturasiga o'tdi. Odatiy konvolyutsion neyron tarmoq + uzoq qisqa muddatli xotira tarmog'i (CNN+LSTM) modeli erigan hovuz tasvirining fazoviy xususiyatlari va vaqtinchalik evolyutsiya naqshlarini ajratib olish orqali vaqtinchalik xatti-harakatni yakuniy dinamik bashorat qilish-to-ga erishadi va ma'lum darajada dinamik jarayonlarning surrogat modellari cheklovlarini qoplaydi. Biroq, bu texnika kuzatuv ma'lumotlarining to'liqligi bilan cheklangan; Hatto bir nechta sensorlar bilan ham eksperimental maʼlumotlar asosan uch oʻlchovli oqim maydonining ikki oʻlchovli tekislikdagi-proyeksiyasi yoki mahalliy namunasidir. Suyuqliklar mexanikasi tamoyillari bilan cheklanmagan holda, murakkab uch o'lchovli oqim maydonini faqat sirt vizual ma'lumotlaridan-qayta qurish qiyin. Mavjud modellar sirt oqimining fenomenologik xususiyatlarini qamrab olishi mumkin bo'lsa-da, ular energiya va momentum uzatishning fundamental nuqtai nazaridan payvandlash nuqsonlari paydo bo'lishining asosiy mexanizmlarini tushuntirish uchun kurashadilar.
2.3 Fizika-Axborotlangan regressiya: Sof maʼlumotlarga asoslangan{2}}modellarning talqin qilinishi inqirozini hal qilish uchun Fizika-Axborotlangan neyron tarmoqlari (PINN) paydo boʻldi. Bu arxitektura endi kuzatilgan maʼlumotlarga mos kelmaydi, balki uning oʻrniga Navier{5}}Stokes tenglamalari va vaqtinchalik issiqlik oʻtkazuvchanlik tenglamalarining qoldiq shartlarini modelning yoʻqotish funksiyasiga tartibga solish cheklovlari sifatida kiritadi. O'quv jarayoni mohiyatan parametrlar maydonida kuzatilgan ma'lumotlarga mos keladigan va fizik saqlanish qonunlarini qondiradigan optimal echimni qidiradi. Nazariy jihatdan, fizik tenglamalarning qat'iy cheklovlari eksperimental kuzatishlarda etishmayotgan ma'lumotlar o'lchamlarini samarali ravishda qoplashi mumkin, bu esa modelga yashirin fazoda jismoniy izchil ichki bosim gradientlari va tezlik maydonlarini aniqlash imkonini beradi. Biroq, muhandislik amaliyoti shuni ko'rsatadiki, bu usul jiddiy qiyinchiliklarga duch keladi: ma'lumotlar gradientlari va jismoniy qoldiq gradientlari o'rtasidagi kattalikdagi farq tarmoq konvergentsiyasida osongina qiyinchiliklarga olib kelishi mumkin; va yuqori{9}}tartibli hosilalarni aniq hisoblash uchun zarur boʻlgan yuqori zichlikdagi joylashuv nuqtalari-oʻquv xarajatlarini sezilarli darajada oshiradi, hattoki baʼzi yuqori chastotali vaqtinchalik muammolarda mashinani oʻrganish samaradorligi afzalliklarini qoplaydi.
03 Mashinani o'rganish va CFDni taqqoslash va hamkorlikda simulyatsiya qilish: Lazerli payvandlashning raqamli simulyatsiyasida mashinani o'rganish va an'anaviy hisoblash suyuqliklari dinamikasi (CFD) o'rtasidagi samaradorlikdagi farqlarni aniqlash va ularning tegishli stsenariylari va asosiy qiymatlarini tushunish uchun tizimli qiyosiy tahlil o'tkazildi: beshta asosiy o'lchov, hisoblash mexanizmi va qayta ishlash xarajatlari. tushuntirish, umumlashtirish qobiliyati va qo'llaniladigan stsenariylar. Ushbu tahlil ikkita usulning afzalliklari va kamchiliklarini va ularning bir-birini to'ldiruvchi munosabatlarini, quyida batafsil bayon qilinganidek, aniqlaydi.
Lazerli payvandlash va mashinani o'rganishning raqamli simulyatsiyasining an'anaviy kombinatsiyasi odatda oflayn rejimdan foydalanadi, bu erda CFD hisob-kitoblari va modellarni o'qitish alohida bosqichlarda amalga oshiriladi. Bu jarayon qattiq diskdagi katta hajmdagi ma'lumotlarni keng qamrovli o'qish, yozish va formatga o'tkazishga tayanadi, bu esa samarasiz ma'lumotlar oqimiga olib keladi va haqiqiy -vaqt yopilgan tsiklni nazorat qilish-tadqiqotlarini qo'llab-quvvatlashni qiyinlashtiradi. PyFluent{4}}asosidagi ulanish arxitekturasi ANSYS Fluent hal qiluvchiga qo'ng'iroq qilish uchun Python interfeysidan foydalanadi va xotira darajasida hisoblash yadrosi va tashqi algoritmlar o'rtasida to'g'ridan-to'g'ri o'zaro ta'sirga erishish uchun gRPC protokolidan foydalanadi. Ushbu ulanish usuli mustaqil CFD hal qiluvchini Python skriptlari tomonidan chaqirilishi mumkin bo'lgan hisoblash ob'ektiga aylantiradi, bu esa chuqur o'rganish algoritmlariga oqim maydoni ma'lumotlarini to'g'ridan-to'g'ri o'qish va echish jarayonini boshqarish imkonini beradi va yuqori-aniqlik jarayoni-fizik maydon xaritalash aloqalarini o'rnatish uchun integratsiyalashgan muhandislik yo'lini taqdim etadi. Ushbu arxitekturani o'ziga xos tarzda amalga oshirish ikkita asosiy jihatni o'z ichiga oladi: dinamik parametrlarni yangilash va oqim maydoni ma'lumotlarini onlayn olish. Parametrlarni boshqarish nuqtai nazaridan, bu usul statik ortogonal massivlarga (DOE) asoslangan an'anaviy diskret namuna olish rejimidan voz kechadi. Python tomonida Bayesian optimallashtirish yoki mustahkamlashni o'rganish algoritmlaridan foydalangan holda, lazer kuchi va payvandlash tezligi kabi jarayon o'zgaruvchilarning keyingi to'plami joriy modelning bashorat qilish og'ishi yoki kashfiyot strategiyasi asosida avtomatik ravishda hisoblab chiqiladi va hal qiluvchi chegara shartlari real vaqtda PyFluent interfeysi orqali o'zgartiriladi. Ushbu mexanizm hisoblash resurslarini fizik javoblar keskin o'zgarib turadigan yoki prognoz noaniqligi yuqori bo'lgan parametr hududlarida to'planishiga imkon beradi, bu esa namuna nuqtalarini moslashuvchan yaratish imkonini beradi.
Ma'lumotlarni uzatish nuqtai nazaridan, an'anaviy ASCII fayllarni eksport qilish jarayonini almashtirish uchun xotira almashish mexanizmi ishlatilgan. Fluent-da bosqichma-bosqich iteratsiya vaqtida{1}}Python skripti eritilgan hovuz mintaqasining harorat, hajm ulushi va tezlik maydoni ma'lumotlarini olish va ularni neyron tarmoqqa kiritish uchun NumPy massivlari yoki tensorlariga aylantirish uchun field_data interfeysi orqali to'g'ridan-to'g'ri hal qiluvchi xotirasiga kirishi mumkin. Ushbu real{4}}vaqtdagi ma'lumotlar oqimi onlayn o'qitish va CFD hisob-kitoblari oralig'ida modelni o'zgartirish, jismoniy maydon evolyutsiyasi va ma'lumotlarga asoslangan modellashtirish-ning sinxron ishlashiga erishish imkonini beradi.
PyFluent-ni mashinani o'rganish bo'yicha ish oqimlariga integratsiyalash simulyatsiya modellashtirish chuqurligini oshiradi, shuningdek, muhandislikni amalga oshirishda yangi muammolarni keltirib chiqaradi. Texnik nuqtai nazardan, xotira darajasidagi maʼlumotlarning oʻzaro taʼsiri-namuna sifati va hisoblash samaradorligini oshiradi. Suzuvchi{3}}nuqta maʼlumotlarini hal qiluvchi xotirasidan toʻgʻridan-toʻgʻri chiqarish matn formatini oʻzgartirish natijasida yuzaga keladigan kesish xatolaridan qochib, dastlabki hisoblash aniqligini saqlaydi. Bu kalit teshigi devoridagi daqiqali tebranishlar kabi o'ta sezgir xususiyatlarni olish uchun juda muhimdir. Bundan tashqari, ushbu arxitektura jarayonni boshqarishni tekshirish imkoniyatlarini taqdim etadi, bu esa simulyatsiya vaqti bosqichlari orasiga boshqaruv mantigʻini kiritish imkonini beradi, bu esa “eritma hovuzi monitoringi - parametr qarorini - quvvatni sozlashning yopiq tsikli jarayonini simulyatsiya qilish imkonini beradi va shu bilan raqamli darajada payvandlashni aqlli boshqarish strategiyalarining maqsadga muvofiqligini tekshiradi.
04 Ushbu bo'lim lazerli payvandlashni raqamli simulyatsiya qilishda mashinani o'rganishning rolini umumlashtiradi, birinchi navbatda, ko'p fizika maydonlarida hisob-kitoblarda past hisoblash samaradorligi muammosini hal qilish uchun an'anaviy CFDning fizik mexanizmlari va ma'lumotlar bazasidan foydalanishga qaratilgan. Kelajakdagi tadqiqotlar fizika va ma'lumotlarning integratsiyasiga qaratiladi: birinchidan, hal qiluvchi xotira darajasida dinamik o'zaro ta'sirga erishish uchun PyFluent interfeysidan foydalanish, mashinani o'rganish va CFD sinxron ishlashi uchun onlayn ulanish asosini o'rnatish, shu bilan ma'lumotlarni uzatishning kechikishi va an'anaviy oflayn rejimlarda yopiq{3}}aylanma boshqaruvning yo'qligi masalalarini hal qilish; ikkinchidan, algoritmik cheklovlarga massa, impuls va energiyani tejash tenglamalarini kiritish uchun fizika-axborotlangan neyron tarmoqlarini (PINN) qoʻllash, jismoniy mustahkamlikdan mahrum sof maʼlumotlarga asoslangan{5}}modellarning kamchiliklarini tuzatish. Ushbu usullar yordamida lazerli payvandlashning raqamli simulyatsiyasini oflayn bashorat qilishdan yuqori-aniqlik, real{8}}vaqtdagi raqamli egizaklikka aylantirishga erishish maqsad qilingan.
