01 Einführung
In der multiphysikalischen Kopplungsanalyse des Laser-Tiefschweißens hängt die genaue Beschreibung der hochfrequenten Fluktuationen der Schlüssellochwand, die durch den Rückstoßdruck des Metalldampfs und den Wechselwirkungsmechanismus des fotoinduzierten Plasmas hervorgerufen werden, ausschließlich von der gleichzeitigen Lösung der Massen-, Impuls- und Energieerhaltungsgleichungen ab. Die traditionelle numerische Strömungsmechanik (CFD) ist zwar in der Lage, durch die Konstruktion diskreter Gitter mit hoher-Dichte und adaptiver Zeit-Schritt-Algorithmen das Verhalten transienter Flüssigkeiten mit hoher-Genauigkeit zu erfassen, ist aber im Wesentlichen eine Brute{6}}Force-Lösungsstrategie, die auf den Navier-Stokes-Gleichungen basiert. Mit zunehmender Reynolds-Zahl des Rechendomänengitters steigen die Rechenkosten exponentiell, wobei eine einzelne dreidimensionale transiente Simulation mit hoher -Wiedergabetreue oft mehrere Tage dauert. Diese Rechenbarriere schränkt die iterative Optimierung großer Prozessfenster erheblich ein. Obwohl maschinelles Lernen eine nichtlineare Abbildung von einem hoch-dimensionalen Prozessparameterraum auf einen physikalischen Antwortraum konstruieren kann, wobei der komplexe Diskretisierungsprozess der partiellen Differentialgleichung umgangen und die Effizienz erheblich verbessert wird, führt sein „Black-Box“-Charakter zu einem Mangel an physikalischer Interpretierbarkeit und unzureichenden Generalisierungsfähigkeiten. Rein datengesteuerte Modelle haben, wenn sie von den Beschränkungen physikalischer Erhaltungsgesetze entkoppelt sind, Schwierigkeiten, die Selbst-Konsistenz der Vorhersageergebnisse unter datenknappen Bedingungen zu gewährleisten.
Daher ist die derzeitige Spitzenrichtung bei der numerischen Laserschweißsimulation nicht mehr auf die Auswahl einer einzelnen Berechnungsmethode beschränkt, sondern hat sich in Richtung einer tiefen Integration von maschinellem Lernen und CFD verlagert. Durch die Etablierung gekoppelter Architekturen, beispielsweise solcher, die auf Gedächtnisinteraktion (PyFluent) oder physikinformierten neuronalen Netzen (PINNs) basieren, besteht das Ziel darin, die Fähigkeit von CFD, physikalische Mechanismen tiefgreifend zu erforschen, mit den effizienten Scanfunktionen des maschinellen Lernens über ein breites Spektrum von Parametern hinweg zu kombinieren. Dieser Ansatz nutzt die qualitativ hochwertigen, physikalisch konsistenten Daten von CFD und nutzt gleichzeitig die Online-Inferenzvorteile des maschinellen Lernens, um eine systematische technische Lösung für den inhärenten Konflikt zwischen Genauigkeit und Effizienz herkömmlicher numerischer Simulationen bereitzustellen.
02 Die Entwicklung des maschinellen Lernens in der Schweißvorhersage Die Entwicklung des maschinellen Lernens im Bereich der numerischen Schweißsimulation spiegelt das vertiefte Verständnis der daten-physikalischen Beziehungen innerhalb der akademischen Gemeinschaft wider. Seine technologische Entwicklung erfolgt hauptsächlich auf drei Ebenen und erreicht schrittweise einen Sprung von der einfachen Datenanpassung zu einer tiefen Integration von Daten und physikalischen Mechanismen. . 2.1 Statische Interpolation und lineare Regression Als primäre Strategie zur Dimensionsreduzierung für die Anwendung von maschinellem Lernen auf numerische Schweißsimulationen verwenden Ersatzmodelle einen begrenzten Satz hochgenauer Finite-Elemente-Berechnungsergebnisse (FEM) als Trainingssatz. Sie nutzen Algorithmen wie künstliche neuronale Netze (ANN) und Gaußsche Prozessregression (GPR), um eine funktionale Beziehung zwischen Eingabeprozessparametern und Ausgabequalitätsindikatoren (wie Schweißtiefe und Porosität) herzustellen. Bei dieser Methode handelt es sich im Wesentlichen um eine statistische Interpolation in einem hochdimensionalen Raum. Obwohl es eine extrem hohe Vorhersageeffizienz erreichen kann, fehlt seinem Modellkern die Unterstützung von Thermofluid-Kontrollgleichungen und er weist eine Black-{9}}-Box-Charakteristik auf. Aufgrund dieser Einschränkung eignen sich solche Modelle nur für die Vorhersage stationärer Ergebnisse. Sobald die Prozessparameter vom konvexen Hüllenbereich der Trainingsdaten abweichen, nimmt ihre Generalisierungsgenauigkeit aufgrund fehlender physikalischer Einschränkungen stark ab, was eine Anpassung an komplexe und variable tatsächliche Schweißbedingungen erschwert. Da sie außerdem völlig unabhängig von den Beschränkungen der Energie- und Massenerhaltungsgesetze sind, neigen sie unter Bedingungen kleiner Stichproben dazu, inkonsistente Vorhersageergebnisse zu liefern, die die grundlegende physikalische Logik verletzen, was ein ernstes Vertrauensrisiko darstellt.
2.2 Dynamische Simulation des Schweißprozesses: Um vorübergehende Instabilitäten wie Schlüssellochkollaps und Spritzer beim Laserschweißen anzugehen, hat sich die Forschung nach und nach auf Deep-Learning-Architekturen verlagert, die Hochgeschwindigkeitsfotografie und Röntgenradiographiedaten kombinieren. Ein typisches Convolutional Neural Network + Long Short{5}}Term Memory Network (CNN+LSTM)-Modell erreicht durch die Extraktion räumlicher Merkmale und zeitlicher Entwicklungsmuster des Bildes des geschmolzenen Pools eine durchgängige dynamische Vorhersage von transientem Verhalten und gleicht in gewissem Maße die Einschränkungen von Ersatzmodellen bei der Erfassung dynamischer Prozesse aus. Allerdings ist diese Technik durch die Vollständigkeit der Beobachtungsdaten begrenzt; Selbst bei mehreren Sensoren handelt es sich bei den experimentellen Daten im Wesentlichen um eine Projektion oder lokale Abtastung des dreidimensionalen Strömungsfelds auf eine zweidimensionale Ebene. Ohne Einschränkungen durch die Prinzipien der Strömungsmechanik ist es schwierig, das komplexe dreidimensionale Strömungsfeld ausschließlich aus visuellen Oberflächeninformationen zu rekonstruieren. Während bestehende Modelle die phänomenologischen Eigenschaften der Oberflächenströmung erfassen können, haben sie Schwierigkeiten, die zugrunde liegenden Mechanismen der Schweißfehlerbildung aus der grundlegenden Perspektive der Energie- und Impulsübertragung zu erklären.
2.3 Physik-Informierte Regression: Um die Interpretierbarkeitskrise rein daten-gesteuerter Modelle zu bewältigen, sind Physics-Informierte neuronale Netze (PINNs) entstanden. Diese Architektur passt nicht mehr einfach beobachtete Daten an, sondern bettet stattdessen die Restterme der Navier-Stokes-Gleichungen und der Gleichungen für die transiente Wärmeleitung als Regularisierungsbeschränkungen in die Verlustfunktion des Modells ein. Der Trainingsprozess sucht im Wesentlichen nach der optimalen Lösung im Parameterraum, die sowohl zu den beobachteten Daten passt als auch die physikalischen Erhaltungssätze erfüllt. Theoretisch können die starren Einschränkungen der physikalischen Gleichungen fehlende Datendimensionen in experimentellen Beobachtungen effektiv kompensieren und es dem Modell ermöglichen, physikalisch konsistente interne Druckgradienten und Geschwindigkeitsfelder im latenten Raum abzuleiten. Die technische Praxis zeigt jedoch, dass diese Methode vor großen Herausforderungen steht: Der Größenunterschied zwischen Datengradienten und physikalischen Restgradienten kann leicht zu Schwierigkeiten bei der Netzwerkkonvergenz führen; und die hoch{9}}dichten Kollokationspunkte, die für die genaue Berechnung von Ableitungen höherer -Ordnung erforderlich sind, erhöhen die Trainingskosten erheblich und machen sogar die Effizienzvorteile des maschinellen Lernens bei einigen hochfrequenten transienten Problemen zunichte.
03 Vergleich und kollaborative Simulation von maschinellem Lernen und CFD: Um die Unterschiede in der Wirksamkeit zwischen maschinellem Lernen und traditioneller numerischer Strömungsmechanik (CFD) bei der numerischen Simulation von Laserschweißen zu verdeutlichen und ihre jeweiligen anwendbaren Szenarien und Kernwerte zu verstehen, wurde eine systematische Vergleichsanalyse anhand von fünf Kerndimensionen durchgeführt: Rechenkosten, Genauigkeit und Auflösung, Mechanismuserklärung, Generalisierungsfähigkeit und anwendbare Szenarien. Diese Analyse verdeutlicht die Vor- und Nachteile der beiden Methoden und ihre komplementäre Beziehung, wie unten beschrieben.
Die traditionelle Kombination aus numerischer Simulation des Laserschweißens und maschinellem Lernen verwendet typischerweise einen Offline-Modus, bei dem CFD-Berechnungen und Modelltraining in separaten Schritten durchgeführt werden. Dieser Prozess erfordert umfangreiches Lesen, Schreiben und Formatkonvertierung großer Datenmengen auf der Festplatte, was zu einem ineffizienten Datenfluss führt und die Unterstützung von Echtzeit-Regelungsforschung mit geschlossenem Regelkreis erschwert. Die auf PyFluent- basierende Kopplungsarchitektur nutzt eine Python-Schnittstelle zum Aufrufen des ANSYS Fluent-Lösers und nutzt das gRPC-Protokoll, um eine direkte Interaktion zwischen dem Rechenkern und externen Algorithmen auf Speicherebene zu erreichen. Diese Kopplungsmethode wandelt den unabhängigen CFD-Löser in ein Rechenobjekt um, das von Python-Skripten aufgerufen werden kann. Dadurch können Deep-Learning-Algorithmen Strömungsfelddaten direkt lesen und den Lösungsprozess steuern. Dadurch wird ein integrierter Engineering-Pfad für die Erstellung von physikalischen Feldzuordnungsbeziehungen mit hoher -Fidelitätstreue- bereitgestellt. Die spezifische Implementierung dieser Architektur umfasst zwei Schlüsselaspekte: dynamische Parameteraktualisierung und Online-Extraktion von Strömungsfelddaten. In Bezug auf die Parametersteuerung verzichtet diese Methode auf den traditionellen diskreten Abtastmodus, der auf statischen orthogonalen Arrays (DOE) basiert. Mithilfe von Bayes’schen Optimierungs- oder Reinforcement-Learning-Algorithmen auf der Python-Seite werden die nächsten Prozessvariablen wie Laserleistung und Schweißgeschwindigkeit automatisch basierend auf der Vorhersageabweichung oder der Erkundungsstrategie des aktuellen Modells berechnet und die Randbedingungen des Lösers werden in Echtzeit über die PyFluent-Schnittstelle geändert. Dieser Mechanismus ermöglicht die Konzentration von Rechenressourcen auf Parameterbereiche, in denen sich physikalische Reaktionen drastisch ändern oder die Vorhersageunsicherheit hoch ist, und ermöglicht so eine adaptive Generierung von Abtastpunkten.
In Bezug auf die Datenübertragung wurde ein Speicherfreigabemechanismus verwendet, um den herkömmlichen ASCII-Dateiexportprozess zu ersetzen. Während der Zeitschrittiteration in Fluent kann das Python-Skript über die Schnittstelle „field_data“ direkt auf den Speicher des Lösers zugreifen, um Temperatur-, Volumenanteil- und Geschwindigkeitsfelddaten der Schmelzbadregion zu extrahieren und sie zur Eingabe in das neuronale Netzwerk in NumPy-Arrays oder Tensoren umzuwandeln. Dieser Echtzeit-Datenfluss ermöglicht ein Online-Training und eine Änderung des Modells während der CFD-Berechnungsintervalle, wodurch ein synchroner Betrieb der physikalischen Feldentwicklung und der datengesteuerten Modellierung erreicht wird.
Die Integration von PyFluent in Arbeitsabläufe für maschinelles Lernen erhöht die Tiefe der Simulationsmodellierung, bringt aber auch neue Herausforderungen bei der technischen Implementierung mit sich. Aus technischer Sicht verbessert die Dateninteraktion auf Speicherebene -die Probenqualität und die Recheneffizienz. Das direkte Extrahieren von Gleitkommadaten aus dem Speicher des Lösers vermeidet durch die Textformatkonvertierung verursachte Abschneidefehler und bewahrt die ursprüngliche Rechengenauigkeit. Dies ist entscheidend für die Erfassung hochempfindlicher Merkmale wie winziger Schwankungen an der Schlüssellochwand. Darüber hinaus bietet diese Architektur Funktionen zur Prozesssteuerungsvalidierung, die die Einbettung von Steuerungslogik zwischen Simulationszeitschritten ermöglichen, um einen geschlossenen -Loop-Prozess der „Schmelzbadüberwachung - Parameterentscheidung - Leistungsanpassung“ zu simulieren und so die Machbarkeit intelligenter Schweißsteuerungsstrategien auf numerischer Ebene zu überprüfen.
04 Dieser Abschnitt fasst die Rolle des maschinellen Lernens bei der numerischen Simulation des Laserschweißens zusammen und konzentriert sich dabei vor allem auf die Nutzung der physikalischen Mechanismen und Datengrundlagen der herkömmlichen CFD, um das Problem der geringen Recheneffizienz bei multiphysikalischen Feldberechnungen anzugehen. Zukünftige Forschung wird sich auf die Integration von Physik und Daten konzentrieren: Erstens wird die PyFluent-Schnittstelle verwendet, um eine dynamische Interaktion auf der Ebene des Löserspeichers zu erreichen und ein Online-Kopplungsrahmen für den synchronen Betrieb von maschinellem Lernen und CFD zu etablieren, wodurch die Probleme der Datenübertragungsverzögerung und des Mangels an geschlossener -Loop-Steuerung in herkömmlichen Offline-Modi angegangen werden; Zweitens die Anwendung physikinformierter neuronaler Netze (PINNs), um Masse-, Impuls- und Energieerhaltungsgleichungen in algorithmische Einschränkungen zu integrieren und so die Mängel rein datengesteuerter Modelle zu korrigieren, denen es an physikalischer Konsistenz mangelt. Ziel ist es, mit diesen Methoden einen Wandel in der numerischen Simulation des Laserschweißens von der Offline-Vorhersage hin zur hochpräzisen digitalen Zwillingsbildung in Echtzeit zu erreichen.
