01 Pengenalan
Dalam analisis gandingan multifizik bagi kimpalan penembusan dalam laser, dengan tepat menerangkan-perubahan frekuensi tinggi bagi dinding lubang kunci yang didorong oleh tekanan gegelung wap logam dan mekanisme interaksi plasma teraruh foto-bergantung pada penyelesaian serentak persamaan jisim, momentum dan penjimatan tenaga. Dinamik bendalir pengiraan tradisional (CFD), walaupun mampu menangkap gelagat bendalir sementara-kesetiaan tinggi dengan membina-grid diskret berketumpatan tinggi dan algoritma langkah masa suai-, pada asasnya adalah-strategi penyelesaian daya yang kasar berdasarkan persamaan Navier-Stokes. Apabila nombor Reynolds grid domain pengiraan meningkat, kos pengiraan meningkat secara eksponen, dengan satu simulasi sementara-kesetiaan tinggi-tinggi yang sering mengambil masa beberapa hari. Halangan pengiraan ini sangat mengehadkan pengoptimuman berulang tetingkap proses{12}}besar. Sementara itu, walaupun pembelajaran mesin boleh membina pemetaan tak linear daripada ruang parameter proses{14}}berdimensi tinggi kepada ruang tindak balas fizikal, memintas proses pendiskretan persamaan pembezaan separa kompleks dan meningkatkan kecekapan dengan ketara, sifat "kotak hitam"nya membawa kepada kekurangan kebolehtafsiran fizikal dan keupayaan generalisasi yang tidak mencukupi. Model yang dipacu data-tulen, apabila dipisahkan daripada kekangan undang-undang pemuliharaan fizikal, bergelut untuk menjamin-ketekalan sendiri hasil ramalan dalam keadaan-data yang terhad.
Oleh itu, arah terkini-tepi semasa dalam simulasi berangka kimpalan laser tidak lagi terhad kepada pemilihan kaedah pengiraan tunggal, tetapi telah beralih ke arah penyepaduan mendalam pembelajaran mesin dan CFD. Dengan mewujudkan seni bina berganding seperti yang berdasarkan interaksi memori (PyFluent) atau fizik-rangkaian neural bermaklumat (PINN), matlamatnya adalah untuk menggabungkan keupayaan CFD untuk meneroka secara mendalam mekanisme fizikal dengan keupayaan pengimbasan cekap pembelajaran mesin merentas pelbagai parameter. Pendekatan ini menggunakan-kualiti tinggi, data konsisten fizikal yang disediakan oleh CFD sambil memanfaatkan kelebihan inferens dalam talian pembelajaran mesin, menyediakan penyelesaian kejuruteraan yang sistematik kepada konflik yang wujud antara ketepatan dan kecekapan dalam simulasi berangka tradisional.
02 Pembangunan Pembelajaran Mesin dalam Ramalan Kimpalan Perkembangan pembelajaran mesin dalam bidang simulasi berangka kimpalan mencerminkan pemahaman yang mendalam tentang-hubungan fizik data dalam komuniti akademik. Evolusi teknologinya terutamanya mengikut tiga peringkat, secara beransur-ansur mencapai lonjakan daripada pemadanan data mudah kepada penyepaduan mendalam data dan mekanisme fizikal. 2.1 Interpolasi Statik dan Regresi Linear Sebagai strategi pengurangan dimensi utama untuk menggunakan pembelajaran mesin kepada simulasi berangka kimpalan, model pengganti menggunakan set set hasil latihan {{4} pengiraan terhad yang terhad. Mereka menggunakan algoritma seperti rangkaian saraf tiruan (ANN) dan regresi proses Gaussian (GPR) untuk membina hubungan berfungsi antara parameter proses input dan penunjuk kualiti output (seperti kedalaman kimpalan dan keliangan). Kaedah ini pada asasnya ialah interpolasi statistik dalam-ruang dimensi tinggi. Walaupun ia boleh mencapai kecekapan ramalan yang sangat tinggi, teras modelnya tidak mempunyai sokongan persamaan kawalan termobendalir dan mempamerkan ciri-kotak hitam. Disebabkan oleh pengehadan ini, model sedemikian hanya sesuai untuk{11}}ramalan hasil keadaan mantap. Sebaik sahaja parameter proses menyimpang daripada julat badan cembung data latihan, ketepatan generalisasinya berkurangan dengan mendadak disebabkan kekurangan kekangan fizikal, menjadikannya sukar untuk menyesuaikan diri dengan keadaan kimpalan sebenar yang kompleks dan berubah-ubah. Tambahan pula, kerana mereka benar-benar terlepas daripada kekangan undang-undang pemuliharaan tenaga dan jisim, di bawah keadaan sampel yang kecil, mereka terdedah kepada mengeluarkan keputusan ramalan yang tidak konsisten yang melanggar logik fizikal asas, menimbulkan risiko keyakinan yang serius.
2.2 Simulasi Dinamik Proses Kimpalan: Menangani ketidakstabilan sementara seperti keruntuhan lubang kunci dan percikan dalam kimpalan laser, penyelidikan telah beransur-ansur beralih ke arah seni bina pembelajaran mendalam yang menggabungkan-fotografi berkelajuan tinggi dan data radiografi sinar{-X. Rangkaian neural convolutional tipikal + model rangkaian memori jangka pendek-panjang (CNN+LSTM), dengan mengekstrak ciri spatial dan corak evolusi temporal bagi imej kolam lebur, mencapai akhir-ke-ramalan dinamik kelakuan sementara, sedikit sebanyak mengimbangi pengehadan model pengganti dalam menangkap proses dinamik. Walau bagaimanapun, teknik ini dihadkan oleh kesempurnaan data pemerhatian; walaupun dengan berbilang penderia, data percubaan pada asasnya ialah unjuran atau pensampelan setempat bagi-medan aliran tiga dimensi pada satah-dua dimensi. Tanpa kekangan daripada prinsip mekanik bendalir, sukar untuk membina semula medan aliran tiga dimensi kompleks-semata-mata daripada maklumat visual permukaan. Walaupun model sedia ada boleh menangkap ciri fenomenologi aliran permukaan, mereka berjuang untuk menerangkan mekanisme asas pembentukan kecacatan kimpalan dari perspektif asas pemindahan tenaga dan momentum.
2.3 Fizik-Regression Termaklum: Untuk menangani krisis kebolehtafsiran model yang dipacu-data semata-mata, Fizik-Rangkaian Neural Bermaklumat (PINN) telah muncul. Seni bina ini tidak lagi hanya sesuai dengan data yang diperhatikan, sebaliknya membenamkan istilah baki persamaan Navier-Stokes dan persamaan pengaliran haba sementara sebagai kekangan regularisasi ke dalam fungsi kehilangan model. Proses latihan pada dasarnya mencari penyelesaian optimum dalam ruang parameter yang kedua-duanya sesuai dengan data yang diperhatikan dan memenuhi undang-undang pemuliharaan fizikal. Secara teorinya, kekangan tegar persamaan fizik boleh mengimbangi dengan berkesan dimensi data yang hilang dalam pemerhatian eksperimen, membolehkan model membuat kesimpulan kecerunan tekanan dalaman dan medan halaju yang konsisten secara fizikal dalam ruang terpendam. Walau bagaimanapun, amalan kejuruteraan menunjukkan bahawa kaedah ini menghadapi cabaran yang serius: perbezaan magnitud antara kecerunan data dan kecerunan sisa fizikal dengan mudah boleh membawa kepada kesukaran dalam penumpuan rangkaian; dan-titik kolokasi berketumpatan tinggi yang diperlukan untuk pengiraan tepat derivatif tertib-lebih tinggi dengan ketara meningkatkan kos latihan, malah mengimbangi kelebihan kecekapan pembelajaran mesin dalam beberapa-masalah sementara frekuensi tinggi.
03 Perbandingan dan Simulasi Kolaboratif Pembelajaran Mesin dan CFD: Untuk menjelaskan perbezaan keberkesanan antara pembelajaran mesin dan dinamik bendalir pengiraan tradisional (CFD) dalam simulasi berangka kimpalan laser, dan untuk memahami senario dan nilai teras yang boleh digunakan masing-masing, perbandingan sistematik telah dijalankan daripada lima dimensi teras: kebolehan pengiraan dan resolusi am, ketepatan mekanisme, ketepatan. senario. Analisis ini menjelaskan kelebihan dan kekurangan kedua-dua kaedah dan hubungan pelengkapnya, seperti yang diperincikan di bawah.
Gabungan tradisional simulasi berangka kimpalan laser dan pembelajaran mesin lazimnya menggunakan mod luar talian, di mana pengiraan CFD dan latihan model dilakukan dalam langkah yang berasingan. Proses ini bergantung pada pembacaan, penulisan dan penukaran format yang meluas bagi sejumlah besar data pada pemacu keras, mengakibatkan aliran data yang tidak cekap dan menyukarkan untuk menyokong penyelidikan kawalan gelung-masa tertutup-sebenar. Seni bina gandingan berasaskan PyFluent-menggunakan antara muka Python untuk memanggil penyelesai ANSYS Fluent dan menggunakan protokol gRPC untuk mencapai interaksi langsung antara kernel pengiraan dan algoritma luaran pada tahap memori. Kaedah gandingan ini mengubah penyelesai CFD bebas menjadi objek pengiraan yang boleh dipanggil oleh skrip Python, membenarkan algoritma pembelajaran mendalam membaca terus data medan aliran dan mengawal proses penyelesaian, menyediakan laluan kejuruteraan bersepadu untuk mewujudkan-proses kesetiaan-perhubungan pemetaan medan fizikal yang tinggi. Pelaksanaan khusus seni bina ini merangkumi dua aspek utama: pengemaskinian parameter dinamik dan pengekstrakan dalam talian data medan aliran. Dari segi kawalan parameter, kaedah ini meninggalkan mod pensampelan diskret tradisional berdasarkan tatasusunan ortogon statik (DOE). Menggunakan pengoptimuman Bayesian atau algoritma pembelajaran tetulang pada bahagian Python, set pembolehubah proses seterusnya seperti kuasa laser dan kelajuan kimpalan dikira secara automatik berdasarkan sisihan ramalan atau strategi penerokaan model semasa, dan keadaan sempadan penyelesai diubah suai dalam masa nyata melalui antara muka PyFluent. Mekanisme ini membolehkan sumber pengiraan tertumpu di kawasan parameter di mana tindak balas fizikal berubah secara drastik atau ketidakpastian ramalan adalah tinggi, membolehkan penjanaan suai titik sampel.
Dari segi pemindahan data, mekanisme perkongsian memori telah digunakan untuk menggantikan proses eksport fail ASCII tradisional. Semasa-lelaran langkah dalam Fluent, skrip Python boleh mengakses terus memori penyelesai melalui antara muka field_data untuk mengekstrak data suhu, pecahan volum dan medan halaju bagi kawasan kolam lebur dan menukarnya kepada tatasusunan atau tensor NumPy untuk input ke dalam rangkaian saraf. Aliran data masa-sebenar ini membolehkan latihan dalam talian dan pengubahsuaian model semasa selang waktu pengiraan CFD, mencapai operasi segerak evolusi medan fizikal dan pemodelan-data.
Mengintegrasikan PyFluent ke dalam aliran kerja pembelajaran mesin meningkatkan kedalaman pemodelan simulasi tetapi juga memperkenalkan cabaran pelaksanaan kejuruteraan baharu. Dari sudut teknikal, interaksi data-peringkat memori meningkatkan kualiti sampel dan kecekapan pengiraan. Mengekstrak terus data titik-apung daripada memori penyelesai mengelakkan ralat pemotongan yang disebabkan oleh penukaran format teks, mengekalkan ketepatan pengiraan asal. Ini penting untuk menangkap ciri yang sangat sensitif seperti turun naik minit pada dinding lubang kunci. Tambahan pula, seni bina ini menyediakan keupayaan pengesahan kawalan proses, membenarkan pembenaman logik kawalan antara langkah masa simulasi untuk mensimulasikan proses-gelung tertutup bagi "pemantauan kolam cair - pelarasan kuasa parameter -", dengan itu mengesahkan kebolehlaksanaan strategi kawalan kimpalan pintar pada peringkat berangka.
04 Bahagian ini meringkaskan peranan pembelajaran mesin dalam simulasi berangka kimpalan laser, terutamanya memfokuskan pada memanfaatkan mekanisme fizikal dan asas data CFD tradisional untuk menangani masalah kecekapan pengiraan yang rendah dalam pelbagai-pengiraan medan fizik. Penyelidikan masa depan akan menumpukan pada penyepaduan fizik dan data: pertama, menggunakan antara muka PyFluent untuk mencapai interaksi dinamik pada tahap memori penyelesai, mewujudkan rangka kerja gandingan dalam talian untuk operasi segerak pembelajaran mesin dan CFD, dengan itu menangani isu lag penghantaran data dan kekurangan kawalan-gelung tertutup dalam mod luar talian tradisional; kedua, menggunakan-rangkaian neural bermaklumat (PINN) fizik untuk menggabungkan persamaan jisim, momentum dan penjimatan tenaga ke dalam kekangan algoritmik, membetulkan kelemahan model dipacu data-yang tidak mempunyai konsistensi fizikal. Melalui kaedah ini, matlamatnya adalah untuk mencapai transformasi dalam simulasi berangka kimpalan laser daripada ramalan luar talian kepada-kesetiaan tinggi,-kembar digital masa nyata.
