01 บทนำ
ในการวิเคราะห์ข้อต่อหลายฟิสิกส์ของการเชื่อมด้วยเลเซอร์เจาะลึก การอธิบายอย่างแม่นยำถึงความผันผวนของความถี่สูง-ของผนังรูกุญแจที่ขับเคลื่อนโดยความดันหดตัวของไอโลหะ และกลไกอันตรกิริยาของพลาสมาเหนี่ยวนำด้วยภาพถ่าย-นั้นขึ้นอยู่กับการแก้สมการมวล โมเมนตัม และการอนุรักษ์พลังงานไปพร้อมๆ กันอย่างเคร่งครัด พลศาสตร์ของไหลเชิงคำนวณ (CFD) แบบดั้งเดิม แม้ว่าจะสามารถจับพฤติกรรมของของไหลชั่วคราวที่มีความเที่ยงตรงสูง-โดยการสร้างกริดแยกความหนาแน่นสูง-และอัลกอริธึมการสเต็ปเวลาปรับตัว- ถือเป็นกลยุทธ์การแก้ปัญหาแบบเดรัจฉาน-ที่อิงตามสมการ Navier-Stokes เมื่อจำนวน Reynolds ของตารางโดเมนการคำนวณเพิ่มขึ้น ต้นทุนการคำนวณก็เพิ่มขึ้นอย่างมาก โดยการจำลองชั่วคราวแบบ-ความเที่ยงตรงสูงสามมิติ-มิติเดียวมักใช้เวลาหลายวัน อุปสรรคในการคำนวณนี้จำกัดการปรับให้เหมาะสมซ้ำๆ ของหน้าต่างกระบวนการขนาดใหญ่-อย่างรุนแรง ในขณะเดียวกัน แม้ว่าแมชชีนเลิร์นนิงจะสามารถสร้างการแมปแบบไม่เชิงเส้นจากพื้นที่พารามิเตอร์กระบวนการ-มิติสูงไปจนถึงพื้นที่ตอบสนองทางกายภาพ โดยข้ามกระบวนการแยกสมการเชิงอนุพันธ์ย่อยที่ซับซ้อนและปรับปรุงประสิทธิภาพอย่างมีนัยสำคัญ แต่ธรรมชาติของ "กล่องดำ" ของมันทำให้ขาดความสามารถในการตีความทางกายภาพและความสามารถในการสรุปข้อมูลทั่วไปไม่เพียงพอ โมเดลที่ขับเคลื่อนด้วยข้อมูลล้วนๆ เมื่อแยกออกจากข้อจำกัดของกฎหมายอนุรักษ์ทางกายภาพ จะต้องดิ้นรนเพื่อรับประกันความสอดคล้องของผลการทำนาย-ในตัวเองภายใต้สภาวะที่มีข้อมูลไม่เพียงพอ
ดังนั้น ทิศทางการตัด-ในปัจจุบันในการจำลองเชิงตัวเลขของการเชื่อมด้วยเลเซอร์ไม่ได้จำกัดอยู่เพียงการเลือกวิธีคำนวณเพียงอย่างเดียวอีกต่อไป แต่ได้เปลี่ยนไปสู่การบูรณาการเชิงลึกของการเรียนรู้ของเครื่องและ CFD ด้วยการสร้างสถาปัตยกรรมคู่กัน เช่น สถาปัตยกรรมที่อิงตามการโต้ตอบของหน่วยความจำ (PyFluent) หรือฟิสิกส์-โครงข่ายประสาทเทียม (PINN) ที่ได้รับแจ้ง จุดมุ่งหมายคือการรวมความสามารถของ CFD ในการสำรวจกลไกทางกายภาพเชิงลึกเข้ากับความสามารถในการสแกนที่มีประสิทธิภาพของการเรียนรู้ของเครื่องผ่านพารามิเตอร์ที่หลากหลาย แนวทางนี้ใช้-ข้อมูลคุณภาพสูงและมีความสอดคล้องทางกายภาพที่ได้รับจาก CFD ในขณะเดียวกันก็ใช้ประโยชน์จากข้อดีของการอนุมานออนไลน์ของการเรียนรู้ของเครื่อง โดยมอบโซลูชันทางวิศวกรรมที่เป็นระบบเพื่อขจัดข้อขัดแย้งโดยธรรมชาติระหว่างความแม่นยำและประสิทธิภาพในการจำลองเชิงตัวเลขแบบดั้งเดิม
02 การพัฒนาแมชชีนเลิร์นนิงในการทำนายการเชื่อม การพัฒนาแมชชีนเลิร์นนิงในด้านการจำลองเชิงตัวเลขในการเชื่อมสะท้อนถึงความเข้าใจที่ลึกซึ้งยิ่งขึ้นเกี่ยวกับข้อมูล-ความสัมพันธ์ทางฟิสิกส์ภายในชุมชนวิชาการ วิวัฒนาการทางเทคโนโลยีโดยพื้นฐานแล้วมีสามระดับ โดยค่อยๆ บรรลุการก้าวกระโดดจากการปรับข้อมูลอย่างง่ายไปสู่การบูรณาการเชิงลึกของข้อมูลและกลไกทางกายภาพ. 2.1 การประมาณค่าแบบคงที่และการถดถอยเชิงเส้น เนื่องจากเป็นกลยุทธ์การลดขนาดหลักสำหรับการประยุกต์ใช้การเรียนรู้ของเครื่องในการเชื่อมการจำลองเชิงตัวเลข แบบจำลองตัวแทนจะใช้ชุดที่จำกัดของผลการคำนวณองค์ประกอบจำกัดความเที่ยงตรงสูง (FEM) - เป็นชุดการฝึก พวกเขาใช้อัลกอริธึม เช่น โครงข่ายประสาทเทียม (ANN) และการถดถอยกระบวนการแบบเกาส์เซียน (GPR) เพื่อสร้างความสัมพันธ์เชิงฟังก์ชันระหว่างพารามิเตอร์กระบวนการอินพุตและตัวบ่งชี้คุณภาพเอาต์พุต (เช่น ความลึกของการเชื่อมและความพรุน) วิธีนี้เป็นการแก้ไขเชิงสถิติในพื้นที่สูง- แม้ว่าจะสามารถบรรลุประสิทธิภาพในการทำนายที่สูงมาก แต่แกนแบบจำลองของมันยังขาดการสนับสนุนของสมการควบคุมเทอร์โมฟลูอิด และแสดงคุณลักษณะกล่องดำ- เนื่องจากข้อจำกัดนี้ โมเดลดังกล่าวจึงเหมาะสำหรับการทำนายผลลัพธ์ที่มีสถานะคงที่เท่านั้น เมื่อพารามิเตอร์กระบวนการเบี่ยงเบนไปจากช่วงตัวถังนูนของข้อมูลการฝึก ความแม่นยำในการสรุปโดยทั่วไปจะลดลงอย่างรวดเร็วเนื่องจากไม่มีข้อจำกัดทางกายภาพ ทำให้ยากต่อการปรับให้เข้ากับสภาวะการเชื่อมจริงที่ซับซ้อนและแปรผัน นอกจากนี้ เนื่องจากไม่ได้แยกจากข้อจำกัดของกฎหมายการอนุรักษ์พลังงานและมวลโดยสิ้นเชิง ภายใต้เงื่อนไขตัวอย่างขนาดเล็ก จึงมีแนวโน้มที่จะให้ผลลัพธ์การทำนายที่ไม่สอดคล้องกัน ซึ่งเป็นการละเมิดตรรกะทางกายภาพพื้นฐาน ทำให้เกิดความเสี่ยงต่อความเชื่อมั่นอย่างรุนแรง
2.2 การจำลองแบบไดนามิกของกระบวนการเชื่อม: ในการจัดการกับความไม่เสถียรชั่วคราว เช่น การยุบตัวของรูกุญแจและการกระเด็นในการเชื่อมด้วยเลเซอร์ การวิจัยได้ค่อยๆ เปลี่ยนไปสู่สถาปัตยกรรมการเรียนรู้เชิงลึกที่รวม-การถ่ายภาพความเร็วสูงและข้อมูลการถ่ายภาพรังสีเอกซ์- โครงข่ายประสาทเทียมแบบหมุนทั่วไป + โมเดลเครือข่ายหน่วยความจำระยะสั้น-ยาว (CNN+LSTM) โดยการดึงลักษณะเชิงพื้นที่และรูปแบบวิวัฒนาการชั่วคราวของภาพพูลหลอมเหลว บรรลุผลสำเร็จในการทำนายพฤติกรรมชั่วคราวตั้งแต่ต้นจนจบ-ถึง- เป็นการชดเชยข้อจำกัดของแบบจำลองตัวแทนในการจับภาพกระบวนการแบบไดนามิกในระดับหนึ่ง อย่างไรก็ตาม เทคนิคนี้ถูกจำกัดด้วยความสมบูรณ์ของข้อมูลเชิงสังเกต แม้จะมีเซ็นเซอร์หลายตัว ข้อมูลการทดลองโดยพื้นฐานแล้วก็คือการฉายภาพหรือการสุ่มตัวอย่างเฉพาะที่ของสนามการไหลสามมิติบนระนาบสอง-มิติ หากไม่มีข้อจำกัดจากหลักกลศาสตร์ของไหล เป็นการยากที่จะสร้างสนามการไหลสามมิติที่ซับซ้อนขึ้นใหม่โดยใช้ข้อมูลภาพพื้นผิวเพียงอย่างเดียว แม้ว่าแบบจำลองที่มีอยู่จะสามารถจับลักษณะทางปรากฏการณ์วิทยาของการไหลของพื้นผิวได้ แต่ก็พยายามอธิบายกลไกพื้นฐานของการก่อตัวของข้อบกพร่องในการเชื่อมจากมุมมองพื้นฐานของการถ่ายโอนพลังงานและโมเมนตัม
2.3 ฟิสิกส์-Informed Regression: เพื่อแก้ไขวิกฤตความสามารถในการตีความของแบบจำลองที่ขับเคลื่อนด้วยข้อมูลเพียงอย่างเดียว- ฟิสิกส์-Informed Neural Networks (PINN) ได้ถือกำเนิดขึ้น สถาปัตยกรรมนี้ไม่เพียงแค่เหมาะกับข้อมูลที่สังเกตได้อีกต่อไป แต่ฝังเงื่อนไขที่เหลือของสมการเนเวียร์-สโตกส์และสมการการนำความร้อนชั่วคราวไว้แทน ซึ่งเป็นข้อจำกัดการทำให้เป็นมาตรฐานในฟังก์ชันการสูญเสียของแบบจำลอง กระบวนการฝึกอบรมจะค้นหาวิธีแก้ปัญหาที่เหมาะสมที่สุดในพื้นที่พารามิเตอร์ที่เหมาะสมกับข้อมูลที่สังเกตได้และเป็นไปตามกฎการอนุรักษ์ทางกายภาพ ตามทฤษฎี ข้อจำกัดที่เข้มงวดของสมการทางกายภาพสามารถชดเชยมิติข้อมูลที่ขาดหายไปในการสังเกตการทดลองได้อย่างมีประสิทธิภาพ ช่วยให้แบบจำลองสามารถสรุปความสอดคล้องทางกายภาพของการไล่ระดับความดันภายในและสนามความเร็วในพื้นที่แฝง อย่างไรก็ตาม การปฏิบัติงานด้านวิศวกรรมแสดงให้เห็นว่าวิธีนี้เผชิญกับความท้าทายร้ายแรง: ความแตกต่างในขนาดระหว่างการไล่ระดับข้อมูลและการไล่ระดับที่เหลือทางกายภาพสามารถนำไปสู่ปัญหาในการบรรจบกันของเครือข่ายได้อย่างง่ายดาย และจุดการจัดระเบียบที่มีความหนาแน่นสูง-ซึ่งจำเป็นสำหรับการคำนวณที่แม่นยำของอนุพันธ์ลำดับที่สูงกว่า- จะทำให้ต้นทุนการฝึกอบรมเพิ่มขึ้นอย่างมาก แม้จะชดเชยข้อได้เปรียบด้านประสิทธิภาพของการเรียนรู้ของเครื่องในปัญหา- ความถี่สูงชั่วคราวบางปัญหาก็ตาม
03 การเปรียบเทียบและการจำลองการทำงานร่วมกันของการเรียนรู้ของเครื่องและ CFD: เพื่อชี้แจงความแตกต่างในประสิทธิผลระหว่างการเรียนรู้ของเครื่องและพลศาสตร์ของไหลเชิงคำนวณ (CFD) แบบดั้งเดิมในการจำลองเชิงตัวเลขของการเชื่อมด้วยเลเซอร์ และเพื่อทำความเข้าใจสถานการณ์ที่เกี่ยวข้องและค่าหลักที่เกี่ยวข้อง การวิเคราะห์เปรียบเทียบอย่างเป็นระบบได้ดำเนินการจากห้ามิติหลัก: ต้นทุนการคำนวณ ความแม่นยำและความละเอียด คำอธิบายกลไก ความสามารถในการวางนัยทั่วไป และสถานการณ์ที่เกี่ยวข้อง การวิเคราะห์นี้ให้ความกระจ่างถึงข้อดีและข้อเสียของทั้งสองวิธีและความสัมพันธ์ที่เสริมกันดังรายละเอียดด้านล่าง
การผสมผสานแบบดั้งเดิมของการจำลองเชิงตัวเลขของการเชื่อมด้วยเลเซอร์และการเรียนรู้ของเครื่องจักร โดยทั่วไปจะใช้โหมดออฟไลน์ ซึ่งการคำนวณ CFD และการฝึกโมเดลจะดำเนินการในขั้นตอนที่แยกจากกัน กระบวนการนี้อาศัยการอ่าน การเขียน และการแปลงรูปแบบข้อมูลจำนวนมากในฮาร์ดไดรฟ์ ส่งผลให้กระแสข้อมูลไม่มีประสิทธิภาพ และทำให้ยากต่อการสนับสนุนการวิจัยการควบคุมลูป-แบบเรียลไทม์แบบปิด- สถาปัตยกรรมการเชื่อมต่อที่ใช้ PyFluent- ใช้อินเทอร์เฟซ Python เพื่อเรียกใช้โปรแกรมแก้ปัญหา ANSYS Fluent และใช้โปรโตคอล gRPC เพื่อให้เกิดการโต้ตอบโดยตรงระหว่างเคอร์เนลการคำนวณและอัลกอริธึมภายนอกที่ระดับหน่วยความจำ วิธีการเชื่อมต่อนี้แปลงตัวแก้ปัญหา CFD อิสระให้เป็นออบเจ็กต์การคำนวณที่สามารถเรียกใช้โดยสคริปต์ Python ได้ ช่วยให้อัลกอริธึมการเรียนรู้เชิงลึกสามารถอ่านข้อมูลฟิลด์โฟลว์ได้โดยตรงและควบคุมกระบวนการแก้ไข โดยให้เส้นทางทางวิศวกรรมแบบบูรณาการสำหรับการสร้างความสัมพันธ์ในการแมปฟิลด์ทางกายภาพ-กระบวนการที่มีความเที่ยงตรงสูง- การใช้งานสถาปัตยกรรมนี้โดยเฉพาะประกอบด้วยสองประเด็นหลัก: การอัปเดตพารามิเตอร์แบบไดนามิกและการดึงข้อมูลฟิลด์โฟลว์แบบออนไลน์ ในแง่ของการควบคุมพารามิเตอร์ วิธีการนี้จะละทิ้งโหมดการสุ่มตัวอย่างแบบไม่ต่อเนื่องแบบเดิมๆ โดยยึดตามอาร์เรย์ตั้งฉากแบบคงที่ (DOE) การใช้อัลกอริธึมการเรียนรู้การเพิ่มประสิทธิภาพแบบเบย์หรือการเสริมกำลังทางฝั่ง Python ชุดตัวแปรกระบวนการถัดไป เช่น กำลังเลเซอร์และความเร็วในการเชื่อม จะได้รับการคำนวณโดยอัตโนมัติตามค่าเบี่ยงเบนการคาดการณ์หรือกลยุทธ์การสำรวจของโมเดลปัจจุบัน และเงื่อนไขขอบเขตของตัวแก้ปัญหาได้รับการแก้ไขแบบเรียลไทม์ผ่านอินเทอร์เฟซ PyFluent กลไกนี้ช่วยให้ทรัพยากรการคำนวณกระจุกตัวอยู่ในภูมิภาคพารามิเตอร์ที่การตอบสนองทางกายภาพเปลี่ยนแปลงไปอย่างมาก หรือมีความไม่แน่นอนในการทำนายสูง ทำให้สามารถสร้างจุดตัวอย่างที่ปรับเปลี่ยนได้
ในแง่ของการถ่ายโอนข้อมูล มีการใช้กลไกการแบ่งปันหน่วยความจำเพื่อแทนที่กระบวนการส่งออกไฟล์ ASCII แบบเดิม ในช่วงเวลา-การวนซ้ำขั้นตอนใน Fluent สคริปต์ Python สามารถเข้าถึงหน่วยความจำของตัวแก้ปัญหาได้โดยตรงผ่านอินเทอร์เฟซ field_data เพื่อแยกข้อมูลอุณหภูมิ เศษส่วนของปริมาตร และข้อมูลความเร็วของบริเวณพูลหลอมเหลว และแปลงเป็นอาร์เรย์ NumPy หรือเทนเซอร์สำหรับอินพุตในโครงข่ายประสาทเทียม การไหลของข้อมูลแบบเรียลไทม์-นี้ช่วยให้สามารถฝึกอบรมออนไลน์และแก้ไขแบบจำลองในระหว่างช่วงเวลาของการคำนวณ CFD ทำให้เกิดการดำเนินการซิงโครนัสของวิวัฒนาการสนามจริงและการสร้างแบบจำลองที่ขับเคลื่อนด้วยข้อมูล-
การรวม PyFluent เข้ากับเวิร์กโฟลว์แมชชีนเลิร์นนิงช่วยเพิ่มความลึกของการสร้างแบบจำลองการจำลอง แต่ยังทำให้เกิดความท้าทายในการใช้งานทางวิศวกรรมใหม่ๆ อีกด้วย จากมุมมองทางเทคนิค การโต้ตอบกับข้อมูลระดับหน่วยความจำ-ช่วยปรับปรุงคุณภาพตัวอย่างและประสิทธิภาพในการคำนวณ การแยกข้อมูลจุดลอยตัว-โดยตรงจากหน่วยความจำของตัวแก้ปัญหาจะหลีกเลี่ยงข้อผิดพลาดในการตัดทอนที่เกิดจากการแปลงรูปแบบข้อความ โดยคงความแม่นยำในการคำนวณดั้งเดิมไว้ นี่เป็นสิ่งสำคัญสำหรับการบันทึกคุณลักษณะที่มีความละเอียดอ่อนสูง เช่น ความผันผวนเล็กน้อยบนผนังรูกุญแจ นอกจากนี้ สถาปัตยกรรมนี้ยังให้ความสามารถในการตรวจสอบความถูกต้องของการควบคุมกระบวนการ ซึ่งช่วยให้สามารถฝังตรรกะการควบคุมระหว่างขั้นตอนเวลาการจำลองเพื่อจำลองกระบวนการ-ลูปปิดของ "การตรวจสอบบ่อหลอมเหลว - การตัดสินใจพารามิเตอร์ - การปรับกำลัง" ดังนั้นจึงตรวจสอบความเป็นไปได้ของกลยุทธ์การควบคุมการเชื่อมอัจฉริยะในระดับตัวเลข
04 ในส่วนนี้จะสรุปบทบาทของการเรียนรู้ของเครื่องในการจำลองเชิงตัวเลขของการเชื่อมด้วยเลเซอร์ โดยมุ่งเน้นไปที่การใช้ประโยชน์จากกลไกทางกายภาพและรากฐานข้อมูลของ CFD แบบดั้งเดิมเป็นหลัก เพื่อแก้ไขปัญหาประสิทธิภาพการคำนวณต่ำในการคำนวณหลาย-สนามฟิสิกส์ การวิจัยในอนาคตจะมุ่งเน้นไปที่การบูรณาการฟิสิกส์และข้อมูล: ประการแรก การใช้อินเทอร์เฟซ PyFluent เพื่อให้เกิดการโต้ตอบแบบไดนามิกที่ระดับหน่วยความจำของโซลเวอร์ การสร้างเฟรมเวิร์กการเชื่อมต่อแบบออนไลน์สำหรับการทำงานแบบซิงโครนัสของแมชชีนเลิร์นนิงและ CFD ดังนั้นจึงแก้ไขปัญหาความล่าช้าในการส่งข้อมูลและการขาดการควบคุม-ลูปแบบปิดในโหมดออฟไลน์แบบดั้งเดิม ประการที่สอง การใช้ฟิสิกส์-โครงข่ายประสาทเทียม (PINN) เพื่อรวมมวล โมเมนตัม และสมการการอนุรักษ์พลังงานเข้ากับข้อจำกัดของอัลกอริทึม การแก้ไขข้อบกพร่องของแบบจำลองที่ขับเคลื่อนด้วยข้อมูลล้วนๆ- ที่ขาดความสอดคล้องทางกายภาพ ด้วยวิธีการเหล่านี้ เป้าหมายคือการบรรลุการเปลี่ยนแปลงในการจำลองเชิงตัวเลขของการเชื่อมด้วยเลเซอร์ จากการทำนายแบบออฟไลน์ไปสู่การจับคู่ทางดิจิทัลที่มีความเที่ยงตรงสูง- แบบเรียลไทม์
