01 Introduction
Dans l'analyse de couplage multiphysique du soudage par pénétration profonde au laser, la description précise des fluctuations à haute fréquence -de la paroi du trou de serrure entraînées par la pression de recul de la vapeur métallique et le mécanisme d'interaction du plasma photo-induit dépend strictement de la solution simultanée des équations de masse, de quantité de mouvement et de conservation de l'énergie. La dynamique des fluides computationnelle (CFD) traditionnelle, bien que capable de capturer le comportement des fluides transitoires de haute-fidélité en construisant des grilles discrètes à haute-densité et des algorithmes de pas de temps adaptatifs-, est essentiellement une stratégie de solution de force brute-basée sur les équations de Navier-Stokes. À mesure que le nombre de Reynolds de la grille du domaine de calcul augmente, le coût de calcul augmente de façon exponentielle, une seule simulation transitoire tridimensionnelle haute -fidélité -prenant souvent plusieurs jours. Cette barrière informatique restreint considérablement l'optimisation itérative des fenêtres de processus à grande échelle. Pendant ce temps, bien que l'apprentissage automatique puisse construire une cartographie non linéaire à partir d'un espace de paramètres de processus de haute -dimension vers un espace de réponse physique, en contournant le processus complexe de discrétisation des équations aux dérivées partielles et en améliorant considérablement l'efficacité, sa nature de « boîte noire » conduit à un manque d'interprétabilité physique et à des capacités de généralisation insuffisantes. Les modèles purement basés sur les données, lorsqu'ils sont découplés des contraintes des lois de conservation physique, ont du mal à garantir l'auto-cohérence des résultats de prédiction dans des conditions de rareté des données.
Par conséquent, l'orientation actuelle-de pointe en matière de simulation numérique du soudage laser ne se limite plus à la sélection d'une seule méthode de calcul, mais s'oriente vers l'intégration profonde de l'apprentissage automatique et de la CFD. En établissant des architectures couplées telles que celles basées sur l'interaction mémoire (PyFluent) ou les réseaux neuronaux informés par la physique (PINN), l'objectif est de combiner la capacité du CFD à explorer en profondeur les mécanismes physiques avec les capacités d'analyse efficaces de l'apprentissage automatique sur un large éventail de paramètres. Cette approche utilise les données de haute qualité et physiquement cohérentes fournies par CFD tout en tirant parti des avantages de l'inférence en ligne de l'apprentissage automatique, fournissant une solution d'ingénierie systématique au conflit inhérent entre précision et efficacité dans les simulations numériques traditionnelles.
02 Le développement de l'apprentissage automatique dans la prévision du soudage Le développement de l'apprentissage automatique dans le domaine de la simulation numérique du soudage reflète l'approfondissement de la compréhension des relations données-physiques au sein de la communauté universitaire. Son évolution technologique suit principalement trois niveaux, passant progressivement d'un simple ajustement de données à une intégration profonde de données et de mécanismes physiques.. 2.1 Interpolation statique et régression linéaire En tant que stratégie principale de réduction de dimensionnalité pour appliquer l'apprentissage automatique à la simulation numérique du soudage, les modèles de substitution utilisent un ensemble limité de résultats de calcul d'éléments finis (FEM) haute fidélité-comme ensemble d'entraînement. Ils utilisent des algorithmes tels que les réseaux de neurones artificiels (ANN) et la régression de processus gaussienne (GPR) pour construire une relation fonctionnelle entre les paramètres de processus d'entrée et les indicateurs de qualité de sortie (tels que la profondeur et la porosité de la soudure). Cette méthode est essentiellement une interpolation statistique dans un espace de grande dimension -. Bien qu'il puisse atteindre une efficacité de prédiction extrêmement élevée, son cœur de modèle ne prend pas en charge les équations de contrôle des thermofluides et présente une caractéristique de boîte noire -. En raison de cette limitation, ces modèles ne conviennent que pour la prédiction des résultats en état stationnaire. Une fois que les paramètres du processus s'écartent de la plage d'enveloppe convexe des données d'entraînement, leur précision de généralisation diminue fortement en raison du manque de contraintes physiques, ce qui les rend difficiles à adapter aux conditions de soudage réelles complexes et variables. De plus, parce qu’ils sont complètement détachés des contraintes des lois de conservation de l’énergie et de la masse, dans des conditions d’échantillon restreint, ils ont tendance à produire des résultats de prédiction incohérents qui violent la logique physique de base, ce qui pose un risque sérieux pour la confiance.
2.2 Simulation dynamique du processus de soudage : face aux instabilités transitoires telles que l'effondrement des trous de serrure et les éclaboussures lors du soudage au laser, la recherche s'est progressivement orientée vers des architectures d'apprentissage en profondeur combinant des données de photographie à grande vitesse-et de radiographie à rayons X-. Un modèle typique de réseau neuronal convolutif + de réseau de mémoire à long terme - (CNN+LSTM), en extrayant les caractéristiques spatiales et les modèles d'évolution temporelle de l'image du bassin en fusion, permet d'obtenir une prédiction dynamique de bout en bout-à- du comportement transitoire, compensant dans une certaine mesure les limitations des modèles de substitution dans la capture des processus dynamiques. Cependant, cette technique est limitée par l’exhaustivité des données d’observation ; même avec plusieurs capteurs, les données expérimentales sont essentiellement une projection ou un échantillonnage local du champ d'écoulement tridimensionnel sur un plan bidimensionnel. Sans les contraintes des principes de la mécanique des fluides, il est difficile de reconstruire le champ d'écoulement tridimensionnel complexe uniquement à partir d'informations visuelles de surface. Bien que les modèles existants puissent capturer les caractéristiques phénoménologiques de l'écoulement de surface, ils peinent à expliquer les mécanismes sous-jacents à la formation de défauts de soudage du point de vue fondamental du transfert d'énergie et de quantité de mouvement.
2.3 Régression physique-informée : pour résoudre la crise d'interprétabilité des modèles purement-basés sur des données, des réseaux de neurones informés{{3}physiques (PINN) ont vu le jour. Cette architecture ne s'adapte plus simplement aux données observées, mais intègre à la place les termes résiduels des équations de Navier-Stokes et des équations de conduction thermique transitoire en tant que contraintes de régularisation dans la fonction de perte du modèle. Le processus de formation recherche essentiellement la solution optimale dans l’espace des paramètres qui correspond à la fois aux données observées et satisfait aux lois de conservation physique. Théoriquement, les contraintes rigides des équations physiques peuvent compenser efficacement les dimensions de données manquantes dans les observations expérimentales, permettant au modèle de déduire des gradients de pression internes et des champs de vitesse physiquement cohérents dans l'espace latent. Cependant, la pratique de l'ingénierie montre que cette méthode est confrontée à de sérieux défis : la différence d'ampleur entre les gradients de données et les gradients physiques résiduels peut facilement conduire à des difficultés de convergence du réseau ; et les points de collocation à haute densité-requis pour un calcul précis des dérivées d'ordre supérieur-augmentent considérablement les coûts de formation, compensant même les avantages d'efficacité de l'apprentissage automatique dans certains problèmes transitoires à haute fréquence-.
03 Comparaison et simulation collaborative de l'apprentissage automatique et de la CFD : Pour clarifier les différences d'efficacité entre l'apprentissage automatique et la dynamique des fluides computationnelle (CFD) traditionnelle dans la simulation numérique du soudage laser, et pour comprendre leurs scénarios applicables et leurs valeurs fondamentales respectives, une analyse comparative systématique a été menée à partir de cinq dimensions principales : le coût de calcul, la précision et la résolution, l'explication du mécanisme, la capacité de généralisation et les scénarios applicables. Cette analyse clarifie les avantages et les inconvénients des deux méthodes ainsi que leur complémentarité, comme détaillé ci-dessous.
La combinaison traditionnelle de simulation numérique du soudage laser et d'apprentissage automatique utilise généralement un mode hors ligne, dans lequel les calculs CFD et la formation du modèle sont effectués en étapes distinctes. Ce processus repose sur une lecture, une écriture et une conversion de format approfondies de grandes quantités de données sur le disque dur, ce qui entraîne un flux de données inefficace et rend difficile la prise en charge de la recherche de contrôle en boucle fermée-en temps réel-. L'architecture de couplage basée sur PyFluent-utilise une interface Python pour appeler le solveur ANSYS Fluent et utilise le protocole gRPC pour obtenir une interaction directe entre le noyau de calcul et les algorithmes externes au niveau de la mémoire. Cette méthode de couplage transforme le solveur CFD indépendant en un objet de calcul qui peut être appelé par des scripts Python, permettant aux algorithmes d'apprentissage profond de lire directement les données du champ de flux et de contrôler le processus de résolution, fournissant ainsi une voie d'ingénierie intégrée pour établir des relations de mappage de champ physique de -processus de fidélité-haute fidélité. La mise en œuvre spécifique de cette architecture comprend deux aspects clés : la mise à jour dynamique des paramètres et l'extraction en ligne des données du champ de flux. En termes de contrôle des paramètres, cette méthode abandonne le mode d'échantillonnage discret traditionnel basé sur des tableaux orthogonaux statiques (DOE). À l'aide d'algorithmes d'optimisation bayésienne ou d'apprentissage par renforcement côté Python, l'ensemble suivant de variables de processus telles que la puissance du laser et la vitesse de soudage est automatiquement calculé en fonction de l'écart de prédiction ou de la stratégie d'exploration du modèle actuel, et les conditions aux limites du solveur sont modifiées en temps réel via l'interface PyFluent. Ce mécanisme permet de concentrer les ressources informatiques dans les régions paramétriques où les réponses physiques changent radicalement ou où l'incertitude de prédiction est élevée, permettant ainsi la génération adaptative de points d'échantillonnage.
En termes de transfert de données, un mécanisme de partage de mémoire a été utilisé pour remplacer le processus traditionnel d'exportation de fichiers ASCII. Au cours de l'itération du pas de temps-dans Fluent, le script Python peut accéder directement à la mémoire du solveur via l'interface field_data pour extraire les données de température, de fraction volumique et de champ de vitesse de la région du pool fondu, et les convertir en tableaux NumPy ou en tenseurs pour les saisir dans le réseau neuronal. Ce flux de données-en temps réel permet l'entraînement en ligne et la modification du modèle pendant les intervalles de calculs CFD, permettant ainsi un fonctionnement synchrone de l'évolution du champ physique et de la modélisation basée sur les données-.
L'intégration de PyFluent dans les flux de travail d'apprentissage automatique améliore la profondeur de la modélisation de simulation, mais introduit également de nouveaux défis de mise en œuvre d'ingénierie. D'un point de vue technique, l'interaction des données au niveau de la mémoire-améliore la qualité des échantillons et l'efficacité des calculs. L'extraction directe des données à virgule flottante-de la mémoire du solveur évite les erreurs de troncature causées par la conversion du format de texte, préservant ainsi la précision de calcul d'origine. Ceci est crucial pour capturer des caractéristiques très sensibles telles que des fluctuations infimes sur le mur en trou de serrure. De plus, cette architecture fournit des capacités de validation de contrôle de processus, permettant l'intégration d'une logique de contrôle entre les pas de temps de simulation pour simuler un processus en boucle fermée-de "surveillance du pool de fusion - décision des paramètres - ajustement de la puissance", vérifiant ainsi la faisabilité de stratégies de contrôle de soudage intelligentes au niveau numérique.
04 Cette section résume le rôle de l'apprentissage automatique dans la simulation numérique du soudage laser, en se concentrant principalement sur l'exploitation des mécanismes physiques et des bases de données de la CFD traditionnelle pour résoudre le problème de la faible efficacité de calcul dans les calculs multi-domaines physiques. Les recherches futures se concentreront sur l'intégration de la physique et des données : premièrement, en utilisant l'interface PyFluent pour obtenir une interaction dynamique au niveau de la mémoire du solveur, en établissant un cadre de couplage en ligne pour le fonctionnement synchrone de l'apprentissage automatique et du CFD, résolvant ainsi les problèmes de décalage de transmission des données et de manque de contrôle en boucle fermée dans les modes hors ligne traditionnels ; deuxièmement, appliquer des réseaux de neurones informés par la physique (PINN) pour incorporer des équations de masse, de quantité de mouvement et de conservation d'énergie dans des contraintes algorithmiques, corrigeant ainsi les défauts des modèles purement basés sur des données- manquant de cohérence physique. Grâce à ces méthodes, l'objectif est de transformer la simulation numérique du soudage laser, de la prédiction hors ligne au jumelage numérique haute -fidélité -en temps réel.
