01 परिचय
लेज़र डीप पेनेट्रेशन वेल्डिंग के मल्टीफ़िज़िक्स युग्मन विश्लेषण में, धातु वाष्प रिकॉइल दबाव द्वारा संचालित कीहोल दीवार की उच्च आवृत्ति के उतार-चढ़ाव और फोटो प्रेरित प्लाज्मा के इंटरैक्शन तंत्र का सटीक वर्णन द्रव्यमान, गति और ऊर्जा संरक्षण समीकरणों के एक साथ समाधान पर निर्भर करता है। पारंपरिक कम्प्यूटेशनल तरल गतिकी (सीएफडी), जबकि उच्च {{4} घनत्व असतत ग्रिड और अनुकूली समय {{5} स्टेपिंग एल्गोरिदम का निर्माण करके उच्च {3} निष्ठा क्षणिक द्रव व्यवहार को पकड़ने में सक्षम है, अनिवार्य रूप से नेवियर {{7} स्टोक्स समीकरणों के आधार पर एक क्रूर समाधान रणनीति है। जैसे-जैसे कम्प्यूटेशनल डोमेन ग्रिड की रेनॉल्ड्स संख्या बढ़ती है, कम्प्यूटेशनल लागत तेजी से बढ़ती है, एक एकल उच्च -निष्ठा तीन-आयामी क्षणिक सिमुलेशन में अक्सर कई दिन लग जाते हैं। यह कम्प्यूटेशनल बाधा बड़े पैमाने पर प्रक्रिया विंडो के पुनरावृत्त अनुकूलन को गंभीर रूप से प्रतिबंधित करती है। इस बीच, हालांकि मशीन लर्निंग एक उच्च आयामी प्रक्रिया पैरामीटर स्थान से भौतिक प्रतिक्रिया स्थान तक एक गैर-रेखीय मैपिंग का निर्माण कर सकता है, जटिल आंशिक अंतर समीकरण विवेकाधीन प्रक्रिया को दरकिनार कर सकता है और दक्षता में काफी सुधार कर सकता है, इसकी "ब्लैक बॉक्स" प्रकृति भौतिक व्याख्या की कमी और अपर्याप्त सामान्यीकरण क्षमताओं की ओर ले जाती है। विशुद्ध रूप से डेटा से संचालित मॉडल, जब भौतिक संरक्षण कानूनों की बाधाओं से अलग हो जाते हैं, डेटा की कमी की स्थिति में भविष्यवाणी परिणामों की स्वयं की स्थिरता की गारंटी देने के लिए संघर्ष करते हैं।
इसलिए, लेजर वेल्डिंग संख्यात्मक सिमुलेशन में वर्तमान अत्याधुनिक दिशा अब एकल कम्प्यूटेशनल विधि के चयन तक सीमित नहीं है, बल्कि मशीन लर्निंग और सीएफडी के गहन एकीकरण की ओर स्थानांतरित हो गई है। मेमोरी इंटरेक्शन (पायफ्लुएंट) या भौतिकी सूचित तंत्रिका नेटवर्क (पिनन) पर आधारित युग्मित आर्किटेक्चर की स्थापना करके, इसका उद्देश्य मापदंडों की एक विस्तृत श्रृंखला में मशीन लर्निंग की कुशल स्कैनिंग क्षमताओं के साथ भौतिक तंत्र का गहराई से पता लगाने की सीएफडी की क्षमता को संयोजित करना है। यह दृष्टिकोण मशीन लर्निंग के ऑनलाइन अनुमान लाभों का लाभ उठाते हुए सीएफडी द्वारा प्रदान किए गए उच्च गुणवत्ता, भौतिक रूप से सुसंगत डेटा का उपयोग करता है, जो पारंपरिक संख्यात्मक सिमुलेशन में सटीकता और दक्षता के बीच अंतर्निहित संघर्ष के लिए एक व्यवस्थित इंजीनियरिंग समाधान प्रदान करता है।
02 वेल्डिंग भविष्यवाणी में मशीन लर्निंग का विकास वेल्डिंग संख्यात्मक सिमुलेशन के क्षेत्र में मशीन लर्निंग का विकास अकादमिक समुदाय के भीतर डेटा -भौतिकी संबंधों की गहरी समझ को दर्शाता है। इसका तकनीकी विकास मुख्य रूप से तीन स्तरों का पालन करता है, धीरे-धीरे सरल डेटा फिटिंग से डेटा और भौतिक तंत्र के गहन एकीकरण तक छलांग लगा रहा है। स्टेटिक इंटरपोलेशन और रैखिक प्रतिगमन। वेल्डिंग संख्यात्मक सिमुलेशन के लिए मशीन सीखने को लागू करने के लिए प्राथमिक आयामी कमी रणनीति के रूप में, सरोगेट मॉडल एक प्रशिक्षण सेट के रूप में उच्च निष्ठा परिमित तत्व (एफईएम) गणना परिणामों के सीमित सेट का उपयोग करते हैं। वे इनपुट प्रक्रिया मापदंडों और आउटपुट गुणवत्ता संकेतक (जैसे वेल्ड गहराई और सरंध्रता) के बीच एक कार्यात्मक संबंध बनाने के लिए कृत्रिम तंत्रिका नेटवर्क (एएनएन) और गाऊसी प्रक्रिया प्रतिगमन (जीपीआर) जैसे एल्गोरिदम का उपयोग करते हैं। यह विधि मूलतः एक उच्च-आयामी स्थान में सांख्यिकीय प्रक्षेप है। यद्यपि यह अत्यधिक उच्च भविष्यवाणी दक्षता प्राप्त कर सकता है, इसके मॉडल कोर में थर्मोफ्लुइड नियंत्रण समीकरणों के समर्थन का अभाव है और यह एक ब्लैक - बॉक्स विशेषता प्रदर्शित करता है। इस सीमा के कारण, ऐसे मॉडल केवल स्थिर स्थिति परिणाम भविष्यवाणी के लिए उपयुक्त हैं। एक बार जब प्रक्रिया पैरामीटर प्रशिक्षण डेटा की उत्तल पतवार सीमा से विचलित हो जाते हैं, तो भौतिक बाधाओं की कमी के कारण उनकी सामान्यीकरण सटीकता तेजी से कम हो जाती है, जिससे उन्हें जटिल और परिवर्तनीय वास्तविक वेल्डिंग स्थितियों के अनुकूल होना मुश्किल हो जाता है। इसके अलावा, क्योंकि वे ऊर्जा और बड़े पैमाने पर संरक्षण कानूनों की बाधाओं से पूरी तरह से अलग हैं, छोटे नमूना स्थितियों के तहत, वे असंगत भविष्यवाणी परिणाम देने के लिए प्रवृत्त होते हैं जो बुनियादी भौतिक तर्क का उल्लंघन करते हैं, जिससे गंभीर आत्मविश्वास का खतरा पैदा होता है।
2.2 वेल्डिंग प्रक्रिया का गतिशील सिमुलेशन: लेजर वेल्डिंग में कीहोल पतन और छींटे जैसी क्षणिक अस्थिरताओं को संबोधित करते हुए, अनुसंधान धीरे-धीरे उच्च गति फोटोग्राफी और एक्स रे रेडियोग्राफी डेटा के संयोजन वाले गहन शिक्षण आर्किटेक्चर की ओर स्थानांतरित हो गया है। एक विशिष्ट कन्वेन्शनल न्यूरल नेटवर्क + लॉन्ग शॉर्ट टर्म मेमोरी नेटवर्क (CNN + LSTM) मॉडल, पिघली हुई पूल छवि की स्थानिक विशेषताओं और अस्थायी विकास पैटर्न को निकालकर, क्षणिक व्यवहार की अंत से {7} से {{8} तक की गतिशील भविष्यवाणी प्राप्त करता है, कुछ हद तक गतिशील प्रक्रियाओं को कैप्चर करने में सरोगेट मॉडल की सीमाओं की भरपाई करता है। हालाँकि, यह तकनीक अवलोकन संबंधी डेटा की पूर्णता द्वारा सीमित है; यहां तक कि कई सेंसरों के साथ भी, प्रयोगात्मक डेटा अनिवार्य रूप से दो आयामी विमान पर तीन आयामी प्रवाह क्षेत्र का एक प्रक्षेपण या स्थानीय नमूना है। द्रव यांत्रिकी सिद्धांतों की बाधाओं के बिना, केवल सतही दृश्य जानकारी से जटिल तीन आयामी प्रवाह क्षेत्र का पुनर्निर्माण करना मुश्किल है। जबकि मौजूदा मॉडल सतह प्रवाह की घटनात्मक विशेषताओं को पकड़ सकते हैं, वे ऊर्जा और गति हस्तांतरण के मौलिक परिप्रेक्ष्य से वेल्डिंग दोष गठन के अंतर्निहित तंत्र को समझाने के लिए संघर्ष करते हैं।
2.3 भौतिकी {{1} सूचित प्रतिगमन: विशुद्ध रूप से डेटा {{2} संचालित मॉडल की व्याख्यात्मकता संकट को संबोधित करने के लिए, भौतिकी {{3} सूचित तंत्रिका नेटवर्क (पिनन) उभरे हैं। यह आर्किटेक्चर अब केवल देखे गए डेटा को फिट नहीं करता है, बल्कि इसके बजाय मॉडल के नुकसान फ़ंक्शन में नियमितीकरण बाधाओं के रूप में नेवियर के अवशिष्ट शब्दों को एम्बेड करता है। प्रशिक्षण प्रक्रिया अनिवार्य रूप से पैरामीटर स्थान में इष्टतम समाधान की खोज करती है जो देखे गए डेटा में फिट बैठता है और भौतिक संरक्षण कानूनों को संतुष्ट करता है। सैद्धांतिक रूप से, भौतिक समीकरणों की कठोर बाधाएं प्रायोगिक अवलोकनों में लापता डेटा आयामों की प्रभावी ढंग से भरपाई कर सकती हैं, जिससे मॉडल को अव्यक्त स्थान में भौतिक रूप से सुसंगत आंतरिक दबाव ग्रेडिएंट और वेग क्षेत्रों का अनुमान लगाने की अनुमति मिलती है। हालाँकि, इंजीनियरिंग अभ्यास से पता चलता है कि इस पद्धति को गंभीर चुनौतियों का सामना करना पड़ता है: डेटा ग्रेडिएंट और भौतिक अवशिष्ट ग्रेडिएंट के बीच परिमाण में अंतर आसानी से नेटवर्क अभिसरण में कठिनाइयों का कारण बन सकता है; और उच्चतर ऑर्डर डेरिवेटिव की सटीक गणना के लिए आवश्यक उच्च {{9} घनत्व संयोजन बिंदु प्रशिक्षण लागत में उल्लेखनीय रूप से वृद्धि करते हैं, यहां तक कि कुछ उच्च आवृत्ति क्षणिक समस्याओं में मशीन सीखने के दक्षता लाभों की भरपाई भी करते हैं।
03 मशीन लर्निंग और सीएफडी की तुलना और सहयोगात्मक सिमुलेशन: लेजर वेल्डिंग के संख्यात्मक सिमुलेशन में मशीन लर्निंग और पारंपरिक कम्प्यूटेशनल तरल गतिशीलता (सीएफडी) के बीच प्रभावशीलता में अंतर को स्पष्ट करने के लिए, और उनके संबंधित लागू परिदृश्यों और मूल मूल्यों को समझने के लिए, पांच मुख्य आयामों से एक व्यवस्थित तुलनात्मक विश्लेषण किया गया था: कम्प्यूटेशनल लागत, सटीकता और संकल्प, तंत्र स्पष्टीकरण, सामान्यीकरण क्षमता और लागू परिदृश्य। यह विश्लेषण दो तरीकों के फायदे और नुकसान और उनके पूरक संबंधों को स्पष्ट करता है, जैसा कि नीचे बताया गया है।
लेजर वेल्डिंग और मशीन लर्निंग के संख्यात्मक सिमुलेशन का पारंपरिक संयोजन आम तौर पर एक ऑफ़लाइन मोड को नियोजित करता है, जहां सीएफडी गणना और मॉडल प्रशिक्षण अलग-अलग चरणों में किया जाता है। यह प्रक्रिया हार्ड ड्राइव पर बड़ी मात्रा में डेटा के व्यापक पढ़ने, लिखने और प्रारूप रूपांतरण पर निर्भर करती है, जिसके परिणामस्वरूप अकुशल डेटा प्रवाह होता है और वास्तविक {{1}समय बंद {{2}लूप नियंत्रण अनुसंधान का समर्थन करना मुश्किल हो जाता है। PyFluent आधारित युग्मन आर्किटेक्चर ANSYS फ़्लुएंट सॉल्वर को कॉल करने के लिए पायथन इंटरफ़ेस का उपयोग करता है, और मेमोरी स्तर पर कम्प्यूटेशनल कर्नेल और बाहरी एल्गोरिदम के बीच सीधा संपर्क प्राप्त करने के लिए gRPC प्रोटोकॉल को नियोजित करता है। यह युग्मन विधि स्वतंत्र सीएफडी सॉल्वर को एक कम्प्यूटेशनल ऑब्जेक्ट में बदल देती है जिसे पायथन स्क्रिप्ट द्वारा बुलाया जा सकता है, जो गहन शिक्षण एल्गोरिदम को प्रवाह क्षेत्र डेटा को सीधे पढ़ने और समाधान प्रक्रिया को नियंत्रित करने की अनुमति देता है, उच्च {{6}निष्ठा प्रक्रिया {{7}भौतिक क्षेत्र मानचित्रण संबंध स्थापित करने के लिए एक एकीकृत इंजीनियरिंग पथ प्रदान करता है। इस वास्तुकला के विशिष्ट कार्यान्वयन में दो प्रमुख पहलू शामिल हैं: गतिशील पैरामीटर अद्यतन करना और प्रवाह क्षेत्र डेटा का ऑनलाइन निष्कर्षण। पैरामीटर नियंत्रण के संदर्भ में, यह विधि स्थैतिक ऑर्थोगोनल एरे (डीओई) पर आधारित पारंपरिक असतत नमूनाकरण मोड को छोड़ देती है। पायथन पक्ष पर बायेसियन अनुकूलन या सुदृढीकरण सीखने के एल्गोरिदम का उपयोग करते हुए, लेजर पावर और वेल्डिंग गति जैसे प्रक्रिया चर के अगले सेट की गणना वर्तमान मॉडल की भविष्यवाणी विचलन या अन्वेषण रणनीति के आधार पर स्वचालित रूप से की जाती है, और सॉल्वर की सीमा स्थितियों को वास्तविक समय में PyFluent इंटरफ़ेस के माध्यम से संशोधित किया जाता है। यह तंत्र कम्प्यूटेशनल संसाधनों को पैरामीटर क्षेत्रों में केंद्रित करने की अनुमति देता है जहां भौतिक प्रतिक्रियाएं काफी हद तक बदलती हैं या भविष्यवाणी अनिश्चितता अधिक होती है, जिससे नमूना बिंदुओं की अनुकूली पीढ़ी सक्षम हो जाती है।
डेटा ट्रांसफर के संदर्भ में, पारंपरिक ASCII फ़ाइल निर्यात प्रक्रिया को बदलने के लिए मेमोरी शेयरिंग तंत्र का उपयोग किया गया था। फ़्लुएंट में समय {{1}चरण पुनरावृत्ति के दौरान, पायथन स्क्रिप्ट पिघले हुए पूल क्षेत्र के तापमान, वॉल्यूम अंश और वेग क्षेत्र डेटा को निकालने के लिए field_data इंटरफ़ेस के माध्यम से सीधे सॉल्वर की मेमोरी तक पहुंच सकती है, और उन्हें तंत्रिका नेटवर्क में इनपुट के लिए NumPy सरणियों या टेंसर में परिवर्तित कर सकती है। यह वास्तविक समय डेटा प्रवाह सीएफडी गणना के अंतराल के दौरान मॉडल के ऑनलाइन प्रशिक्षण और संशोधन की अनुमति देता है, जिससे भौतिक क्षेत्र विकास और डेटा संचालित मॉडलिंग के समकालिक संचालन को प्राप्त किया जा सकता है।
मशीन लर्निंग वर्कफ़्लो में PyFluent को एकीकृत करने से सिमुलेशन मॉडलिंग की गहराई बढ़ती है लेकिन नई इंजीनियरिंग कार्यान्वयन चुनौतियाँ भी सामने आती हैं। तकनीकी दृष्टिकोण से, मेमोरी स्तर पर डेटा इंटरैक्शन नमूना गुणवत्ता और कम्प्यूटेशनल दक्षता में सुधार करता है। सॉल्वर की मेमोरी से सीधे फ़्लोटिंग -पॉइंट डेटा निकालने से मूल कम्प्यूटेशनल परिशुद्धता को संरक्षित करते हुए, टेक्स्ट प्रारूप रूपांतरण के कारण होने वाली ट्रंकेशन त्रुटियों से बचा जाता है। कीहोल दीवार पर सूक्ष्म उतार-चढ़ाव जैसी अत्यधिक संवेदनशील विशेषताओं को कैप्चर करने के लिए यह महत्वपूर्ण है। इसके अलावा, यह आर्किटेक्चर प्रक्रिया नियंत्रण सत्यापन क्षमताएं प्रदान करता है, जिससे "मेल्ट पूल मॉनिटरिंग - पैरामीटर निर्णय - पावर समायोजन" की एक बंद लूप प्रक्रिया को अनुकरण करने के लिए सिमुलेशन समय चरणों के बीच नियंत्रण तर्क को एम्बेड करने की अनुमति मिलती है, जिससे संख्यात्मक स्तर पर बुद्धिमान वेल्डिंग नियंत्रण रणनीतियों की व्यवहार्यता की पुष्टि होती है।
04 यह खंड लेजर वेल्डिंग के संख्यात्मक सिमुलेशन में मशीन लर्निंग की भूमिका का सारांश देता है, जो मुख्य रूप से बहु-{1}}भौतिकी क्षेत्र गणनाओं में कम कम्प्यूटेशनल दक्षता की समस्या का समाधान करने के लिए पारंपरिक सीएफडी के भौतिक तंत्र और डेटा फाउंडेशन का लाभ उठाने पर ध्यान केंद्रित करता है। भविष्य के अनुसंधान भौतिकी और डेटा के एकीकरण पर ध्यान केंद्रित करेंगे: सबसे पहले, सॉल्वर मेमोरी स्तर पर गतिशील इंटरैक्शन प्राप्त करने के लिए PyFluent इंटरफ़ेस का उपयोग करना, मशीन लर्निंग और सीएफडी के सिंक्रोनस संचालन के लिए एक ऑनलाइन युग्मन ढांचे की स्थापना करना, जिससे पारंपरिक ऑफ़लाइन मोड में डेटा ट्रांसमिशन अंतराल और बंद {{3} लूप नियंत्रण की कमी के मुद्दों को संबोधित करना; दूसरे, एल्गोरिथम बाधाओं में द्रव्यमान, गति और ऊर्जा संरक्षण समीकरणों को शामिल करने के लिए भौतिकी सूचित तंत्रिका नेटवर्क (पिनन) को लागू करना, भौतिक स्थिरता की कमी वाले विशुद्ध रूप से डेटा संचालित मॉडल की कमियों को ठीक करना। इन तरीकों के माध्यम से, लक्ष्य लेजर वेल्डिंग संख्यात्मक सिमुलेशन में ऑफ़लाइन भविष्यवाणी से उच्च {{7}निष्ठा, वास्तविक -समय डिजिटल ट्विनिंग में परिवर्तन प्राप्त करना है।
