01 Giới thiệu
Trong phân tích ghép nối đa vật lý của hàn xuyên sâu bằng laser, việc mô tả chính xác sự dao động tần số-cao của thành lỗ khóa do áp suất giật của hơi kim loại và cơ chế tương tác của plasma cảm ứng-phụ thuộc hoàn toàn vào nghiệm đồng thời của các phương trình bảo toàn khối lượng, động lượng và năng lượng. Động lực học chất lỏng tính toán truyền thống (CFD), trong khi có khả năng nắm bắt hành vi chất lỏng nhất thời có độ chính xác cao-bằng cách xây dựng các lưới rời rạc mật độ-cao và các thuật toán bước-thích ứng theo thời gian, thì về cơ bản lại là một chiến lược giải pháp cưỡng bức-dựa trên các phương trình Navier-Stokes. Khi số Reynolds của lưới miền tính toán tăng lên, chi phí tính toán cũng tăng theo cấp số nhân, với một lần mô phỏng nhất thời ba chiều có độ chính xác cao và thường mất vài ngày. Rào cản tính toán này hạn chế nghiêm trọng việc tối ưu hóa lặp lại của các cửa sổ quy trình quy mô lớn. Trong khi đó, mặc dù học máy có thể xây dựng ánh xạ phi tuyến từ không gian tham số quy trình{14}}nhiều chiều đến không gian phản hồi vật lý, bỏ qua quá trình rời rạc hóa phương trình vi phân từng phần phức tạp và cải thiện đáng kể hiệu quả, nhưng bản chất "hộp đen" của nó dẫn đến thiếu khả năng diễn giải vật lý và không đủ khả năng khái quát hóa. Các mô hình-theo hướng dữ liệu thuần túy, khi được tách khỏi các ràng buộc của định luật bảo toàn vật lý, sẽ gặp khó khăn trong việc đảm bảo tính-tính nhất quán của các kết quả dự đoán trong điều kiện khan hiếm dữ liệu.
Do đó, hướng tiên tiến hiện tại trong mô phỏng số hàn laser không còn bị giới hạn ở việc lựa chọn một phương pháp tính toán duy nhất mà đã chuyển sang tích hợp sâu giữa học máy và CFD. Bằng cách thiết lập các kiến trúc kết hợp chẳng hạn như các kiến trúc dựa trên tương tác bộ nhớ (PyFluent) hoặc mạng thần kinh thông tin vật lý-(PINN), mục đích là kết hợp khả năng của CFD để khám phá sâu các cơ chế vật lý với khả năng quét hiệu quả của máy học trên nhiều tham số. Cách tiếp cận này sử dụng dữ liệu chất lượng cao, nhất quán về mặt vật lý do CFD cung cấp, đồng thời tận dụng các lợi thế suy luận trực tuyến của học máy, cung cấp giải pháp kỹ thuật có hệ thống cho xung đột vốn có giữa độ chính xác và hiệu quả trong mô phỏng số truyền thống.
02 Sự phát triển của học máy trong dự đoán hàn Sự phát triển của học máy trong lĩnh vực mô phỏng số hàn phản ánh sự hiểu biết sâu sắc hơn về các mối quan hệ vật lý-dữ liệu trong cộng đồng học thuật. Sự phát triển công nghệ của nó chủ yếu tuân theo ba cấp độ, dần dần đạt được bước nhảy vọt từ khớp dữ liệu đơn giản đến tích hợp sâu các cơ chế vật lý và dữ liệu. 2.1 Nội suy tĩnh và hồi quy tuyến tính Là một chiến lược giảm kích thước cơ bản để áp dụng công nghệ học máy vào mô phỏng số hàn, các mô hình thay thế sử dụng một tập hợp giới hạn các kết quả tính toán phần tử hữu hạn (FEM) có độ chính xác cao- làm tập huấn luyện. Họ sử dụng các thuật toán như mạng thần kinh nhân tạo (ANN) và hồi quy quy trình Gaussian (GPR) để xây dựng mối quan hệ chức năng giữa các tham số quy trình đầu vào và các chỉ số chất lượng đầu ra (chẳng hạn như độ sâu mối hàn và độ xốp). Phương pháp này về cơ bản là phép nội suy thống kê trong không gian-nhiều chiều. Mặc dù nó có thể đạt được hiệu quả dự đoán cực cao nhưng lõi mô hình của nó thiếu sự hỗ trợ của các phương trình điều khiển chất lỏng nhiệt và thể hiện đặc tính hộp đen. Do hạn chế này, những mô hình như vậy chỉ phù hợp để dự đoán kết quả ở trạng thái ổn định. Khi các tham số quy trình lệch khỏi phạm vi vỏ lồi của dữ liệu huấn luyện, độ chính xác tổng quát của chúng sẽ giảm mạnh do thiếu các ràng buộc vật lý, khiến chúng khó thích ứng với các điều kiện hàn thực tế phức tạp và thay đổi. Hơn nữa, vì chúng hoàn toàn tách khỏi các ràng buộc của định luật bảo toàn năng lượng và khối lượng, trong điều kiện mẫu nhỏ, chúng có xu hướng đưa ra các kết quả dự đoán không nhất quán, vi phạm logic vật lý cơ bản, gây ra rủi ro nghiêm trọng về độ tin cậy.
2.2 Mô phỏng động của quy trình hàn: Để giải quyết các vấn đề mất ổn định nhất thời như sập lỗ khóa và bắn tung tóe trong hàn laze, nghiên cứu đã dần chuyển hướng sang các kiến trúc học sâu kết hợp-chụp ảnh tốc độ cao và dữ liệu chụp X quang-tia X. Mô hình mạng thần kinh tích chập điển hình + mô hình mạng bộ nhớ dài hạn-ngắn hạn (CNN+LSTM), bằng cách trích xuất các đặc điểm không gian và mô hình tiến hóa theo thời gian của hình ảnh nhóm nóng chảy, đạt được dự đoán động từ đầu đến cuối của hành vi nhất thời, ở một mức độ nào đó bù đắp cho những hạn chế của mô hình thay thế trong việc nắm bắt các quy trình động. Tuy nhiên, kỹ thuật này bị hạn chế bởi tính đầy đủ của dữ liệu quan sát; ngay cả khi có nhiều cảm biến, dữ liệu thử nghiệm về cơ bản vẫn là phép chiếu hoặc lấy mẫu cục bộ của trường dòng chảy ba chiều trên mặt phẳng hai chiều. Nếu không có những ràng buộc từ các nguyên tắc cơ học chất lỏng, rất khó để tái tạo lại trường dòng chảy ba chiều phức tạp chỉ từ thông tin hình ảnh bề mặt. Trong khi các mô hình hiện tại có thể nắm bắt được các đặc điểm hiện tượng của dòng chảy bề mặt, chúng gặp khó khăn trong việc giải thích các cơ chế cơ bản của sự hình thành khuyết tật hàn từ góc độ cơ bản của sự truyền năng lượng và động lượng.
2.3 Vật lý-Hồi quy có thông tin: Để giải quyết cuộc khủng hoảng về khả năng diễn giải của các mô hình thuần túy dựa trên dữ liệu-, Mạng thần kinh có thông tin vật lý-(PINN) đã xuất hiện. Kiến trúc này không còn chỉ phù hợp với dữ liệu được quan sát mà thay vào đó nhúng các số hạng còn lại của phương trình Navier-Stokes và phương trình dẫn nhiệt nhất thời dưới dạng các ràng buộc chính quy hóa vào hàm mất mát của mô hình. Về cơ bản, quá trình huấn luyện tìm kiếm giải pháp tối ưu trong không gian tham số vừa phù hợp với dữ liệu quan sát được vừa thỏa mãn các định luật bảo toàn vật lý. Về mặt lý thuyết, các ràng buộc cứng nhắc của các phương trình vật lý có thể bù đắp một cách hiệu quả cho các kích thước dữ liệu bị thiếu trong các quan sát thử nghiệm, cho phép mô hình suy ra các trường vận tốc và gradient áp suất bên trong nhất quán về mặt vật lý trong không gian tiềm ẩn. Tuy nhiên, thực tiễn kỹ thuật cho thấy phương pháp này phải đối mặt với những thách thức nghiêm trọng: sự khác biệt về độ lớn giữa độ dốc dữ liệu và độ dốc dư vật lý có thể dễ dàng dẫn đến khó khăn trong việc hội tụ mạng; và các điểm sắp xếp mật độ-cao cần thiết để tính toán chính xác các đạo hàm bậc cao{10}}làm tăng đáng kể chi phí đào tạo, thậm chí bù đắp lợi thế về hiệu quả của công nghệ máy học trong một số vấn đề{11}}tần số cao nhất thời.
03 So sánh và Mô phỏng hợp tác giữa học máy và CFD: Để làm rõ sự khác biệt về hiệu quả giữa học máy và động lực học chất lỏng tính toán truyền thống (CFD) trong mô phỏng số của hàn laser, đồng thời để hiểu các kịch bản áp dụng và giá trị cốt lõi tương ứng của chúng, một phân tích so sánh có hệ thống đã được thực hiện từ năm khía cạnh cốt lõi: chi phí tính toán, độ chính xác và độ phân giải, giải thích cơ chế, khả năng khái quát hóa và các kịch bản áp dụng. Phân tích này làm rõ những ưu điểm và nhược điểm của hai phương pháp cũng như mối quan hệ bổ sung của chúng, như được trình bày chi tiết dưới đây.
Sự kết hợp truyền thống giữa mô phỏng số của hàn laser và học máy thường sử dụng chế độ ngoại tuyến, trong đó tính toán CFD và đào tạo mô hình được thực hiện theo các bước riêng biệt. Quá trình này phụ thuộc vào việc đọc, ghi và chuyển đổi định dạng rộng rãi một lượng lớn dữ liệu trên ổ cứng, dẫn đến luồng dữ liệu không hiệu quả và gây khó khăn cho việc hỗ trợ nghiên cứu kiểm soát vòng lặp-đóng{2}}theo thời gian thực. Kiến trúc ghép nối dựa trên PyFluent-sử dụng giao diện Python để gọi bộ giải ANSYS Fluent và sử dụng giao thức gRPC để đạt được sự tương tác trực tiếp giữa nhân tính toán và các thuật toán bên ngoài ở cấp bộ nhớ. Phương pháp ghép nối này biến đổi bộ giải CFD độc lập thành một đối tượng tính toán có thể được gọi bằng các tập lệnh Python, cho phép các thuật toán học sâu đọc trực tiếp dữ liệu trường luồng và kiểm soát quá trình giải, cung cấp một lộ trình kỹ thuật tích hợp để thiết lập các mối quan hệ ánh xạ trường vật lý-quy trình{7}}có độ chính xác cao. Việc triển khai cụ thể của kiến trúc này bao gồm hai khía cạnh chính: cập nhật tham số động và trích xuất trực tuyến dữ liệu trường luồng. Về mặt kiểm soát tham số, phương pháp này loại bỏ chế độ lấy mẫu rời rạc truyền thống dựa trên mảng trực giao tĩnh (DOE). Sử dụng thuật toán học tăng cường hoặc tối ưu hóa Bayesian ở phía Python, tập hợp các biến quy trình tiếp theo như công suất laser và tốc độ hàn được tính toán tự động dựa trên chiến lược thăm dò hoặc độ lệch dự đoán của mô hình hiện tại, đồng thời các điều kiện biên của bộ giải được sửa đổi theo thời gian thực thông qua giao diện PyFluent. Cơ chế này cho phép tập trung tài nguyên tính toán vào các vùng tham số nơi phản ứng vật lý thay đổi mạnh mẽ hoặc độ không đảm bảo dự đoán cao, cho phép tạo ra các điểm mẫu thích ứng.
Về mặt truyền dữ liệu, cơ chế chia sẻ bộ nhớ đã được sử dụng để thay thế quy trình xuất tệp ASCII truyền thống. Trong quá trình lặp-bước thời gian trong Fluent, tập lệnh Python có thể truy cập trực tiếp vào bộ nhớ của bộ giải thông qua giao diện field_data để trích xuất dữ liệu trường nhiệt độ, phần thể tích và vận tốc của vùng bể nóng chảy và chuyển đổi chúng thành mảng NumPy hoặc tensor để nhập vào mạng thần kinh. Luồng dữ liệu-thời gian thực này cho phép đào tạo và sửa đổi mô hình trực tuyến trong khoảng thời gian tính toán CFD, đạt được hoạt động đồng bộ của quá trình phát triển trường vật lý và mô hình hóa-theo hướng dữ liệu.
Việc tích hợp PyFluent vào quy trình học máy giúp nâng cao chiều sâu của mô hình mô phỏng nhưng cũng đặt ra những thách thức triển khai kỹ thuật mới. Từ quan điểm kỹ thuật, tương tác dữ liệu ở cấp độ bộ nhớ-sẽ cải thiện chất lượng mẫu và hiệu quả tính toán. Việc trích xuất trực tiếp dữ liệu dấu phẩy động-từ bộ nhớ của bộ giải sẽ tránh được các lỗi cắt ngắn do chuyển đổi định dạng văn bản, duy trì độ chính xác tính toán ban đầu. Điều này rất quan trọng để ghi lại các đặc điểm có độ nhạy cao chẳng hạn như những dao động nhỏ trên thành lỗ khóa. Hơn nữa, kiến trúc này cung cấp khả năng xác thực kiểm soát quy trình, cho phép nhúng logic điều khiển giữa các bước thời gian mô phỏng để mô phỏng quy trình vòng-đóng của "giám sát bể tan chảy - quyết định tham số - điều chỉnh công suất", từ đó xác minh tính khả thi của chiến lược kiểm soát hàn thông minh ở cấp độ số.
04 Phần này tóm tắt vai trò của máy học trong mô phỏng số của quá trình hàn laze, chủ yếu tập trung vào việc tận dụng các cơ chế vật lý và nền tảng dữ liệu của CFD truyền thống để giải quyết vấn đề hiệu suất tính toán thấp trong các phép tính-trường vật lý. Nghiên cứu trong tương lai sẽ tập trung vào việc tích hợp vật lý và dữ liệu: trước tiên, sử dụng giao diện PyFluent để đạt được tương tác động ở cấp bộ nhớ của bộ giải, thiết lập khung ghép nối trực tuyến để vận hành đồng bộ máy học và CFD, từ đó giải quyết các vấn đề về độ trễ truyền dữ liệu và thiếu điều khiển vòng lặp-đóng trong chế độ ngoại tuyến truyền thống; thứ hai, áp dụng-mạng thần kinh thông tin vật lý (PINN) để kết hợp các phương trình bảo toàn khối lượng, động lượng và năng lượng vào các ràng buộc thuật toán, khắc phục những thiếu sót của các mô hình điều khiển dữ liệu thuần túy-thiếu tính nhất quán về mặt vật lý. Thông qua các phương pháp này, mục đích là đạt được sự chuyển đổi trong mô phỏng số hàn laser từ dự đoán ngoại tuyến sang kết hợp kỹ thuật số theo thời gian thực,-độ chính xác cao.
