01 Introducción
En el análisis de acoplamiento multifísico de la soldadura láser de penetración profunda, describir con precisión las fluctuaciones de alta-frecuencia de la pared del ojo de cerradura impulsadas por la presión de retroceso del vapor metálico y el mecanismo de interacción del plasma foto-inducido depende estrictamente de la solución simultánea de las ecuaciones de conservación de masa, momento y energía. La dinámica de fluidos computacional (CFD) tradicional, si bien es capaz de capturar el comportamiento de fluidos transitorios de alta-fidelidad mediante la construcción de cuadrículas discretas de alta-densidad y algoritmos de paso de tiempo-adaptativos, es esencialmente una estrategia de solución de fuerza bruta-basada en las ecuaciones de Navier-Stokes. A medida que aumenta el número de Reynolds de la cuadrícula del dominio computacional, el costo computacional crece exponencialmente, y una única simulación transitoria tridimensional- tridimensional de alta-fidelidad suele tardar varios días. Esta barrera computacional restringe severamente la optimización iterativa de ventanas de procesos a gran-escala. Mientras tanto, aunque el aprendizaje automático puede construir un mapeo no lineal desde un espacio de parámetros de proceso de alta-dimensionalidad a un espacio de respuesta física, evitando el complejo proceso de discretización de ecuaciones diferenciales parciales y mejorando significativamente la eficiencia, su naturaleza de "caja negra" conduce a una falta de interpretabilidad física y capacidades de generalización insuficientes. Los modelos-basados exclusivamente en datos, cuando se desacoplan de las restricciones de las leyes de conservación física, tienen dificultades para garantizar la auto-consistencia de los resultados de predicción en condiciones-de escasez de datos.
Por lo tanto, la dirección actual-de vanguardia en la simulación numérica de soldadura láser ya no se limita a la selección de un único método computacional, sino que se ha desplazado hacia la integración profunda del aprendizaje automático y la CFD. Al establecer arquitecturas acopladas, como las basadas en la interacción de la memoria (PyFluent) o las redes neuronales basadas en la física-(PINN), el objetivo es combinar la capacidad de CFD para explorar en profundidad los mecanismos físicos con las capacidades de escaneo eficiente del aprendizaje automático en una amplia gama de parámetros. Este enfoque utiliza datos físicamente consistentes y de alta-calidad proporcionados por CFD mientras aprovecha las ventajas de la inferencia en línea del aprendizaje automático, proporcionando una solución de ingeniería sistemática al conflicto inherente entre precisión y eficiencia en las simulaciones numéricas tradicionales.
02 El desarrollo del aprendizaje automático en la predicción de soldadura El desarrollo del aprendizaje automático en el campo de la simulación numérica de soldadura refleja la comprensión cada vez más profunda de las relaciones de la física de los datos-dentro de la comunidad académica. Su evolución tecnológica sigue principalmente tres niveles, logrando gradualmente un salto desde un simple ajuste de datos a una integración profunda de datos y mecanismos físicos.. 2.1 Interpolación estática y regresión lineal. Como estrategia principal de reducción de dimensionalidad para aplicar el aprendizaje automático a la simulación numérica de soldadura, los modelos sustitutos utilizan un conjunto limitado de resultados de cálculo de elementos finitos (FEM) de alta-fidelidad como conjunto de entrenamiento. Utilizan algoritmos como redes neuronales artificiales (ANN) y regresión de procesos gaussianos (GPR) para construir una relación funcional entre los parámetros de entrada del proceso y los indicadores de calidad de salida (como la profundidad de la soldadura y la porosidad). Este método es esencialmente una interpolación estadística en un espacio de alta-dimensionalidad. Aunque puede lograr una eficiencia de predicción extremadamente alta, el núcleo de su modelo carece del soporte de ecuaciones de control de termofluidos y exhibe una característica de caja negra-. Debido a esta limitación, dichos modelos solo son adecuados para la predicción de resultados en estado estacionario. Una vez que los parámetros del proceso se desvían del rango de casco convexo de los datos de entrenamiento, su precisión de generalización disminuye drásticamente debido a la falta de restricciones físicas, lo que dificulta su adaptación a condiciones de soldadura reales complejas y variables. Además, debido a que están completamente independientes de las restricciones de las leyes de conservación de energía y masa, en condiciones de muestras pequeñas, son propensos a generar resultados de predicción inconsistentes que violan la lógica física básica, lo que plantea un grave riesgo de confianza.
2.2 Simulación dinámica del proceso de soldadura: al abordar las inestabilidades transitorias, como el colapso del ojo de la cerradura y las salpicaduras en la soldadura láser, la investigación se ha desplazado gradualmente hacia arquitecturas de aprendizaje profundo que combinan fotografía de alta-velocidad y datos de radiografía de rayos X-. Un modelo típico de red neuronal convolucional + red de memoria a largo plazo-(CNN+LSTM), al extraer características espaciales y patrones de evolución temporal de la imagen del estanque fundido, logra una predicción dinámica de extremo a extremo-del comportamiento transitorio, compensando hasta cierto punto las limitaciones de los modelos sustitutos en la captura de procesos dinámicos. Sin embargo, esta técnica está limitada por la integridad de los datos de observación; Incluso con múltiples sensores, los datos experimentales son esencialmente una proyección o muestreo local del campo de flujo tridimensional en un plano bidimensional. Sin las restricciones de los principios de la mecánica de fluidos, es difícil reconstruir el complejo campo de flujo tridimensional-únicamente a partir de información visual de la superficie. Si bien los modelos existentes pueden capturar las características fenomenológicas del flujo superficial, tienen dificultades para explicar los mecanismos subyacentes de la formación de defectos de soldadura desde la perspectiva fundamental de la transferencia de energía y momento.
2.3 Física-Regresión informada: para abordar la crisis de interpretabilidad de los modelos basados puramente en datos-, han surgido las Físicas-Redes neuronales informadas (PINN). Esta arquitectura ya no simplemente ajusta los datos observados, sino que incorpora los términos residuales de las ecuaciones de Navier-Stokes y las ecuaciones de conducción de calor transitorias como restricciones de regularización en la función de pérdida del modelo. Básicamente, el proceso de entrenamiento busca la solución óptima en el espacio de parámetros que se ajuste a los datos observados y satisfaga las leyes de conservación física. Teóricamente, las rígidas restricciones de las ecuaciones físicas pueden compensar eficazmente las dimensiones de datos faltantes en las observaciones experimentales, lo que permite que el modelo infiera gradientes de presión interna y campos de velocidad físicamente consistentes en el espacio latente. Sin embargo, la práctica de la ingeniería muestra que este método enfrenta serios desafíos: la diferencia de magnitud entre los gradientes de datos y los gradientes residuales físicos puede conducir fácilmente a dificultades en la convergencia de la red; y los puntos de colocación de alta-densidad necesarios para el cálculo preciso de derivadas de-orden superior aumentan significativamente los costos de capacitación, e incluso compensan las ventajas de eficiencia del aprendizaje automático en algunos problemas transitorios de alta-frecuencia.
03 Comparación y simulación colaborativa de aprendizaje automático y CFD: para aclarar las diferencias en efectividad entre el aprendizaje automático y la dinámica de fluidos computacional (CFD) tradicional en la simulación numérica de soldadura láser, y para comprender sus respectivos escenarios aplicables y valores fundamentales, se realizó un análisis comparativo sistemático a partir de cinco dimensiones centrales: costo computacional, precisión y resolución, explicación del mecanismo, capacidad de generalización y escenarios aplicables. Este análisis aclara las ventajas y desventajas de los dos métodos y su relación complementaria, como se detalla a continuación.
La combinación tradicional de simulación numérica de soldadura láser y aprendizaje automático normalmente emplea un modo fuera de línea, donde los cálculos CFD y el entrenamiento del modelo se realizan en pasos separados. Este proceso se basa en una extensa lectura, escritura y conversión de formato de grandes cantidades de datos en el disco duro, lo que genera un flujo de datos ineficiente y dificulta el soporte de investigaciones de control de bucle cerrado-en tiempo real-. La arquitectura de acoplamiento basada en PyFluent- utiliza una interfaz Python para llamar al solucionador ANSYS Fluent y emplea el protocolo gRPC para lograr la interacción directa entre el núcleo computacional y los algoritmos externos a nivel de memoria. Este método de acoplamiento transforma el solucionador de CFD independiente en un objeto computacional al que se puede llamar mediante scripts de Python, lo que permite que los algoritmos de aprendizaje profundo lean directamente los datos del campo de flujo y controlen el proceso de resolución, proporcionando una ruta de ingeniería integrada para establecer relaciones de mapeo de campos físicos de alta-procesos-de fidelidad. La implementación específica de esta arquitectura incluye dos aspectos clave: actualización dinámica de parámetros y extracción en línea de datos de campo de flujo. En términos de control de parámetros, este método abandona el modo de muestreo discreto tradicional basado en matrices ortogonales estáticas (DOE). Utilizando algoritmos de optimización bayesiana o aprendizaje de refuerzo en el lado de Python, el siguiente conjunto de variables del proceso, como la potencia del láser y la velocidad de soldadura, se calculan automáticamente en función de la desviación de predicción o la estrategia de exploración del modelo actual, y las condiciones límite del solucionador se modifican en tiempo real a través de la interfaz PyFluent. Este mecanismo permite que los recursos computacionales se concentren en regiones de parámetros donde las respuestas físicas cambian drásticamente o la incertidumbre de la predicción es alta, lo que permite la generación adaptativa de puntos de muestra.
En términos de transferencia de datos, se utilizó un mecanismo de intercambio de memoria para reemplazar el proceso tradicional de exportación de archivos ASCII. Durante la iteración del paso de tiempo-en Fluent, el script de Python puede acceder directamente a la memoria del solucionador a través de la interfaz field_data para extraer datos de campo de temperatura, fracción de volumen y velocidad de la región del charco fundido y convertirlos en matrices o tensores NumPy para ingresarlos a la red neuronal. Este flujo de datos-en tiempo real permite el entrenamiento en línea y la modificación del modelo durante los intervalos de los cálculos CFD, logrando una operación sincrónica de la evolución del campo físico y el modelado-basado en datos.
La integración de PyFluent en los flujos de trabajo de aprendizaje automático mejora la profundidad del modelado de simulación pero también introduce nuevos desafíos de implementación de ingeniería. Desde un punto de vista técnico, la interacción de datos a nivel de memoria-mejora la calidad de la muestra y la eficiencia computacional. La extracción directa de datos de punto-flotante de la memoria del solucionador evita errores de truncamiento causados por la conversión de formato de texto, preservando la precisión computacional original. Esto es crucial para capturar características altamente sensibles, como pequeñas fluctuaciones en la pared del ojo de la cerradura. Además, esta arquitectura proporciona capacidades de validación de control de procesos, lo que permite incorporar lógica de control entre pasos de tiempo de simulación para simular un proceso de bucle cerrado-de "monitoreo del baño de fusión - decisión de parámetros - ajuste de potencia", verificando así la viabilidad de estrategias inteligentes de control de soldadura a nivel numérico.
04 Esta sección resume el papel del aprendizaje automático en la simulación numérica de la soldadura láser, centrándose principalmente en aprovechar los mecanismos físicos y la base de datos del CFD tradicional para abordar el problema de la baja eficiencia computacional en los cálculos de campo multi-físicos. Las investigaciones futuras se centrarán en la integración de la física y los datos: en primer lugar, utilizar la interfaz PyFluent para lograr una interacción dinámica en el nivel de memoria del solucionador, estableciendo un marco de acoplamiento en línea para la operación sincrónica del aprendizaje automático y CFD, abordando así los problemas de retraso en la transmisión de datos y falta de control de bucle cerrado-en los modos fuera de línea tradicionales; en segundo lugar, aplicar redes neuronales basadas en la física-(PINN) para incorporar ecuaciones de conservación de masa, momento y energía en restricciones algorítmicas, corrigiendo las deficiencias de los modelos-basados puramente en datos que carecen de coherencia física. A través de estos métodos, el objetivo es lograr una transformación en la simulación numérica de soldadura láser de una predicción fuera de línea a un hermanamiento digital de alta-fidelidad y{8}}tiempo real.
