01 Giriş
Lazer derin nüfuzlu kaynağın çoklu fizik birleştirme analizinde, metal buharı geri tepme basıncı tarafından yönlendirilen anahtar deliği duvarındaki yüksek-frekans dalgalanmalarını ve foto-indüklenen plazmanın etkileşim mekanizmasını doğru bir şekilde tanımlamak, kesinlikle kütle, momentum ve enerji korunumu denklemlerinin eşzamanlı çözümüne bağlıdır. Geleneksel hesaplamalı akışkanlar dinamiği (CFD), yüksek-yoğunluklu ayrık ızgaralar ve uyarlanabilir zaman-adımlama algoritmaları oluşturarak yüksek-doğruluğa sahip geçici akışkan davranışını yakalama yeteneğine sahip olmasına rağmen, aslında Navier-Stokes denklemlerine dayalı bir kaba-kuvvet çözüm stratejisidir. Hesaplamalı alan ağının Reynolds sayısı arttıkça, hesaplama maliyeti katlanarak artar ve tek bir yüksek-doğruluğa sahip üç-boyutlu geçici simülasyon genellikle birkaç gün sürer. Bu hesaplama engeli, büyük ölçekli işlem pencerelerinin yinelemeli optimizasyonunu ciddi şekilde kısıtlıyor. Bu arada, makine öğrenimi, karmaşık kısmi diferansiyel denklem ayrıklaştırma sürecini atlayarak ve verimliliği önemli ölçüde artırarak, yüksek{14}}boyutlu bir süreç parametre alanından fiziksel bir yanıt alanına doğrusal olmayan bir eşleme oluşturabilse de, "kara kutu" doğası, fiziksel yorumlanabilirlik eksikliğine ve yetersiz genelleme yeteneklerine yol açar. Tamamen veriye dayalı modeller, fiziksel koruma yasalarının kısıtlamalarından ayrıştırıldığında, verilerin kıt olduğu koşullar altında-tahmin sonuçlarının kendi kendine tutarlılığını-garanti etmekte zorlanır.
Bu nedenle, lazer kaynak sayısal simülasyonundaki mevcut son teknoloji yönü artık tek bir hesaplama yönteminin seçimiyle sınırlı değil, makine öğrenimi ve CFD'nin derin entegrasyonuna doğru kaymıştır. Bellek etkileşimine (PyFluent) veya fizik-bilgili sinir ağlarına (PINN'ler) dayalı olanlar gibi bağlantılı mimariler oluşturarak amaç, CFD'nin fiziksel mekanizmaları derinlemesine keşfetme yeteneğini makine öğreniminin geniş bir parametre yelpazesinde verimli tarama yetenekleriyle birleştirmektir. Bu yaklaşım, CFD tarafından sağlanan yüksek-kaliteli, fiziksel olarak tutarlı verilerden yararlanırken makine öğreniminin çevrimiçi çıkarım avantajlarından yararlanır ve geleneksel sayısal simülasyonlarda doğruluk ve verimlilik arasındaki doğasında var olan çatışmaya sistematik bir mühendislik çözümü sunar.
02 Kaynak Tahmininde Makine Öğreniminin Gelişimi Kaynak sayısal simülasyonu alanında makine öğreniminin gelişimi, akademik topluluk içinde veri-fizik ilişkilerinin derinleşen anlayışını yansıtmaktadır. Teknolojik gelişimi temel olarak üç seviyeyi takip eder ve basit veri uyumundan veri ve fiziksel mekanizmaların derin entegrasyonuna doğru kademeli olarak bir sıçrama gerçekleştirir. 2.1 Statik İnterpolasyon ve Doğrusal Regresyon Makine öğrenimini kaynak sayısal simülasyonuna uygulamak için birincil boyut azaltma stratejisi olarak, vekil modeller, bir eğitim seti olarak sınırlı sayıda yüksek-doğruluğa sahip sonlu elemanlar (FEM) hesaplama sonuçları kullanır. Giriş süreci parametreleri ile çıktı kalitesi göstergeleri (kaynak derinliği ve gözeneklilik gibi) arasında işlevsel bir ilişki oluşturmak için yapay sinir ağları (ANN) ve Gauss süreç regresyonu (GPR) gibi algoritmalardan yararlanırlar. Bu yöntem aslında yüksek-boyutlu bir uzayda istatistiksel enterpolasyondur. Her ne kadar son derece yüksek tahmin verimliliği elde edebilse de, model çekirdeği, termoakışkan kontrol denklemlerinin desteğinden yoksundur ve bir kara-kutu özelliği sergiler. Bu sınırlama nedeniyle, bu tür modeller yalnızca kararlı durum sonuç tahmini için uygundur. Proses parametreleri, eğitim verilerinin dışbükey gövde aralığından saptığında, fiziksel kısıtlamaların olmaması nedeniyle genelleme doğrulukları keskin bir şekilde azalır, bu da bunların karmaşık ve değişken gerçek kaynak koşullarına uyarlanmasını zorlaştırır. Ayrıca, enerji ve kütle korunumu yasalarının kısıtlamalarından tamamen bağımsız oldukları için, küçük örnek koşulları altında, temel fiziksel mantığı ihlal eden ve ciddi bir güven riski oluşturan tutarsız tahmin sonuçları üretmeye eğilimlidirler.
2.2 Kaynak Sürecinin Dinamik Simülasyonu: Lazer kaynağında anahtar deliği çökmesi ve sıçrama gibi geçici kararsızlıkları ele alan araştırmalar, yavaş yavaş yüksek-hızlı fotoğrafçılık ve X-radyografi verilerini birleştiren derin öğrenme mimarilerine doğru kaymıştır. Tipik bir evrişimli sinir ağı + uzun kısa-dönemli bellek ağı (CNN+LSTM) modeli, erimiş havuz görüntüsünün uzamsal özelliklerini ve zamansal evrim modellerini çıkararak, geçici davranışın uçtan uca-dinamik tahminini gerçekleştirir ve dinamik süreçlerin yakalanmasında yedek modellerin sınırlamalarını bir dereceye kadar telafi eder. Ancak bu teknik, gözlemsel verilerin eksiksizliği nedeniyle sınırlıdır; birden fazla sensör olsa bile, deneysel veriler aslında üç-boyutlu akış alanının iki-boyutlu bir düzleme yansıtılması veya yerel olarak örneklenmesidir. Akışkanlar mekaniği prensiplerinin kısıtlamaları olmadan, karmaşık üç boyutlu akış alanını yalnızca yüzeydeki görsel bilgilerden yeniden oluşturmak zordur. Mevcut modeller yüzey akışının fenomenolojik özelliklerini yakalayabilirken, kaynak hatası oluşumunun altında yatan mekanizmaları enerji ve momentum aktarımının temel perspektifinden açıklamakta zorluk çekiyorlar.
2.3 Fizik-Bilgili Regresyon: Tamamen veriye dayalı-modellerin yorumlanabilirlik krizini çözmek için Fizik-Bilgili Sinir Ağları (PINN'ler) ortaya çıkmıştır. Bu mimari artık yalnızca gözlemlenen verilere uymakla kalmıyor, bunun yerine Navier-Stokes denklemlerinin ve geçici ısı iletimi denklemlerinin artık terimlerini, düzenleme kısıtlamaları olarak modelin kayıp fonksiyonuna yerleştiriyor. Eğitim süreci temel olarak parametre uzayında hem gözlemlenen verilere uyan hem de fiziksel korunum yasalarını karşılayan en uygun çözümü arar. Teorik olarak, fiziksel denklemlerin katı kısıtlamaları, deneysel gözlemlerdeki eksik veri boyutlarını etkili bir şekilde telafi edebilir ve modelin, gizli uzaydaki fiziksel olarak tutarlı iç basınç gradyanları ve hız alanları çıkarımı yapmasına olanak tanır. Ancak mühendislik uygulamaları bu yöntemin ciddi zorluklarla karşı karşıya olduğunu göstermektedir: veri gradyanları ile fiziksel artık gradyanlar arasındaki büyüklük farkı, ağ yakınsamasında kolayca zorluklara yol açabilir; ve yüksek-dereceden türevlerin doğru şekilde hesaplanması için gereken yüksek-yoğunluklu sıralama noktaları, eğitim maliyetlerini önemli ölçüde artırır, hatta bazı yüksek{11}}frekanslı geçici problemlerde makine öğreniminin verimlilik avantajlarını dengeler.
03 Makine Öğrenimi ve CFD'nin Karşılaştırması ve İşbirlikçi Simülasyonu: Lazer kaynağının sayısal simülasyonunda makine öğrenimi ile geleneksel hesaplamalı akışkanlar dinamiği (CFD) arasındaki verimlilik farklılıklarını açıklığa kavuşturmak ve bunların ilgili uygulanabilir senaryolarını ve temel değerlerini anlamak için, beş temel boyuttan sistematik bir karşılaştırmalı analiz gerçekleştirildi: hesaplamalı maliyet, doğruluk ve çözüm, mekanizma açıklaması, genelleştirme yeteneği ve uygulanabilir senaryolar. Bu analiz, aşağıda ayrıntılı olarak açıklandığı gibi, iki yöntemin avantajlarını ve dezavantajlarını ve bunların tamamlayıcı ilişkilerini açıklığa kavuşturmaktadır.
Lazer kaynak ve makine öğreniminin sayısal simülasyonunun geleneksel kombinasyonu, tipik olarak CFD hesaplamalarının ve model eğitiminin ayrı adımlarda gerçekleştirildiği bir çevrimdışı mod kullanır. Bu süreç, sabit sürücüdeki büyük miktarda verinin kapsamlı bir şekilde okunmasına, yazılmasına ve biçimlendirilmesine dayanır; bu da verimsiz veri akışına neden olur ve gerçek-zamanlı kapalı-döngü kontrol araştırmasının desteklenmesini zorlaştırır. PyFluent-tabanlı birleştirme mimarisi, ANSYS Fluent çözücüyü çağırmak için bir Python arayüzü kullanır ve hesaplama çekirdeği ile harici algoritmalar arasında bellek düzeyinde doğrudan etkileşimi sağlamak için gRPC protokolünü kullanır. Bu birleştirme yöntemi, bağımsız CFD çözücüyü Python komut dosyaları tarafından çağrılabilen bir hesaplama nesnesine dönüştürerek, derin öğrenme algoritmalarının akış alanı verilerini doğrudan okumasına ve çözme sürecini kontrol etmesine olanak tanıyarak, yüksek-doğruluklu süreç-fiziksel alan haritalama ilişkileri oluşturmak için entegre bir mühendislik yolu sağlar. Bu mimarinin spesifik uygulaması iki temel hususu içerir: dinamik parametre güncellemesi ve akış alanı verilerinin çevrimiçi olarak çıkarılması. Parametre kontrolü açısından bu yöntem, statik ortogonal dizilere (DOE) dayalı geleneksel ayrık örnekleme modunu terk eder. Python tarafında Bayes optimizasyonu veya takviyeli öğrenme algoritmaları kullanılarak, lazer gücü ve kaynak hızı gibi bir sonraki süreç değişkenleri mevcut modelin tahmin sapması veya keşif stratejisine göre otomatik olarak hesaplanır ve çözücünün sınır koşulları PyFluent arayüzü aracılığıyla gerçek zamanlı olarak değiştirilir. Bu mekanizma, hesaplama kaynaklarının, fiziksel yanıtların büyük ölçüde değiştiği veya tahmin belirsizliğinin yüksek olduğu parametre bölgelerinde yoğunlaşmasına olanak tanıyarak örnek noktaların uyarlanabilir şekilde oluşturulmasına olanak tanır.
Veri aktarımı açısından, geleneksel ASCII dosya dışa aktarma işleminin yerine bir bellek paylaşım mekanizması kullanıldı. Fluent'teki zaman-adım yinelemesi sırasında Python betiği, erimiş havuz bölgesinin sıcaklık, hacim oranı ve hız alanı verilerini çıkarmak ve bunları sinir ağına giriş için NumPy dizilerine veya tensörlere dönüştürmek için field_data arayüzü aracılığıyla çözücünün belleğine doğrudan erişebilir. Bu gerçek-zamanlı veri akışı, CFD hesaplamalarının aralıkları sırasında modelin çevrimiçi eğitimine ve değiştirilmesine olanak tanıyarak, fiziksel alan gelişiminin ve veriye dayalı modellemenin senkronize çalışmasını- sağlar.
PyFluent'in makine öğrenimi iş akışlarına entegre edilmesi, simülasyon modellemenin derinliğini artırır ancak aynı zamanda yeni mühendislik uygulama zorluklarını da beraberinde getirir. Teknik açıdan bakıldığında, bellek-düzeyindeki veri etkileşimi, örnek kalitesini ve hesaplama verimliliğini artırır. Kayan nokta verilerinin doğrudan çözücünün belleğinden çıkarılması, metin formatı dönüştürmenin neden olduğu kesme hatalarını önleyerek orijinal hesaplama hassasiyetini korur. Bu, anahtar deliği duvarındaki anlık dalgalanmalar gibi son derece hassas özelliklerin yakalanması için çok önemlidir. Ayrıca, bu mimari, "eriyik havuzu izleme - parametre kararı - güç ayarının" kapalı-döngülü sürecini simüle etmek için kontrol mantığının simülasyon zaman adımları arasına yerleştirilmesine izin vererek süreç kontrolü doğrulama yetenekleri sağlar ve böylece akıllı kaynak kontrol stratejilerinin fizibilitesini sayısal düzeyde doğrular.
04 Bu bölüm, lazer kaynağının sayısal simülasyonunda makine öğreniminin rolünü özetlemektedir; öncelikle çoklu fizik alanı hesaplamalarında düşük hesaplama verimliliği sorununu çözmek için geleneksel CFD'nin fiziksel mekanizmalarından ve veri temelinden yararlanmaya odaklanmaktadır. Gelecekteki araştırmalar fizik ve verilerin entegrasyonuna odaklanacak: ilk olarak, çözücü belleği düzeyinde dinamik etkileşim elde etmek için PyFluent arayüzünü kullanmak, makine öğrenimi ve CFD'nin senkronize çalışması için çevrimiçi bir birleştirme çerçevesi oluşturmak, böylece geleneksel çevrimdışı modlarda veri iletim gecikmesi ve kapalı{3}}döngü kontrolü eksikliği sorunlarını ele almak; ikinci olarak, kütle, momentum ve enerji korunumu denklemlerini algoritmik kısıtlamalara dahil etmek için fizik-bilgili sinir ağlarını (PINN'ler) uygulamak, fiziksel tutarlılığı olmayan, tamamen veriye dayalı-modellerin eksikliklerini düzeltmek. Bu yöntemler aracılığıyla amaç, lazer kaynak sayısal simülasyonunda çevrimdışı tahminden yüksek-doğruluğa, gerçek-zamanlı dijital eşleştirmeye bir dönüşüm elde etmektir.
