Method Article

تطوير النموذج البديل للتجارب الرقمية في اللحام

DOI:

10.3791/67576

⸱

March 28th, 2025

 ,  ,  , 
1School of Engineering, University of Manchester

In This Article

Summary

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

يحدد هذا البروتوكول سير عمل عام لإنشاء شبكة عصبية اصطناعية لمحاكاة اللحام باستخدام مجموعات البيانات التي تم إنشاؤها تلقائيا من خلال نصوص Python مع وظائف الماكرو. يتم التحقق من صحة سير العمل مقابل حالة معيارية تتضمن اللحام أحادي التمرير والخط المستقيم. تظهر الدقة التنبؤية للنموذج البديل اتفاقا قويا مع محاكاة العناصر المحدودة.

Abstract

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تعتمد الصناعة التحويلية بشكل كبير على عمليات اللحام لربط المواد ، وتشكيل مكونات متكاملة عبر مختلف القطاعات. ستؤثر العديد من الجوانب على جودة اللحام وتؤثر أخيرا على سلامة هيكل اللحام. يؤثر الإجهاد المتبقي الناجم عن اللحام ، نتيجة للدورة الحرارية المتأصلة في هذه العمليات ، بشكل كبير على السلامة الهيكلية وأداء المكونات المصنعة. يعد فهم هذا الضغط المتبقي والتنبؤ به أمرا بالغ الأهمية لتعزيز موثوقية ومتانة الهياكل الملحومة. ومع ذلك ، فإن التقييم السريع لإعداد اللحام في التجارب الرقمية يمثل تحديات كبيرة ، حيث قد تستغرق المحاكاة التقليدية وقتا طويلا. يحدد هذا البحث تطبيق سير العمل لبناء نموذج بديل قائم على الشبكة العصبية الاصطناعية للتنبؤ بالإجهاد المتبقي الناجم عن اللحام. تم إنشاء النموذج باستخدام البيانات التي تم إنشاؤها تلقائيا من محاكاة العناصر المحدودة من خلال نصوص Python المستندة إلى وظائف الماكرو. على عكس الطرق التقليدية التي تعتمد على المعالجة المسبقة اليدوية ومحاكاة العناصر المحدودة ، يقلل هذا النهج بشكل كبير من الوقت والجهد اللازمين لإعداد المحاكاة واستخراج البيانات ، مما يعزز الكفاءة الإجمالية. من خلال ضمان تنفيذ جميع خطوات المحاكاة بشكل متسق من خلال وظائف الماكرو ، تقضي الطريقة على التباين الذي يسببه الإنسان ، مما يؤدي إلى تحسين قابلية التكاثر. علاوة على ذلك ، فإن أتمتة توليد البيانات تجعل من الممكن إنشاء مجموعات بيانات شاملة ضرورية لتدريب نماذج التعلم الآلي ، والتغلب على قيود التقنيات التقليدية كثيفة العمالة. يحتوي سير العمل على أربع خطوات رئيسية: بناء محاكاة قياسية للعناصر المحدودة للحام والتحقق من صحة نتائج محاكاة العناصر المحدودة مقابل البيانات التجريبية. تطوير البرامج النصية لإنشاء مجموعة البيانات الكبيرة باستخدام وظيفة ماكرو تسجل خطوات المعالجة المسبقة والمعالجة اللاحقة لمحاكاة العناصر المحدودة. استخدام البرامج النصية لإنشاء البيانات المطلوبة ؛ تطوير نماذج بديلة واختبار أدائها. أظهرت الشبكة العصبية الاصطناعية دقة عالية في التنبؤ بمستويات الإجهاد ، وتتماشى بشكل وثيق مع نتائج المحاكاة على مجموعة بيانات الاختبار ومتوسط جذر الخطأ التربيعي النسبي البالغ 0.0024.

Introduction

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

عند إجراء تجربة رقمية لممارسة اللحام ، يعد الإجهاد المتبقي نتيجة رئيسية ، لأنه جانب حاسم من تقييم السلامة الهيكلية. يحدث الإجهاد المتبقي الناجم عن اللحام بسبب الجمع بين درجات الحرارة المرتفعة والتبريد السريع والتدرجات الحرارية غير المنتظمة الناتجة والقيود الميكانيكية أثناء عمليةاللحام 1. يحافظ المعدن على الضغط حتى بعد انحسار تدرج درجة الحرارة الداخلية نتيجة لتشوه البلاستيك والتثبيت الخارجي. يمكن أن يكون للإجهاد المتبقي تأثير كبير على سلوك وأداء المكونات ، خاصة تلك التي تخضع للتحميل الدوري أو الضغط العالي. يمكن أن يسبب تكسير2،3 ويؤثر على عمر التعب الكلي4.

من أجل تحسين موثوقية توصيف توزيع الإجهاد المتبقي للحام ، عقدت مجموعات مثل الشبكة الأوروبية لتوحيد تقنيات النيوترونات للسلامة الهيكلية (NeT) 5 سلسلة من الأنشطة المستديرة لإجراء التجارب ونفذت محاكاة العناصر المحدودة (FE) لسيناريوهات اللحام المختلفة ، مثل اللحام أحادي حبة اللحام على اللوحة6 ولحام الفتحة المتعددة7 ، 8. يتم استخدام تقنيات مختلفة للقياس التجريبي لتحديد الإجهاد المتبقي الناجم عن اللحام ، بما في ذلك حيود النيوترون9 ، وطريقة الكنتور ، وحيود الأشعة السينية ، وحفر الثقب العميق10 ، وحفر الثقب المركزيالمتزايد 11. بالإضافة إلى القياس التجريبي ، تستخدم محاكاة العناصر المحدودة أيضا لإعادة بناء مجال الإجهاد المتبقي. استخدم Gilles et al.12 نموذج مصدر الحرارة السطحي في نموذج العناصر المحدودة لمحاكاة لحام الخرزة على اللوحة. كما أجروا تحليلات حساسية لتصميم الشبكة ونماذج مصدر الحرارة. أجرى شان وآخرون 13تحليلا حراريا ميكانيكيا مقترنا بالتتابع للتنبؤ بتوزيع الإجهاد المتبقي بعد اللحام. استخدموا نموذج مصدر حرارة متحرك مع تقنية الولادة أو الموت لتوصيف توزيع تدفق الحرارة. وصف Bate et al.14كيفية إجراء معايرة نموذج مصدر الحرارة على نموذج ثنائي الأبعاد مبسط للعينة لضمان موثوقية التحليل الحراري للحام. قدم Coules et al.15 طريقة لإعادة بناء حقول الإجهاد المتبقي في منطقة غير متوافقة من خلال الجمع بين القياسات من عدة مناطق قريبة. سلطت الورقة الضوء على إمكانات هذه الطريقة لتحسين دقة قياسات الإجهاد المتبقي ، خاصة في الحالات التي لا يمكن فيها إجراء قياسات في المنطقة المطلوبة. طرح Bouchard6معيارا لمحاكاة اللحام بالخرز على اللوحة وقدم تعريفا لأهداف أداء الإجهاد الحراري والمبقي التي يمكن استخدامها لتقييم نهج محاكاة اللحام. استعرض Smith et al.16 طرق نمذجة محاكاة اللحام المختلفة وقدموا تحليلات الحساسية للعديد من معلمات نمذجة محاكاة اللحام ، بما في ذلك تصميم الشبكة وخصائص مصدر الحرارة ومدخلات الحرارة والنموذج التأسيسي. تعتمد دقة نتائج المحاكاة إلى حد كبير على افتراضات المحللين وتبسيطهم. بالإضافة إلى ذلك ، غالبا ما يتم إهمال بعض التفاصيل الخاصة بإعدادات المحاكاة في الأوراق المنشورة سابقا ، مما يجعل من الصعب تكرار عمليات المحاكاة.

بالإضافة إلى محاكاة FE ، تم تنفيذ سلسلة من خوارزميات التعلم الآلي للتنبؤ بالإجهاد ، والتي تشمل الشبكة العصبية الضبابية17 ، ودعم انحدار المتجهات18،19،20 شبكة عصبية ضبابيةتكيفية 21،22 شبكة عصبية اصطناعية23. يقلل استخدام خوارزميات التعلم الآلي المدربة مسبقا بشكل كبير من الوقت اللازم للتنبؤ بالإجهاد مقارنة بتحليل العناصر المحدودة. بدلا من النمذجة على أساس الرياضيات والفيزياء ثم حل المعادلات التفاضلية ، يبني تطوير النموذج البديل علاقات مباشرة بين المدخلات والمخرجات. ومع ذلك ، تتطلب هذه المنهجية القائمة على البيانات تقليديا حجما كبيرا من بيانات التدريب. على الرغم من هذا الشرط ، هناك حاليا ندرة في الأبحاث المنشورة التي تشرح بالتفصيل عملية أتمتة توليد مثل هذه البيانات.

الهدف العام هنا هو تطوير سير عمل مبسط لأتمتة توليد البيانات من محاكاة العناصر المحدودة واستخدام البيانات التي تم إنشاؤها لتدريب النماذج البديلة القائمة على التعلم الآلي ، مثل الشبكات العصبية الاصطناعية (ANNs) ، للتنبؤ بالنتائج الحرجة في العمليات الفيزيائية المعقدة. يعرض الشكل 1 مخططا انسيابيا عالي المستوى يلخص الخطوات في سير العمل. يقدم هذا العمل جميع الإعدادات لإجراء محاكاة لحام حراري ميكانيكي في أباكوس. من خلال استخدام وظيفة التسجيل الكلي ، يتم تسجيل جميع عمليات المعالجة المسبقة والمعالجة اللاحقة في محاكاة FE في نصوص ، وبالتالي أتمتة عمليات إنشاء البيانات. يصف هذا العمل أيضا كيفية استخدام البيانات التي تم إنشاؤها لتدريب نموذج بديل لشبكة ANN.

Protocol

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

1. بناء وتسجيل نموذج قياسي

  1. افتح Abaqus وانقر فوق ملف > تعيين دليل العمل لتعيين دليل عمل. انقر فوق File > Macro Manager > العمل وإنشاء ماكرو عمل باسم Thermal_recording.
  2. قم بإجراء إعداد التحليل الحراري كما هو موضح أدناه.
    1. قم بإنشاء نموذج لعينات اللحام. هنا ، يتم استخدام حالة معيارية لهيكل حبة اللحام على اللوحة كمثال ؛ يظهر حجم لوحة القاعدة المستطيلة وحبة اللحام ومنطقة صقل الشبكة في الجدول 1.
      1. انقر فوق الجزء > إنشاء جزء. قم بإنشاء نموذج نصف قابل للتشوه ثلاثي الأبعاد للعينة عن طريق بثق رسم تخطيطي لمربع على المستوى XY وفقا للهندسة الواردة في الجدول 1.
      2. انقر فوق الجزء > إنشاء مستوى الإسناد: الإزاحة من المستوى الرئيسي. قم بإنشاء مستويين مرجعيين لوصف نقطة البداية ونقطة النهاية للحام عن طريق تحديد الإزاحات من مستوى YZ بناء على طول الخرزة الوارد في الجدول 1. قم بإنشاء مستويين مرجعيين لوصف عمق الخرزة وعرض الخرزة للحام عن طريق تحديد الإزاحات من المستوى XY ومستوى XZ بناء على عمق وعرض الخرزة الواردة في الجدول 1. تقع الخرزة في وسط السطح العلوي ، مع محاذاة طولها مع الاتجاه الطولي للعينة.
      3. انقر فوق الجزء > خلية التقسيم: استخدم مستوى الإسناد. قم بإنشاء أقسام خلوية للعينة باستخدام مستويات الإسناد الأربعة التي تم إنشاؤها في الخطوة 1.2.1.2.
      4. انقر فوق الجزء > إنشاء قص: البثق. قم بإنشاء رسم تخطيطي لجزء حبة اللحام الموجود أسفل السطح العلوي للعينة عن طريق تحديد قوس (arc-1) وسطرين على أحد مستويات الإسناد التي تم إنشاؤها. أبعاد الخرزة موضحة في الجدول 1. قم بإنشاء قطع بعمق طول الخرزة عن طريق بثق الرسم.
      5. انقر فوق الجزء > إنشاء صلب: البثق. قم بإنشاء رسم تخطيطي لحبة اللحام عن طريق تحديد قوسين (arc-1 و acr-2) وسطر واحد على أحد طائرات الإسناد التي تم إنشاؤها. قم بثق الرسم بطول الخرزة عن طريق تحديد الحفاظ على الحدود الداخلية.
      6. انقر فوق الجزء > إنشاء مستوى الإسناد: الإزاحة من المستوى الرئيسي. قم بإنشاء أربع مستويات مرجعية لتحديد منطقة الشبكة الدقيقة بناء على هندسة منطقة تحسين الشبكة. تقع منطقة الشبكة الدقيقة في أعلى مركز العينة.
      7. انقر فوق الجزء > خلية التقسيم: استخدم مستوى الإسناد. قم بإنشاء أقسام خلوية للعينة باستخدام مستويات الإسناد الأربعة التي تم إنشاؤها في الخطوة 1.2.1.6.
    2. حدد مادة الفولاذ المقاوم للصدأ AISI 316LN في وحدة الملكية وفقا للجدول 2.
      1. انقر فوق الخاصية > إنشاء المواد. حدد الكثافة في القائمة عام. حدد التوصيلية الكهربية والحرارة النوعية في القائمة الحرارية باستخدام البيانات المعتمدة على درجة الحرارة.
    3. قم بتعيين مادة للنموذج كما هو موضح أدناه.
      1. انقر فوق قسم العقار > إنشاء. قم بإنشاء قسم صلب متجانس مع المادة المحددة في الخطوة 1.2.2.
      2. انقر فوق قسم الخاصية > تعيين. قم بتعيين النموذج بالأقسام المحددة في الخطوة 1.2.3.1.
    4. حدد الخطوات في الوحدة النمطية للخطوات كما هو موضح أدناه.
      1. انقر فوق الخطوة > إنشاء خطوة. قم بإنشاء خطوة نقل الحرارة (لا تضع في اعتبارك أي عدم خطية للهندسة) تسمى اللحام مع فترة زمنية قدرها 26.43 وزيادة زمنية ثابتة قدرها 0.1.
      2. قم بإنشاء خطوة نقل الحرارة (لا تضع في اعتبارك أي عدم خطية للهندسة) تسمى Cooling-1 مع فترة زمنية 70 وزيادة زمنية تكيفية مع أحجام الزيادة الأولية والحد الأدنى والحد الأقصى لتكون 0.1 و 0.05 و 5 على التوالي.
      3. قم بإنشاء خطوة نقل الحرارة (لا تضع في اعتبارك أي عدم خطية للهندسة) تسمى Cooling-2 مع فترة زمنية تبلغ 2000 وزيادة زمنية تكيفية مع أحجام الزيادة الأولية والحد الأدنى والحد الأقصى لتكون 5 و 1 و 100 على التوالي.
        ملاحظة: يعد اختيار الفترة الزمنية لخطوات التبريد أمرا بالغ الأهمية للمحاكاة ويجب أن يحدده المحللون بعناية.
    5. قم بتعيين سمات النموذج كما هو موضح أدناه.
      1. انقر فوق النموذج > تحرير السمة. اضبط درجة حرارة الصفر المطلق على -273.15. اضبط ثابت ستيفان بولتزمان ليكون 5.67E-11.
    6. انقر فوق الخطوة> إنشاء إخراج حقل لتعيين طلب درجة حرارة عقدية للنموذج بأكمله. انقر فوق التجميع > إنشاء مثيل لإنشاء مثيل تابع.
    7. قم بإنشاء تفاعلات في وحدة التفاعل.
      1. انقر فوق التفاعل > إنشاء تفاعل > حالة فيلم Surface. قم بإنشاء تفاعل حالة فيلم سطحي مع معامل فيلم 15 ودرجة حرارة الحوض 20 على جميع أسطح النموذج باستثناء المستوى المتماثل. اضبط خطوة البداية على أنها لحام.
      2. انقر فوق التفاعل > إنشاء تفاعل > إشعاع السطح. قم بإنشاء تفاعل إشعاع سطحي مع انبعاثية 0.7 ودرجة حرارة محيطة 20 على جميع أسطح النموذج باستثناء المستوى المتماثل. اضبط خطوة البداية على أنها لحام.
    8. حدد الأحمال في الوحدة النمطية تحميل.
      1. انقر فوق تحميل > إنشاء حمل > تدفق حرارة الجسم الحراري >. قم بإنشاء حمل تدفق حرارة الجسم المحدد من قبل المستخدم من خطوة اللحام وقم بتعطيله في خطوتي التبريد.
      2. انقر فوق تحميل > إنشاء حقل معرف مسبقا > حقل > آخر. قم بإنشاء حقل درجة حرارة محدد مسبقا بدءا من الحرف الأولي لتمثيل درجة حرارة الغرفة 20.
    9. قم بإنشاء شبكة في وحدة Mesh كما هو موضح أدناه.
      ملاحظة: يجب تحديد نوع العنصر وحجم الشبكة العمومية وحجم الشبكة الدقيقة بناء على المتطلبات المحددة لكل تحليل.
      1. انقر فوق Mesh > Object: الجزء > جزء البذرة. قم ببذر الجزء بالحجم العالمي 0.0024. انقر فوق Mesh > Seed Edges. بذر حواف عمق الخرزة وعرض الخرزة بعدد 3.
      2. بذر حافة القوس 2 بالرقم 3. بذر حافة طول الخرزة بحجم 0.0015.
      3. انقر فوق Mesh > تعيين عناصر تحكم Mesh استخدم عنصر شكل تيت وتقنية مجانية لمنطقة الخرزة. انقر فوق Mesh > تعيين نوع العنصر. قم بتعيين نوع العنصر ليكون DC3D10 وجزء شبكي.
      4. انقر فوق Mesh > Seed Edges. قم بزرع الحواف المتجانسة على المحور X داخل منطقة الشبكة الدقيقة بحجم 0.0015. قم بزرع الحواف الخطية للمحور Y داخل منطقة الشبكة الدقيقة بحجم 0.0011. قم بزرع الحواف المتجانسة على المحور Z داخل منطقة الشبكة الدقيقة بحجم 0.00075.
      5. انقر فوق Mesh > تعيين Mesh Controls. قم بتعيين التحكم في الشبكة لبقية المنطقة. استخدم عنصر الشكل السداسي وتقنية الكنس. انقر فوق Mesh > تعيين نوع العنصر. قم بتعيين نوع العنصر ليكون DC3D20 وجزء شبكي.
    10. انقر فوق وظيفة > إنشاء وظيفة. قم بإنشاء وظيفة باسم Thermal_analysis ، وإرفاق روتين فرعي لمستخدم DFLUX.
    11. أوقف تسجيل الماكرو. سيتم إنشاء ملف python باسم Thermal_recording.py في دليل العمل.
    12. انقر فوق Job > Job Manager > Submit. أرسل الوظيفة. سيتم إنشاء ملف نتيجة باسم Thermal_analysis.odb.
  3. انقر فوق File > Macro Manager > العمل. افتح Macro Manager وقم بإنشاء ماكرو يعمل باسم Mechanical_recording.
  4. قم بإجراء إعداد التحليل الميكانيكي كما هو موضح أدناه.
    1. كرر الخطوة 1.2.1 لإنشاء هندسة نموذجية لعينة اللحام.
    2. حدد مادة الفولاذ المقاوم للصدأ AISI 316LN في وحدة الممتلكات وفقا للجدول 2 والجدول 3.
      1. انقر فوق الخاصية > إنشاء المواد. حدد الكثافة في القائمة عام. حدد الخصائص المرنة في القائمة الميكانيكية باستخدام البيانات المعتمدة على درجة الحرارة.
      2. حدد خصائص البلاستيك في القائمة الميكانيكية باستخدام البيانات المعتمدة على درجة الحرارة. حدد نموذج التصلب المدمج وحدد المعلمات كنوع بيانات . اضبط عدد الإجهادات الخلفية وعدد المتغيرات الميدانية لتكون 2 و 0.
      3. إضافة خيارات فرعية لدرجة حرارة التلدين. اضبط درجة حرارة التلدين على 1050. حدد التمدد المتناحي في القائمة الميكانيكية باستخدام البيانات المعتمدة على درجة الحرارة.
    3. كرر الخطوة 1.2.3 لتعيين مادة للنموذج.
    4. حدد الخطوات في الوحدة النمطية للخطوات كما هو موضح أدناه.
      1. انقر فوق الخطوة > إنشاء خطوة. قم بإنشاء خطوة ثابتة (ضع في اعتبارك عدم خطية الهندسة) للحام بفترة زمنية تبلغ 26.43 وزيادة زمنية ثابتة قدرها 0.1.
      2. قم بإنشاء خطوة ثابتة (ضع في اعتبارك عدم خطية الهندسة) ل Cooling-1 مع فترة زمنية قدرها 70 وزيادة زمنية تكيفية مع أحجام الزيادة الأولية والحد الأدنى والحد الأقصى لتكون 0.1 و 0.05 و 5 على التوالي.
      3. قم بإنشاء خطوة ثابتة (ضع في اعتبارك عدم خطية الهندسة) للتبريد-2 مع فترة زمنية تبلغ 2000 ثانية وزيادة زمنية قابلة للتكيف مع أحجام الزيادات الأولية والحد الأدنى والحد الأقصى لتكون 5 و1 و100 على التوالي.
    5. انقر فوق الخطوة > إنشاء إخراج الحقل. قم بتعيين مكونات الإجهاد وطلب الثوابت للنموذج بأكمله. انقر فوق التجميع > إنشاء مثيل. إنشاء مثيل تابع.
    6. قم بتعيين شروط الحدود كما هو موضح أدناه.
      1. انقر فوق تحميل > إنشاء شروط حدودية > إزاحة / دوران > ميكانيكي. اضبط الرؤوس اليسرى على المستوى المتماثل وعلى السطح العلوي لتكون مقيدة في U1 و U3.
      2. اضبط الرؤوس الصحيحة على مستوى التماثل وعلى السطح العلوي لتكون مقيدة في U3.
      3. انقر فوق تحميل > إنشاء شروط حدودية > التماثل الميكانيكي > / التناظر المضاد / Encastre. اضبط الشروط المتماثلة على مستوى التماثل.
    7. قم بتعيين الحقول المحددة مسبقا كما هو موضح أدناه.
      1. انقر فوق تحميل > إنشاء حقل معرف مسبقا. قم بإنشاء حقل درجة حرارة محدد مسبقا بدءا من الخطوة الأولية لتمثيل درجة حرارة الغرفة 20.
      2. قم بإنشاء مجال درجة حرارة محدد مسبقا بدءا من خطوة اللحام. مصدر التوزيع من النتائج أو ملف قاعدة بيانات الإخراج. أضف الجذر ليكون ملف النتائج الذي تم إنشاؤه في الخطوة 1.2.12 وقم بتعيين خطوة البداية وبدء الزيادة وخطوة النهاية لتكون 1 و1 و1 على التوالي.
      3. قم بإنشاء مجال درجة حرارة محدد مسبقا بدءا من خطوة التبريد -1. مورد التوزيع من النتائج أو ملف قاعدة بيانات الإخراج. أضف الجذر ليكون ملف النتائج الذي تم إنشاؤه في الخطوة 1.2.12 وقم بتعيين خطوة البداية وبدء الزيادة وخطوة النهاية لتكون 2 و1 و2 على التوالي.
      4. قم بإنشاء مجال درجة حرارة محدد مسبقا بدءا من خطوة Cooling-2. مصدر التوزيع من النتائج أو ملفات قاعدة بيانات الإخراج. أضف الجذر ليكون ملف النتائج الذي تم إنشاؤه في الخطوة 1.2.12 وقم بتعيين خطوة البداية ، وبدء الزيادة ، وخطوة النهاية لتكون 3 ، 1 ، 3 على التوالي.
    8. كرر الخطوة 1.2.9 ولكن قم بتعيين نوع العنصر ليكون C3D8R. إنشاء وظيفة باسم Mechanical_analysis. أوقف تسجيل الماكرو. سيتم إنشاء ملف Python باسم Mechanical_recording.py في دليل العمل.
    9. أرسل الوظيفة. يمكن إنشاء ملف نتيجة باسم Mechanical_analysis.odb.
  5. قم بإجراء المعالجة اللاحقة كما هو موضح أدناه.
    ملاحظة: في مرحلة ما بعد المعالجة ، يتم استخراج حقول الفيزياء ومقارنتها بالنتائج التجريبية. تعتمد عملية الاستخراج المحددة على البيانات التجريبية المتاحة. توضح هذه الدراسة استخراج مجال درجة الحرارة وحدود الاندماج ومجال الإجهاد ، والتي يمكن مقارنتها بقراءات المزدوجة الحرارية وقياسات شكل الخرزة وبيانات الإجهاد المتبقي ، على التوالي. نتائج المقارنة التفصيلية متاحة في المنشور المرتبط24.
    1. استخراج النتائج الحرارية كما هو موضح أدناه.
      1. انقر فوق ملف > فتح قاعدة البيانات. افتح Thermal_analysis.odb. انقر فوق المكونات الإضافية > الأدوات > العثور على أقرب عقدة. ابحث عن التسمية العقدية لنقطة الزوجين الحراري 5 والزوجين الحراري 9 باستخدام أداة البحث عن أقرب عقدة في المكونات الإضافية.
        ملاحظة: يقع الزوجان الحراري 5 على خط تقاطع السطح العلوي للعينة والمقطع العرضي متوسط الطول. إنه على بعد 11.5 مم من مستوى التماثل. يقع الزوج الحراري 9 عند نقطة تقاطع المستوى السفلي ، ومستوى التماثل ، والمقطع العرضي متوسط الطول.
      2. انقر فوق التصور > إنشاء بيانات XY > إخراج حقل ODB. استخرج تاريخ درجة الحرارة العقدية الفريد.
      3. انقر فوق التصور > تنشيط / إلغاء تنشيط View Cut. قم بتنشيط عرض القطع للطائرة X. اضبط محدد الإطار والتقط المقطع العرضي للاندماج عندما تصل حدود الانصهار إلى الأكبر.
    2. استخراج النتائج الميكانيكية كما هو موضح أدناه.
      1. افتح مدير الماكرو وأنشئ ماكرو عمل باسم data_extracting. مفتوح Mechanical_analysis.odb.
      2. انقر فوق أدوات > المسار > إنشاء قائمة عقدة >. قم بإنشاء مسارات لخط BD (يمتد خط BD عبر سمك العينة في منتصف الطول).
      3. انقر فوق التصور > إنشاء مسار > بيانات XY. قم بإنشاء بيانات XY من المسارات على شكل نموذج غير مشوه.
      4. أوقف تسجيل الماكرو. سيتم إنشاء ملف python باسم data_extracting.py في دليل العمل.
    3. قارن النتائج الحرارية والميكانيكية بالبيانات التجريبية. تم استخدام نفس المعلمات والإعدادات لكل من المحاكاة والتجارب.

2. البرمجة النصية للنموذج

ملاحظة: هنا ، يتم تحديد معلمات ثلاث معلمات لحام ، وسرعة اللحام ، وطول السفر ، ومعدل إدخال الطاقة الصافي.

  1. تبسيط النموذج بناء على تحليل الحساسية.
    ملاحظة: وفقا لتحليل الحساسية لتأثير تضمين أو استبعاد ارتفاع تقوية حبة اللحام في النموذج ، فإن تضمين أو استبعاد ارتفاع تقوية حبة اللحام في النموذج لم يؤثر بشكل كبير على توزيع الإجهاد على طول خط BD. لذلك ، يمكن تخطي خطوات إنشاء الخرزة في المحاكاة.
  2. افتح Thermal_recording.py. ابحث عن الرموز الخاصة بتحديد الخطوة من خلال البحث في HeatTransferStep. استبدل قيمة الفترة الزمنية المحددة لخطوة اللحام بالتعبير bead_length / سرعة اللحام.
  3. ابحث عن الرموز الخاصة بإنشاء ملف الإدخال. استبدل الاسم المحدد بالتعبير T-Heat_input-welding_speed-travel_length.
  4. افتح Mechanical_recording.py. ابحث عن الرموز الخاصة بتحديد الخطوة من خلال البحث في HeatTransferStep. استبدل قيمة الفترة الزمنية المحددة لخطوة اللحام بالتعبير bead_length / سرعة اللحام.
  5. ابحث عن الرموز الخاصة بإنشاء ملف الإدخال. استبدل الاسم المحدد بالتعبير M-Heat_input-welding_speed-travel_length.
  6. اجمع الكود لإنشاء ملفات الإدخال للتحليل الحراري والميكانيكي باستخدام الأسطر 1-408 في ملف الترميز التكميلي المضمن 1.
  7. حدد تنسيقات قائمة الوسيطات واستدعاء وظائف إنشاء ملفات الإدخال للتحليلات الحرارية والميكانيكية باستخدام الأسطر 410-459 في ملف الترميز التكميلي المضمن 1. وستخزن جميع ملفات الإدخال للتحليلات الحرارية في Thermal_input_files المجلد، وستخزن جميع ملفات الإدخال للتحليلات الميكانيكية في مجلد Mechanical_input_files تحت دليل العمل.
  8. قم بإنشاء ملف python النهائي (ملف الترميز التكميلي 1).
    ملاحظة: لزيادة متانة البرنامج النصي، تم استبدال جميع الوظائف الافتراضية المستخدمة لتحديد التسلسل، المسماة getSequenceFromMask، بوظيفة تحديد التسلسل المستندة إلى الإحداثيات، والتي تسمى findAt.

3. توليد البيانات

  1. قم بتشغيل ملف الترميز التكميلي 1 في سطر أوامر Abaqus لإنشاء ملفات إدخال لكل من التحليلات الحرارية والتحليلات الميكانيكية. انسخ ملف الترميز التكميلي 2 وملف الترميز التكميلي 3 إلى المجلد Thermal_input_files.
  2. اكتب qsub Run_thermal في سطر الأوامر لتشغيل البرامج النصية shell لتعديل الروتين الفرعي DFLUX وفقا لأسماء ملفات إدخال اللحام المختلفة وإرسال المهام.
  3. انسخ ملف الترميز التكميلي 4 إلى المجلد Mechanical_input_files. اكتب qsub Run_mechanical في سطر الثناء لتعديل ملفات الإدخال للتحليل الميكانيكي وفقا لأسماء ملفات إدخال اللحام المختلفة وإرسال الوظائف.
  4. انسخ ملف الترميز التكميلي 5 إلى المجلد Mechanical_input_files وقم بتشغيل هذا البرنامج النصي في سطر الأوامر. بعد ذلك ، قم بإنشاء ملفات csv تحتوي على قيمة الضغط للنقاط في الخط الهدف.

4. تطوير نموذج بديل

  1. تحميل المكتبات باستخدام الأسطر 1-17 المضمنة في ملف الترميز التكميلي 6. قم بإصلاح البذور العشوائية باستخدام السطر 378 ، المضمن في ملف الترميز التكميلي 6.
  2. حدد مسار مجموعة بيانات التدريب ومجموعة بيانات الاختبار باستخدام الأسطر 381-382 المضمنة في ملف الترميز التكميلي 6.
  3. المعالجة المسبقة لمجموعة البيانات باستخدام السطر 385 المضمن في ملف الترميز التكميلي 6. تتضمن المعالجة المسبقة أخذ العينات المتباعدة بشكل موحد والتطبيع والتدريب وتقسيم مجموعة الاختبار.
  4. قم بإجراء ضبط المعلمة الفائقة باستخدام تحسين بايز باستخدام الأسطر 387-397 في ملف الترميز التكميلي المضمن 6 (اختياري).
  5. قم بإجراء ضبط المعلمات الفائقة مع التحقق المتبادل باستخدام GridsearchCV باستخدام الأسطر 399-401 في ملف الترميز التكميلي المضمن 6 (اختياري).
  6. قم ببناء نموذج بديل والتنبؤ بمجموعة بيانات الاختبار باستخدام الأسطر 404-405 في ملف الترميز التكميلي المضمن 6.
  7. احسب وطبع MSE للتنبؤ باستخدام الأسطر 406-410 في ملف التشفير التكميلي 6 المضمن.
  8. احفظ النموذج البديل باستخدام الأسطر 414-416 في ملف الترميز التكميلي المضمن 6.
  9. رسم تنبؤات الشبكات العصبية العصبية مقابل بيانات المحاكاة على مجموعة بيانات الاختبار باستخدام الأسطر 419-420 في ملف الترميز التكميلي المضمن 6.
  10. ارسم خريطة أداء عامة على مجموعة بيانات الاختبار باستخدام السطر 423 في ملف الترميز التكميلي المضمن 6.

Results

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم تشغيل سلسلة من عمليات محاكاة FE باستخدام مجموعات مختلفة من طول حركة القوس وسرعة تقدم القوس ومعدل إدخال الطاقة الصافي. بالنسبة لمجموعة التدريب ، كان نطاق القيم المستخدمة لطول حركة القوس 40 مم و 50 مم و 60 مم و 70 مم و 80 مم. كان نطاق القيم المستخدمة لسرعة تقدم القوس 2 مم / ثانية و 2.5 مم / ثانية و 3 مم / ثانية و 3.5 مم / ثانية و 4 مم / ثانية. كان نطاق القيم المستخدمة لمعدل إدخال الطاقة الصافي 1000 واط و 1500 واط و 2000 واط و 2500 واط و 3000 واط. بالنسبة لمجموعة الاختبار ، كان نطاق القيم المستخدمة لطول حركة القوس 40 مم و 50 مم و 60 مم و 70 مم و 80 مم. كان نطاق القيم المستخدمة لسرعة تقدم القوس 2.25 مم / ثانية و 2.75 مم / ثانية و 3.25 مم / ثانية و 3.75 مم / ثانية. كان نطاق القيم المستخدمة لمعدل إدخال الطاقة الصافي 1250 واط و 1750 واط و 2250 واط و 2750 واط. تم جمع الضغوط الطولية على طول خط BD لتلك المحاكاة البالغ عددها 205 وعرضها في الشكل 2. تم نشر هذه النتيجة سابقا فيعام 25. على وجه الخصوص ، تم استخدام نتائج دراسة الحالة في تلك الدراسة لإثبات فعالية سير العمل. يمتد البحث الحالي إلى ما هو أبعد من التحقيقات السابقة من خلال تقديم شرح شامل للإعدادات المحددة المطبقة في محاكاة اللحام وتفصيل منهجية البرمجة النصية Python المستخدمة في محاكاة اللحام العامة.

تم تطبيق نموذج الشبكات العصبية المطورة لإجراء التنبؤ على مجموعة الاختبار. يظهر التناقض بين التنبؤ بالنموذج ومحاكاة FE في الشكل 3. من بين 1680 نقطة اختبار ، تقع غالبية الاختلافات (759 تكرارا) بين تحليل العناصر المحدودة المحاكي وقيم الإجهاد المتوقعة من ANN ضمن نطاق 0-2 ميجا باسكال ، وهو ما يمثل 45.2٪ من البيانات. ينخفض التردد مع زيادة الفرق ، مع وجود عدد قليل جدا من نقاط البيانات التي تظهر اختلافات أكبر من 10 ميجا باسكال. يظهر مخطط صندوقي في الشكل 4 لإظهار توزيع التناقضات المطلقة بين الإجهاد المحاكي والإجهاد المتوقع لمستويات مختلفة من الإجهاد المحاكاة. يمثل كل مربع النطاق الربيعي للمخلفات داخل حاوية محددة من مستويات الإجهاد المحاكاة ، مع الخط الموجود داخل المربع الذي يشير إلى القيمة المتوسطة. يوضح الرسم البياني على المحور y الثانوي عدد نقاط بيانات التدريب داخل كل حاوية مستوى إجهاد ، مما يوفر سياقا إضافيا حول توزيع البيانات المستخدم لتدريب النموذج. كما هو موضح في الشكل ، تميل صناديق مستوى الإجهاد التي تحتوي على عدد أقل من نقاط بيانات التدريب إلى إظهار تباينات قصوى أعلى في مجموعة بيانات الاختبار. يمكن تحسين الأداء في هذه المناطق عن طريق زيادة كمية بيانات التدريب المتاحة لمستويات الإجهاد هذه.

تم استخدام متوسط الخطأ التربيعي (MSE) لتحديد الأداء التنبؤي ، والتعبير عن مؤشرات أداء MSE هو:

figure-results-1

حيث yi هي قيمة الإجهاد قبل عكس التوحيد القياسي لنقطة العينة I-TH ، figure-results-2 هي قيمة الإجهاد المتوقعة قبل عكس التوحيد القياسي للعينة I-TH ، و n هو العدد الإجمالي للعينات.

كان تنبؤ الشبكة المحلية بالإجهاد قريبا جدا من نتائج محاكاة FE ، مع MSE قدره 0.0024. يتم عرض التنبؤات على أربع حالات اختبار مختارة في الشكل 5. مدخلات الحرارة لحالات الاختبار الأربع هذه هي 333 جول / مم ، 538 جول / مم ، 692 جول / مم ، و 1222 جول / مم ، على التوالي. من بين جميع هذه الحالات الأربع ، تظهر تنبؤات ANN اتفاقا جيدا مع نتائج محاكاة FE بشكل عام. ومع ذلك ، في السيناريوهات التي تكون فيها سرعة اللحام 2.25 مم / ثانية بطول سفر 50 مم ومعدل إدخال طاقة صافي يبلغ 2750 واط أو عندما تكون سرعة اللحام 3.75 مم / ثانية بطول سفر 40 مم ومعدل إدخال طاقة صافي يبلغ 1250 واط ، لوحظت تناقضات كبيرة نسبيا في الجزء السفلي من خط BD (بالقرب من عمق 17 مم). ويمكن أن تعزى هذه التناقضات إلى زيادة تعقيد القواعد التي تحكم هذه المنطقة، مما يؤدي إلى مشعب أكثر تعقيدا داخل هذه المناطق الفضائية المحددة للمعلمات. قد يكون الحل المحتمل هو زيادة كثافة مجموعة بيانات التدريب في هذا المجال.

figure-results-3
الشكل 1: سير العمل. يتكون سير العمل المقترح من أربع خطوات (يشار إليها بالكتل الزرقاء): بناء نموذج FE الأساسي ، والبرمجة النصية ، وإنشاء البيانات ، وتطوير النموذج البديل. تمثل الكتل البرتقالية مدخلات كل خطوة ، وتمثل الكتل الخضراء ناتج كل خطوة. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-4
الشكل 2: مجموعة البيانات التي تم إنشاؤها. يتم توضيح ما مجموعه 205 مجموعة من بيانات الإجهاد الطولي ، كل منها يتوافق مع مزيج فريد من طول السفر ومعدل إدخال الطاقة الصافي وسرعة اللحام. داخل كل مجموعة ، يتم رسم 20 نقطة بيانات لعقد مختلفة على طول خط BD. للتمييز بين المجموعات ، يتم تمثيل كل مجموعة بلون مختلف ، والذي يتوافق مع معدل إدخال الحرارة الصافي. يمكن حساب هذه القيمة بقسمة صافي معدل إدخال الطاقة على سرعة اللحام. تم تعديل هذا الرقم من25. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-5
الشكل 3: تواتر التناقض بين نتائج محاكاة FE وتنبؤات الشبكة العصبية. يتم تصنيف الاختلافات بين نتائج محاكاة FE وتنبؤات ANN في مجموعة بيانات الاختبار إلى 10 مستويات. تشير التعليقات التوضيحية في المخطط إلى تكرار ونسبة الحدوث لكل مستوى من مستويات الاختلاف في حالات الاختبار. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-6
الشكل 4: توزيع متوسط المخلفات المطلقة ومجموعة بيانات التدريب عبر مستويات الإجهاد المختلفة. يصف مخطط الصندوق توزيع التناقضات المطلقة بين الإجهاد المحاكي والإجهاد المتوقع لمستويات مختلفة من الإجهاد المحاكاة. يمثل الخط البرتقالي داخل كل مربع الوسيط ، مما يشير إلى نقطة منتصف التناقضات المطلقة. يتوافق ارتفاع كل مربع مع النطاق الربيعي ، والذي يمتد على منتصف 50٪ من البيانات (من 25 إلى 75 بالمائة) ، مما يعكس تباين التناقضات. تمتد الشعيرات من الصندوق لإظهار الحد الأدنى والأقصى لقيم التناقض. يوضح الرسم البياني الأزرق عدد نقاط بيانات التدريب المقابلة لكل مستوى من مستويات الإجهاد في مجموعة بيانات التدريب. الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

figure-results-7
الشكل 5: مقارنة بين نتائج المحاكاة والنتائج المتوقعة من الشبكات العصبية. يتم عرض أربع حالات اختبار في هذا الشكل ، حيث (أ) سرعة اللحام 3.75 مم / ثانية ، وطول السفر 40 مم ، ومعدل إدخال الطاقة الصافي 1250 واط ؛ (ب) سرعة اللحام 3.25 مم / ثانية ، وطول السفر 60 مم ، ومعدل إدخال الطاقة الصافي 1750 واط ؛ (ج) سرعة اللحام 3.25 مم / ثانية ، وطول السفر 50 مم ، ومعدل إدخال الطاقة الصافي 2250 واط ؛ و (D) سرعة اللحام 2.25 مم / ثانية ، وطول السفر 50 مم ، ومعدل إدخال الطاقة الصافي 2750 واط. يتم تمييز التباين الأكثر بروزا في جميع حالات الاختبار بمربع أزرق يبين فرقا قدره 19.4 ميجا باسكال على عمق 17 مم من السطح العلوي في حالة الاختبار (D). الرجاء النقر هنا لعرض نسخة أكبر من هذا الرقم.

الجدول 1: معلومات الهندسة لعينة اللحام ومنطقة شبكة التنقية والخرزة. يتم سرد طول وعرض وعمق عينة اللحام المستطيلة ومنطقة شبكة التنقية في الجدول. يتم توضيح أبعاد حبة اللحام برسم. في عملية النمذجة ، يجب خفض العرض إلى النصف حيث تم إنشاء نصف النموذج فقط. الرجاء النقر هنا لتنزيل هذا الجدول.

الجدول 2: الخصائص المادية ل AISI 316LN14. يتم التعامل مع الكثافة ونسبة بواسون على أنها مستقلة عن درجة الحرارة ، ويتم التعامل مع الخصائص الفيزيائية الأخرى على أنها تعتمد على درجة الحرارة. الرجاء النقر هنا لتنزيل هذا الجدول.

الجدول 3: الخواص الميكانيكية البلاستيكية ل AISI 316LN24. الخواص الميكانيكية للفولاذ المقاوم للصدأ AISI 316LN كدالة لدرجة الحرارة ؛ إجهاد الخضوع عند إجهاد بلاستيكي صفري ؛ معلمات التصلب الحركية (C1 ، Gamma 1 ، C2 ، Gamma 2) ؛ معلمة تصلب الخواص (Q-inf) ؛ ومعلمة التصلب (ب). الرجاء النقر هنا لتنزيل هذا الجدول.

ملف الترميز التكميلي 1: Create_input_files.py الرجاء النقر هنا لتنزيل هذا الملف.

ملف الترميز التكميلي 2: Run_thermal الرجاء النقر هنا لتنزيل هذا الملف.

ملف الترميز التكميلي 3: DFLUX.for الرجاء النقر هنا لتنزيل هذا الملف.

ملف الترميز التكميلي 4: Run_Mechanical الرجاء النقر هنا لتنزيل هذا الملف.

ملف الترميز التكميلي 5: extract_data.py الرجاء النقر هنا لتنزيل هذا الملف.

ملف الترميز التكميلي 6: ANN_development.py الرجاء النقر هنا لتنزيل هذا الملف.

Discussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تقدم هذه الدراسة سير عمل لأتمتة توليد البيانات من محاكاة العناصر المحدودة وتدريب النماذج البديلة القائمة على التعلم الآلي ، مثل الشبكات العصبية الاصطناعية ، للتنبؤ بالنتائج الحرجة في عمليات اللحام. أولا ، يتضمن البروتوكول بناء محاكاة قياسية للعناصر المحدودة للحام لإنشاء إطار عمل متسق لنتائج موثوقة. يتم تحليل نتائج المحاكاة والتحقق من صحتها مقابل البيانات التجريبية لضمان الدقة. ثانيا ، يتم تطوير البرامج النصية التي يمكنها إجراء المعالجة المسبقة والمعالجة اللاحقة للمحاكاة بناء على البرامج النصية المسجلة باستخدام وظيفة الماكرو. ثالثا ، يتم إنشاء مجموعات البيانات الكبيرة باستخدام البرامج النصية التي تم إنشاؤها. أخيرا ، يتم تطوير واختبار نموذج بديل ، مما يدل على أدائه الاستثنائي. تساهم هذه المنهجية في كفاءة عملية إنشاء مجموعة البيانات ، مما يلغي الحاجة إلى التكوينات اليدوية المتكررة. إدراكا للدور المحوري لتوليد مجموعة البيانات في تطوير النماذج البديلة المستندة إلى البيانات ، يعمل سير العمل المحدد على تسريع عملية تطوير النموذج البديل. وبالتالي ، فإن المنهجية المقدمة تقف كمورد قيم لتسهيل تطوير النماذج البديلة المستندة إلى البيانات في سياق محاكاة اللحام.

في البروتوكول ، تؤثر العديد من الخطوات الحاسمة بشكل كبير على أداء النموذج البديل النهائي. في الخطوة 1.2.9 ، من الضروري التأكد من أن نموذج اللحام يشتمل على عناصر شبكية دقيقة بما فيه الكفاية لتحقيق تقارب مستقر ونتائج محاكاة دقيقة. في الخطوة 1.5.3 ، تعمل معايرة نموذج العناصر المحدودة القياسية على تحسين ملاءمة اختيار معلمات نموذج مصدر الحرارة وتحسين دقة المحاكاة. في الخطوتين 4.4 و 4.5 ، يعد الضبط المناسب للمعلمات الفائقة أمرا بالغ الأهمية لتحديد التكوين الأمثل للنموذج ، وبالتالي تعزيز أداء النموذج البديل.

تم تقييم أداء نموذج بديل ANN المطور ، ووجد أنه كان يعمل بشكل جيد بشكل عام. دقة النموذج البديل الذي تم تطويره في هذا العمل أكبر من المحاولات السابقة ، والتي استندت إلى بيانات محدودةللغاية 19،23. في دراسة الحالة ، تم تصميم النموذج البديل الذي تم تطويره خصيصا للتنبؤ بالإجهاد الطولي في تكوين حبة لحام واحدة على لوحة ، مع دمج ثلاث معلمات لحام رئيسية: سرعة اللحام ، وطول السفر ، ومعدل إدخال الطاقة الصافي. من المهم ملاحظة أن كلا من مدخلات ومخرجات النموذج قابلة للتكيف بدرجة كبيرة. على سبيل المثال ، يمكن دمج معلمات اللحام الإضافية أو خصائص المواد في المدخلات ، ويمكن توسيع المخرجات لتشمل جميع مكونات الإجهاد المتبقي أو الإزاحة ، مما يوفر إطارا متعدد الاستخدامات لمجموعة واسعة من التطبيقات.

أما بالنسبة للخوارزمية المستخدمة لبناء النموذج البديل ، فهي قابلة للتعديل أيضا بناء على المهام. لدى شبكات الشبكات العصبية بعض القيود على الاستقراء. على عكس الشبكات العصبية ، فإن خوارزميات التعلم الآلي الأخرى ، مثل آلات ناقلات الدعم (SVMs) ، لا تقتصر على بنية بيانات التدريب ولديها قدرة أفضل على الاستقراء. حاولت الدراسات السابقة18،19،20 استخدام SVMs للتنبؤ بالإجهاد المتبقي مع بعض النجاح. ومع ذلك ، من المهم ملاحظة أنه قد يكون من الصعب ضبط المعلمات الفائقة ل SVM ، وقد لا تعمل SVMs دائما بشكل جيد في مهام الاستيفاء مقارنة بشبكات ANN. هناك قيد آخر للشبكات العصبية العصبية وهو أن الاستخدام المباشر للشبكات العصبية العصبية لا يمكن أن يولد فاصلا زمنيا للاعتقاد ، وهو أمر يهم المهندسين. لذلك ، يمكن النظر في خوارزميات أخرى ، مثل انحدار عملية GaussianRegression 26 و Bayesian NeuralNetworks 27. علاوة على ذلك ، على الرغم من أن نموذج ANN يعمل بشكل جيد في التنبؤ بالضغوط المتبقية ، إلا أنه يفتقر إلى قابلية التفسير. يمكن أن يكون هذا النقص في قابلية التفسير عيبا في التطبيقات الهندسية حيث يكون فهم عملية صنع القرار في النموذج أمرا بالغ الأهمية. يمكن تحسين قابلية تفسير النموذج من خلال دمج المزيد من النماذج التوضيحية ، مثل أشجار القرار.

في الختام ، يتيح سير العمل المقترح في هذه الدراسة التوليد السريع والسهل لمجموعات البيانات ، والتي يمكن أن تسرع بشكل كبير من تطوير نماذج بديلة لمحاكاة اللحام العامة أو المحددة.

Disclosures

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

المؤلفون ليس لديهم ما يكشفون عنه.

Acknowledgements

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

تم دعم هذا المشروع من قبل هيئة الطاقة الذرية في المملكة المتحدة من خلال برنامج صناعة الاندماج. يحفز برنامج صناعة الاندماج نمو النظام البيئي للاندماج في المملكة المتحدة ويهيئه لسوق محطات توليد الطاقة الانصهار العالمي المستقبلي. يمكن العثور على مزيد من المعلومات حول برنامج Fusion Industry على الإنترنت: https://ccfe.ukaea.uk/programmes/fusion-industry-programme/. يعرب المؤلفون عن خالص امتنانهم للدعم المقدم من Research IT في الوصول إلى المرفق الحسابي المشترك في جامعة مانشستر. يقر A.N. Vasileiou بالدعم المقدم من مشروع "SINDRI - الاستخدام التآزري للمعلوماتية وهندسة النزاهة التي تركز على البيانات" ، الممول من EPSRC ، شراكة الازدهار في المملكة المتحدة (رقم المنحة: EP / V038079/1) ، وكذلك من معهد دالتون النووي بجامعة مانشستر ، المملكة المتحدة. يقر المؤلفون بامتنان NeT-European NeTwork و Carsten Ohms من المفوضية الأوروبية - مركز الأبحاث المشترك (JRC) لتوفير البيانات المعيارية NeT-TG1.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AbaqusDassault Systems2020
Intel Fortran CompilerIntel Corporation17.0.7
Kerasمفتوح المصدر2.6.0
Pythonمفتوح المصدر3.8.18

References

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Francis, J. A., Bhadeshia, H., Withers, P. J. Welding residual stresses in ferritic power plant steels. Mater Sci Technol. 23 (9), 1009-1020 (2007).
  2. Withers, P. J. Residual stress and its role in failure. Rep Prog Phys. 70 (12), 2211(2007).
  3. Hornbach, D. J., Preve´y, P. S. The effect of prior cold work on tensile residual stress development in nuclear weldments. J. Press Vessel Technol. 124 (3), 359-365 (2002).
  4. Zondi, M. C. Factors that affect welding-induced residual stress and distortions in pressure vessel steels and their mitigation techniques: a review. J Press Vessel Technol. 136 (4), 040801(2014).
  5. Ohms, C., Wimpory, R. C., Katsareas, D. E., Youtsos, A. G. NET TG1: Residual stress assessment by neutron diffraction and finite element modeling on a single bead weld on a steel plate. Int J Press Vessels Piping. 86 (1), 63-72 (2009).
  6. Bouchard, P. J. The NeT bead-on-plate benchmark for weld residual stress simulation. Int J Press Vessel Piping. 86 (1), 31-42 (2009).
  7. Hofmann, M., Wimpory, R. C. NET TG1: Residual stress analysis on a single bead weld on a steel plate using neutron diffraction at the new engineering instrument 'STRESS-SPEC'. Int J Press Vessels Piping. 86 (1), 122-125 (2009).
  8. Smith, M. C., Smith, A., Ohms, C., Wimpory, R. A review of the NeT TG4 international weld residual stress benchmark. ASME Press Vessels Piping Conf 2015. 6B, (2015).
  9. Akrivos, V., Smith, M. C. Material characterization on the nickel-based alloy 600/82 NeT-TG6 benchmark weldments. Proc ASME Press Vessels Piping Conf 2019. Uddin, M., Brongers, M., Messner, M. 6B, (2019).
  10. Wimpory, R. C., Ohms, C., Hofmann, M., Schneider, R., Youtsos, A. G. Statistical analysis of residual stress determinations using neutron diffraction. Int J Press Vessels Piping. 86 (1), 48-62 (2009).
  11. Ficquet, X., Smith, D. J., Truman, C. E., Kingston, E. J., Dennis, R. J. Measurement and prediction of residual stress in a bead-on-plate weld benchmark specimen. Int J Press Vessels Piping. 86 (1), 20-30 (2009).
  12. Gilles, P., El-Ahmar, W., Jullien, J. F. Robustness analyses of numerical simulation of fusion welding NeT-TG1 application:"Single weld-bead-on-plate.". Int J Press Vessels Piping. 86 (1), 3-12 (2009).
  13. Shan, X., Davies, C. M., Wangsdan, T., O'dowd, N. P., Nikbin, K. M. Thermo-mechanical modelling of a single-bead-on-plate weld using the finite element method. Int J Press Vessels Piping. 86 (1), 110-121 (2009).
  14. Bate, S. K., Charles, R., Warren, A. Finite element analysis of a single bead-on-plate specimen using SYSWELD. Int J Press Vessels Piping. 86 (1), 73-78 (2009).
  15. Coules, H. E., Smith, D. J., Venkata, K. A., Truman, C. E. A method for reconstruction of residual stress fields from measurements made in an incompatible region. Int J Solids Str. 51 (10), 1980-1990 (2014).
  16. Smith, M. C., Smith, A. C., Wimpory, R., Ohms, C. A review of the NeT Task Group 1 residual stress measurement and analysis round robin on a single weld bead-on-plate specimen. Int J Press Vessels Piping. 120, 93-140 (2014).
  17. Na, M. G., Kim, J. W., Lim, D. H. Prediction of residual stress for dissimilar metals welding at nuclear power plants using fuzzy neural network models. Nucl Eng Technol. 39 (4), 337-348 (2007).
  18. Na, M. G., Kim, J. W., Lim, D. H., Kang, Y. J. Residual stress prediction of dissimilar metals welding at NPPs using support vector regression. Nucl Eng Design. 238 (7), 1503-1510 (2008).
  19. Edwin Raja Dhas, J., Kumanan, S. Evolutionary fuzzy SVR modeling of weld residual stress. Appl Soft Comput J. 42, 423-430 (2016).
  20. Koo, Y. D., Yoo, K. H., Na, M. G. Estimation of residual stress in welding of dissimilar metals at nuclear power plants using cascaded support vector regression. Nucl Eng Technol. 49 (4), 817-824 (2017).
  21. Kitano, H., Nakamura, T. Predicting residual weld stress distribution with an adaptive neuro-fuzzy inference system. Int J Automat Technol. 12 (3), 290-296 (2018).
  22. Mathew, J., Griffin, J., Alamaniotis, M., Kanarachos, S., Fitzpatrick, M. E. Prediction of welding residual stresses using machine learning: Comparison between neural networks and neuro-fuzzy systems. Appl Soft Comput J. 70, 131-146 (2018).
  23. Liu, F., et al. Prediction of welding residual stress and deformation in electro-gas welding using artificial neural network. Mater Today Comm. 29 (May), 102786(2021).
  24. Muransky, O., Hamelin, C. J., Smith, M. C., Bendeich, P. J., Edwards, L. The effect of plasticity theory on predicted residual stress fields in numerical weld analyses. Computat Mater Sci. 54, 125-134 (2012).
  25. Miao, Z., Margetts, L., Vasileiou, A. N., Yin, H. Surrogate model development using simulation data to predict weld residual stress: A case study based on the NeT-TG1 benchmark. Int J Press Vessels Piping. 206, 105014(2023).
  26. Seeger, M. Gaussian processes for machine learning. Int J Neural Sys. 14 (02), 69-106 (2004).
  27. Chen, S. J., Zhang, Z. K. Temperature prediction of friction stir welding based on Bayesian neural network. Appl Mech Mater. 48, 1208-1212 (2011).

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

Surrogate ModelWelding SimulationResidual Stress PredictionArtificial Neural NetworkFinite Element SimulationData AutomationPython ScriptingMacro FunctionsMachine Learning ModelsStructural Integrity

Related Articles