焊接数字实验的代理模型开发
March 28th, 2025
该协议概述了使用通过带有宏函数的 Python 脚本自动生成的数据集构建人工神经网络以进行焊接仿真的一般工作流程。该工作流程根据涉及单道直线焊接的基准案例进行验证。代理模型的预测准确性与有限元仿真具有很强的一致性。
我的研究范围集中在使用机器学习开发高效的代理模型，特别是人工神经网络来预测焊接引起的残余应力。我们的重点是解决如何自动生成焊接仿真数据以提高效率的问题。我们确定，使用 Python 脚本和宏函数自动生成数据可以显著减少仿真设置时间，从而支持创建大型数据集。
此外，我们基于人工神经网络的电路模型准确预测了焊接引起的残余应力，实现了 0.0024 的相对均方根误差。实现 0.0024 的相对均方根误差。我们的协议通过 Python 脚本和宏函数自动生成数据，从而减少了仿真设置和数据提取所需的时间和精力。
这确保了一致性，并支持创建用于训练机器学习模型的广泛数据集。首先，打开 Abaqus 并单击"文件"，然后单击"设置工作目录"以设置工作目录。然后依次单击文件 macromanager work 并创建一个名为 thermal recording 的宏。
创建焊接试样的模型。以板结构上的单个焊道基准案例为例。单击 part ，然后单击 create part 。
通过在 XY 平面上拉伸方形草图来创建试样的 3D 可变形半模型。现在单击零件，导航到创建基准平面，然后选择从主平面偏移。通过根据焊道长度指定与 YZ 平面的偏移来定义焊接的起点和终点。
然后，通过分别指定与 XY 平面和 XZ 平面的偏移，为拉延筋深度和宽度创建两个附加基准平面。单击零件并选择分割单元使用基准平面选项，以使用四个基准平面创建试样的单元分区。然后单击零件并选择 create solid extrude（创建实体拉伸）。
在其中一个基准平面上创建草图，以定义试样顶面下方的焊道部分。在拉延筋尺寸后使用圆弧和两条线。将草图拉伸到拉延筋长度的深度以创建切口。
接下来，将草图拉伸到焊缝长度，同时选择 Keep internal boundaries。单击零件，然后选择 create datum plane， and offset from primary plane。在其中一个基准平面上使用两条圆弧在一条线上绘制焊缝。
单击零件，选择分割单元，然后使用基准平面创建试样的单元分区，使用四个基准平面进行查找。要定义不锈钢 AISI 316 LN 的材料，请单击属性并创建材料，然后在通用菜单中定义密度，并在热菜单中使用温度相关数据定义电导率和比热。接下来，为模型分配材料。
单击属性，然后单击 create section（创建截面）以使用定义的材料创建均匀的实体截面。单击 property ， assign section 将创建的部分分配给模型。现在单击步骤，然后单击创建步骤，创建一个名为 welding 的传热步骤，该步骤的时间段为 26.43，固定时间增量为 0.1，确保几何结构没有非线性。
使用自适应时间增量创建另一个名为 cooling one 的传热步骤，其时间段为 70，初始、最小和最大增量大小分别设置为 0.1、0.05 和 5。分别设置为 0.1、0.05 和 5。最后，使用自适应时间增量创建一个名为 Cooling 2 的传热步骤，其时间段为 2， 000，初始、最小和最大增量大小分别设置为 5、1 和 100。
要设置模型属性，请单击 model， edit attribute。以访问属性设置。将绝对零度温度设置为 273.15。
将绝对零度温度设置为 273.15。将 Stefan-Boltzmann 常数指定为 5.67 x 10 的 11 次方。单击 step and create field output 为整个模型设置节点温度请求。
然后单击 assembly and create instance 创建依赖实例。接下来，依次单击交互作用，创建交互作用和表面薄膜条件，在模型的所有表面（对称平面除外）上创建表面薄膜条件交互作用，该交互作用的薄膜系数为 15，汇温度为 20。将开始步骤设置为 welding。
现在，依次单击交互、创建交互和表面辐射，在模型的所有表面（对称平面除外）上创建发射率为 0.7、环境温度为 20 的表面辐射交互。将开始步骤设置为 welding，在 load 模块中定义载荷。单击 载荷， 创建载荷 热通量 和 体热通量 以创建用户定义的体热通量载荷，该载荷从焊接步骤开始，在两个冷却步骤中处于非活动状态。
然后单击 load、create predefined field、other 和 field 以从初始步骤开始创建预定义的温度字段，以表示室温 20。要在网格模块中创建网格，请单击网格，选择要作为零件的对象，然后以 0.0024 的全局大小为零件添加种子零件。单击 mesh （网格），然后 seed edges （种子边缘） 以将焊缝深度和焊缝宽度的边缘设定为 3 的种子。
以 3 为圆弧边缘添加种子，以 0.0015 的大小为拉延筋长度的边缘。接下来，单击 mesh，分配网格控制，并将 TET 形状单元与 free 技术用于拉延筋区域。单击网格，分配单元类型，并将单元类型设置为 DC 3D 10，然后对零件进行网格划分。
使用网格，然后使用种子边缘以种子化边缘，以种子边缘与大小为 0.0015、大小为 0.0011 的 Y 轴边缘和 Z 轴边缘大小为 0.00075 的细网格区域内的 X 轴共线边缘。以及大小为 0.00075 的 Z 轴边。现在单击网格，然后单击分配的网格控制，以使用六角形单元和扫描技术为剩余区域分配网格控制。
然后单击网格，分配单元类型，并将单元类型设置为 DC 3D 20，然后对零件进行网格划分。单击 job ， create job 以创建名为 thermal analysis 的 job 并附加 D flux 用户子例程。停止宏录制。
确认名为 abaqusMacros.py 在工作目录中生成。最后，单击 job、job manager 和 submit。
名为 ThermalAnalysis 的结果文件。将生成 ODB。沿 BD 线的纵向应力在电弧行程长度、电弧前进速度和净能量输入率的不同组合中表现出一致的变化，应力在靠近表面时达到峰值，在更深的深度处降低。
有限元仿真和人工神经网络预测之间的大部分差异在 0 到 2 兆帕范围内，占测试数据的 45.2%。训练数据点较少的压力水平 bin 在测试数据集中表现出更高的最大差异，如特定 bin 的绝对残差所示。人工神经网络预测与有限元仿真结果非常匹配，均方误差为 0.0024。
概述
该协议概述了一种使用Python脚本生成的自动化数据集来构建用于焊接模拟的人工神经网络的工作流程。该工作流程通过单道直线焊接的基准案例进行验证，展示了强大的预测精度。
关键研究组成部分
科学领域
- 机器学习
- 焊接模拟
- 人工神经网络
背景
- 专注于开发焊接引起的残余应力的高效代理模型。
- 数据生成的自动化提高了效率并减少了设置时间。
- 利用Python脚本和宏函数创建大型数据集。
- 在建模焊接过程中预测精度的重要性。
研究目的
- 自动化焊接模拟的数据生成。
- 提高模拟设置和数据提取的效率。
- 创建大量数据集用于训练机器学习模型。
使用的方法
- 利用Python脚本进行自动数据生成。
- 构建焊接试样的3D变形模型。
- 创建各种热传导步骤以用于模拟。
- 实施网格控制和元素类型以实现准确建模。
主要结果
- 在预测中实现了0.0024的相对均方根误差。
- 展示了代理模型和有限元模拟之间的强烈一致性。
- 通过自动化显著减少了模拟设置时间。
- 创建了一个全面的数据集用于训练目的。
结论
- 自动化数据生成对于高效的焊接模拟至关重要。
- 人工神经网络可以准确预测焊接引起的应力。
- 该协议为未来的焊接模拟研究提供了一个强大的框架。
常见问题
Executive Industry Relevance
Automated surrogate modeling for welding-induced residual stress prediction addresses a critical bottleneck in digital experiment scalability and reproducibility. By leveraging machine learning and automated data generation, this workflow enables rapid hypothesis testing and robust model validation, supporting risk-adjusted decision-making in advanced manufacturing R&D. The approach enhances predictive confidence and operational efficiency at key inflection points in process development pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables rapid interrogation of process parameters impacting structural integrity in engineered systems.
- Supports mechanistic de-risking by quantifying the influence of thermal cycling on material performance.
- Facilitates predictive modeling for early-stage process optimization and portfolio triage.
Screening & Assay Development
- Automates generation of standardized digital datasets for downstream simulation workflows.
- Improves reproducibility and consistency by eliminating manual variability in simulation setup.
- Delivers quantitative outputs that enable reliable comparison of process conditions.
Translational & Preclinical Research
- Aligns digital experiment outputs with physical validation data for translational continuity.
- Supports risk-adjusted advancement of process innovations from simulation to pilot-scale testing.
- Provides a framework for integrating predictive models into broader preclinical evaluation pipelines.
Pipeline & Workflow Integration
This surrogate modeling workflow integrates into the digital experiment continuum, spanning early process discovery through simulation-driven optimization and preclinical validation.
- Discovery Biology: Enables hypothesis testing on the impact of welding parameters using automated, reproducible simulations.
- Screening: Provides standardized, high-throughput digital assays for process parameter evaluation.
- Analytics: Delivers quantitative stress predictions and statistical error metrics for robust condition comparison.
- Translational Research: Bridges digital predictions with experimental validation for risk-adjusted process advancement.
- Enterprise Reuse: Establishes a scalable, reusable modeling capability for diverse process development needs.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in process modeling.
- Operational Value: Streamlines simulation workflows through automation and standardization.
- Strategic Value: Enables faster go/no-go decisions and capital-efficient process development.
- Portfolio Impact: Supports risk-adjusted prioritization and advancement of manufacturing innovations.
Implementation Considerations
- Requires expertise in machine learning, finite element modeling, and Python scripting.
- Depends on access to simulation software and computational infrastructure for dataset generation.
- Demands cross-team standardization of simulation protocols and data formats.
- Adaptation may be needed for different material systems or welding configurations.
- Model accuracy is contingent on the quality and diversity of training datasets.
