Method Article

Desarrollo de modelos sustitutos para experimentos digitales en soldadura

DOI:

10.3791/67576

⸱

March 28th, 2025

 ,  ,  , 
1School of Engineering, University of Manchester

In This Article

Summary

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

Este protocolo describe un flujo de trabajo general para construir una red neuronal artificial para la simulación de soldadura utilizando conjuntos de datos generados automáticamente a través de scripts de Python con funciones macro. El flujo de trabajo se valida con un caso de referencia que involucra soldadura en línea recta de una sola pasada. La precisión predictiva del modelo sustituto muestra una fuerte concordancia con las simulaciones de elementos finitos.

Abstract

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

La industria manufacturera depende en gran medida de los procesos de soldadura para unir materiales, formando componentes integrales en varios sectores. Muchos aspectos influirán en la calidad de la soldadura y, finalmente, afectarán la integridad de la estructura de la soldadura. La tensión residual inducida por la soldadura, una consecuencia del ciclo térmico inherente a estos procesos, afecta significativamente la integridad estructural y el rendimiento de los componentes fabricados. Comprender y predecir esta tensión residual es crucial para mejorar la confiabilidad y durabilidad de las estructuras soldadas. Sin embargo, la evaluación rápida de una configuración de soldadura en experimentos digitales presenta desafíos significativos, ya que una simulación tradicional puede llevar mucho tiempo. Esta investigación describe la aplicación de un flujo de trabajo para construir un modelo sustituto basado en redes neuronales artificiales para predecir la tensión residual inducida por la soldadura. El modelo se construye utilizando datos generados automáticamente a partir de simulaciones de elementos finitos a través de scripts de Python basados en funciones macro. A diferencia de los métodos tradicionales que se basan en el preprocesamiento manual y las simulaciones de elementos finitos, este enfoque reduce significativamente el tiempo y el esfuerzo necesarios para la configuración de la simulación y la extracción de datos, lo que mejora la eficiencia general. Al garantizar que todos los pasos de simulación se realicen de forma coherente a través de macrofunciones, el método elimina la variabilidad inducida por el hombre, lo que mejora la reproducibilidad. Además, la automatización de la generación de datos permite crear extensos conjuntos de datos necesarios para entrenar modelos de aprendizaje automático, superando las limitaciones de las técnicas tradicionales intensivas en mano de obra. El flujo de trabajo contiene cuatro pasos principales: crear una simulación de elementos finitos de soldadura estándar y validar los resultados de la simulación de elementos finitos con datos experimentales; desarrollar scripts para la generación de grandes conjuntos de datos utilizando una función macro que registra los pasos de preprocesamiento y posprocesamiento de la simulación de elementos finitos; utilizar los scripts para generar los datos necesarios; Desarrolle modelos sustitutos y pruebe su rendimiento. La red neuronal artificial demostró una alta precisión en la predicción de los niveles de estrés, alineándose estrechamente con los resultados de la simulación en el conjunto de datos de prueba y un error cuadrático medio relativo de 0,0024.

Introduction

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

Al realizar un experimento digital para la práctica de soldadura, la tensión residual es un resultado clave, ya que es un aspecto crítico de la evaluación de la integridad estructural. La tensión residual inducida por la soldadura es causada por la combinación de altas temperaturas, enfriamiento rápido y los gradientes térmicos no uniformes resultantes y las restricciones mecánicas durante el proceso de soldadura1. El metal mantiene la tensión incluso después de que el gradiente de temperatura interno disminuya como resultado de la deformación plástica y la sujeción externa. La tensión residual puede tener una influencia significativa en el comportamiento y el rendimiento de los componentes, particularmente aquellos que están sujetos a cargas cíclicas o altas tensiones. Puede causar grietas 2,3 y afectar la vida útil de fatiga general4.

Con el fin de mejorar la fiabilidad de la caracterización de la distribución de las tensiones residuales de soldadura, grupos como la Red Europea de Estandarización de Técnicas de Neutrones para la Integridad Estructural (NeT)5 llevaron a cabo una serie de actividades rotativas para realizar experimentos e implementaron simulaciones de elementos finitos (FE) para diferentes escenarios de soldadura, como la soldadura de cordón sobre placade soldadura simple 6 y la soldadura de ranura de múltiples pasos7, 8 de la Constitución. Se utilizan diferentes técnicas de medición experimental para cuantificar la tensión residual inducida por la soldadura, incluida la difracción de neutrones9, el método de contorno, la difracción de rayos X, la perforación de pozos profundos10 y la perforación incremental de orificios centrales11. Además de la medición experimental, la simulación de elementos finitos también se utiliza para reconstruir el campo de tensiones residuales. Gilles et al.12 utilizaron el modelo de fuente de calor superficial en el modelo de elementos finitos para simular la soldadura de cordón sobre placa; También realizaron análisis de sensibilidad del diseño de malla y modelos de fuentes de calor. Shan et al.13realizaron un análisis termomecánico acoplado secuencialmente para predecir la distribución de la tensión residual después de la soldadura; Utilizaron un modelo de fuente de calor móvil con una técnica de nacimiento o muerte de elementos para caracterizar la distribución del flujo de calor. Bate et al.14describieron cómo realizar la calibración del modelo de fuente de calor en un modelo 2D simplificado de la muestra para garantizar la fiabilidad del análisis térmico de la soldadura. Coules et al.15 presentaron un método para reconstruir campos de tensiones residuales en una región incompatible mediante la combinación de mediciones de varias regiones cercanas. El documento destacó el potencial de este método para mejorar la precisión de las mediciones de tensiones residuales, particularmente en situaciones en las que no son posibles las mediciones en la región deseada. Bouchard6presentó un punto de referencia para la simulación de soldadura de cordón en placa y ofreció una definición de objetivos de rendimiento de tensiones térmicas y residuales que podrían usarse para la evaluación del enfoque de simulación de soldadura. Smith et al.16 revisaron los diferentes métodos de modelado de simulación de soldadura y presentaron análisis de sensibilidad de muchos parámetros de modelado de simulación de soldadura, incluido el diseño de la malla, las características de la fuente de calor, la entrada de calor y el modelo constitutivo. La precisión de los resultados de la simulación depende en gran medida de las suposiciones y simplificaciones de los analistas. Además, a menudo se descuidan algunos detalles de la configuración de la simulación en los artículos publicados anteriormente, lo que dificulta la replicación de las simulaciones.

Además de la simulación FE, se han implementado una serie de algoritmos de aprendizaje automático para la predicción del estrés, que incluyen la red neuronal difusa17, la regresión vectorial de soporte 18,19,20 la red neuro-difusa adaptativa 21,22 y la red neuronal artificial23. El uso de algoritmos de aprendizaje automático preentrenados reduce significativamente el tiempo necesario para la predicción de tensiones en comparación con el análisis de elementos finitos. En lugar de modelar basado en matemáticas y física y luego resolver ecuaciones diferenciales, el desarrollo de modelos sustitutos construye directamente relaciones entre entradas y salidas. Sin embargo, esta metodología basada en datos demanda convencionalmente un volumen sustancial de datos de entrenamiento. A pesar de este requisito, en la actualidad hay una escasez de investigaciones publicadas que expliquen en detalle el proceso de automatización de la generación de dichos datos.

El objetivo general aquí es desarrollar un flujo de trabajo optimizado para automatizar la generación de datos a partir de simulaciones de elementos finitos y utilizar los datos generados para entrenar modelos sustitutos basados en el aprendizaje automático, como las redes neuronales artificiales (ANN), para predecir resultados críticos en procesos físicos complejos. En la figura 1 se presenta un diagrama de flujo de alto nivel que resume los pasos del flujo de trabajo. En este trabajo se presentan todos los escenarios para realizar una simulación de soldadura termomecánica en Abaqus. Al utilizar la función de grabación de macros, todas las operaciones de preprocesamiento y posprocesamiento en la simulación FE se registran en scripts, automatizando así los procesos de generación de datos. Este trabajo también describe cómo utilizar los datos generados para entrenar un modelo sustituto de ANN.

Protocol

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

1. Construcción y grabación de un modelo estándar

  1. Abra Abaqus y haga clic en Archivo > Establecer directorio de trabajo para establecer un directorio de trabajo. Haga clic en Archivo > Administrador de macros > trabajo y cree una macro de trabajo llamada Thermal_recording.
  2. Realice la configuración del análisis térmico como se describe a continuación.
    1. Cree un modelo para las muestras de soldadura. Aquí, se utiliza como ejemplo un caso de referencia de estructura de cordón en placa de soldadura única; el tamaño de la placa base rectangular, el cordón de soldadura y la región de refinamiento de la malla se muestran en la Tabla 1.
      1. Haga clic en Parte > Crear pieza. Cree un semimodelo deformable en 3D del espécimen extruyendo un boceto de un cuadrado en el plano XY de acuerdo con la geometría dada en la Tabla 1.
      2. Haga clic en la Parte > Crear Plano de Referencia: Desplazamiento desde el Plano Principal. Cree dos planos de referencia para describir el punto inicial y el punto final de la soldadura especificando los desplazamientos del plano YZ en función de la longitud del cordón dada en la Tabla 1. Cree dos planos de referencia para describir la profundidad y el ancho del cordón para la soldadura especificando los desplazamientos del plano XY y el plano XZ en función de la profundidad y el ancho del cordón indicados en la Tabla 1. La cuenta se encuentra en el centro de la superficie superior, con su longitud alineada con la dirección longitudinal del espécimen.
      3. Haga clic en Parte > celda de partición: Usar plano de referencia. Cree particiones de celda de la muestra utilizando los cuatro planos de referencia creados en el paso 1.2.1.2.
      4. Haga clic en Parte > Crear Corte: Extrusión. Cree un boceto para la parte del cordón de soldadura que se encuentra debajo de la superficie superior de la muestra especificando un arco (arco-1) y dos líneas en uno de los planos de referencia creados. Las dimensiones de la cuenta se muestran en la Tabla 1. Cree un corte con la profundidad de la longitud del cordón extruyendo el boceto.
      5. Haga clic en Parte > Crear sólido: Extrusión. Cree un boceto para el cordón de soldadura especificando dos arcos (arco-1 y acr-2) y una línea en uno de los planos de referencia creados. Extruya el boceto por la longitud del cordón seleccionando Mantener límites internos.
      6. Haga clic en la Parte > Crear Plano de Referencia: Desplazamiento del Plano Principal. Cree cuatro planos de referencia para definir la región de malla fina en función de la geometría de la región de refinamiento de malla. La región de malla fina se encuentra en la parte superior central del espécimen.
      7. Haga clic en Parte > celda de partición: Usar plano de referencia. Cree particiones de celda de la muestra utilizando los cuatro planos de referencia creados en el paso 1.2.1.6.
    2. Defina el material del acero inoxidable AISI 316LN en el módulo de propiedades de acuerdo con la Tabla 2.
      1. Haga clic en Propiedad > Crear material. Defina la densidad en el menú General. Defina la conductividad y el calor específico en el menú Térmico utilizando datos dependientes de la temperatura.
    3. Asigne material al modelo como se describe a continuación.
      1. Haga clic en Propiedad > en la sección Crear. Cree una sección sólida homogénea con el material definido en el paso 1.2.2.
      2. Haga clic en la sección Propiedad > Asignar. Asigne el modelo con las secciones definidas en el paso 1.2.3.1.
    4. Defina los pasos en el módulo de pasos como se describe a continuación.
      1. Haga clic en el paso > Crear paso. Cree un paso de transferencia de calor (no considere la no linealidad de la geometría) llamado soldadura con un período de tiempo de 26,43 y un incremento de tiempo fijo de 0,1.
      2. Cree un paso de transferencia de calor (no tenga en cuenta la no linealidad de la geometría) denominado Refrigeración-1 con un período de tiempo de 70 y un incremento de tiempo adaptable con tamaños de incremento inicial, mínimo y máximo que sean 0,1, 0,05 y 5, respectivamente.
      3. Cree un paso de transferencia de calor (no tenga en cuenta la no linealidad de la geometría) denominado Refrigeración-2 con un período de tiempo de 2000 y un incremento de tiempo adaptable con tamaños de incremento inicial, mínimo y máximo que sean 5, 1 y 100, respectivamente.
        NOTA: La selección del intervalo de tiempo para los pasos de enfriamiento es crucial para la simulación y debe ser determinada cuidadosamente por los analistas.
    5. Establezca los atributos del modelo como se describe a continuación.
      1. Haga clic en Modelo > Editar atributo. Establezca la temperatura del cero absoluto en -273.15. Establezca la constante de Stefan-Boltzmann en 5.67E-11.
    6. Haga clic en Paso> Crear salida de campo para establecer una solicitud de temperatura nodal para todo el modelo. Haga clic en Ensamblaje > Crear instancia para crear una instancia dependiente.
    7. Cree interacciones en el módulo Interacción.
      1. Haga clic en Interacción > Crear interacción > condición de película de superficie. Cree una interacción de condición de película superficial con un coeficiente de película de 15 y una temperatura de hundimiento de 20 en todas las superficies del modelo excepto en el plano simétrico. Establezca el paso de inicio como soldadura.
      2. Haga clic en Interacción > Crear interacción > Radiación superficial. Cree una interacción de radiación superficial con una emisividad de 0,7 y una temperatura ambiente de 20 en todas las superficies del modelo excepto en el plano simétrico. Establezca el paso de inicio como soldadura.
    8. Defina las cargas en el módulo Carga.
      1. Haga clic en Cargar > Crear carga > Flujo de calor térmico > corporal. Cree una carga de flujo de calor corporal definida por el usuario desde el paso de soldadura e inactívela en los dos pasos de enfriamiento.
      2. Haga clic en Cargar > Crear campo predefinido > Otro campo >. Cree un campo de temperatura predefinido a partir del inicial para representar la temperatura ambiente de 20.
    9. Cree una malla en el módulo Malla como se describe a continuación.
      NOTA: El tipo de elemento, el tamaño de malla global y el tamaño de malla fina deben decidirse en función de los requisitos específicos de cada análisis.
      1. Haga clic en Malla > objeto: Parte > Parte semilla. Inicialice la pieza por el tamaño global de 0,0024. Haga clic en Malla > en los bordes de la semilla. Siembra los bordes de la profundidad y el ancho de la cuenta por un número de 3.
      2. Siembra el borde del arco 2 en el número 3. Siembra el borde de la longitud de la cuenta por el tamaño de 0,0015.
      3. Haga clic en Malla > Asignar controles de malla. Utilice el elemento de forma de Tet y la técnica libre para la región del abalorio. Haga clic en Malla > Asignar tipo de elemento. Establezca el tipo de elemento en DC3D10 y la parte de malla.
      4. Haga clic en Malla > Bordes de semilla. Siembra los bordes colineales al eje X dentro de la región de malla fina con un tamaño de 0,0015. Siembra los bordes que son colineales con el eje Y dentro de la región de malla fina por el tamaño de 0,0011. Siembra los bordes colineales al eje Z dentro de la región de malla fina con un tamaño de 0,00075.
      5. Haga clic en Malla > Asignar controles de malla. Asigne el control de malla para el resto de la región. Utilice el elemento de forma hexadecimal y la técnica de barrido. Haga clic en Malla > Asignar tipo de elemento. Establezca el tipo de elemento en DC3D20 y la parte de malla.
    10. Haga clic en Trabajo > Crear trabajo. Cree un trabajo denominado Thermal_analysis, adjunte la subrutina de usuario DFLUX.
    11. Detener la grabación de macros. Se generaría un archivo de python llamado Thermal_recording.py en el directorio de trabajo.
    12. Haga clic en Job > Administrador de trabajos > Enviar. Envíe el trabajo. Se generará un archivo de resultados llamado Thermal_analysis.odb.
  3. Haga clic en Archivo > Administrador de macros > trabajar. Abra el Administrador de macros y cree una macro de trabajo denominada Mechanical_recording.
  4. Realice la configuración del análisis mecánico como se describe a continuación.
    1. Repita el paso 1.2.1 para crear la geometría del modelo para la muestra de soldadura.
    2. Defina el material del acero inoxidable AISI 316LN en el módulo de propiedades de acuerdo con la Tabla 2 y la Tabla 3.
      1. Haga clic en Propiedad > Crear material. Defina la densidad en el menú General. Defina las propiedades elásticas en el menú Mecánico utilizando datos dependientes de la temperatura.
      2. Defina las propiedades del plástico en el menú Mecánico utilizando datos dependientes de la temperatura. Seleccione el modelo de protección combinado y seleccione los parámetros como tipo de datos . Establezca el número de tensiones de retroceso y el número de variables de campo en 2 y 0.
      3. Agregue subopciones de Temperatura de recocido. Ajuste la temperatura de recocido a 1050. Defina la expansión isotrópica en el menú Mecánico utilizando datos dependientes de la temperatura.
    3. Repita el paso 1.2.3 para asignar material al modelo.
    4. Defina los pasos en el módulo de pasos como se describe a continuación.
      1. Haga clic en el paso > Crear paso. Cree un paso estático (considere la no linealidad de la geometría) para soldar con un período de tiempo de 26,43 y un incremento de tiempo fijo de 0,1.
      2. Cree un paso estático (tenga en cuenta la no linealidad de la geometría) para Refrigeración-1 con un período de tiempo de 70 y un incremento de tiempo adaptable con tamaños de incremento inicial, mínimo y máximo que sean 0,1, 0,05 y 5, respectivamente.
      3. Cree un paso estático (tenga en cuenta la no linealidad de la geometría) para Cooling-2 con un período de tiempo de 2000 s y un incremento de tiempo adaptable con tamaños de incremento inicial, mínimo y máximo que sean 5, 1 y 100, respectivamente.
    5. Haga clic en el paso > Crear salida de campo. Establezca los componentes de tensión y la solicitud de invariantes para todo el modelo. Haga clic en Ensamblaje > Crear instancia. Cree una instancia dependiente.
    6. Establezca las condiciones de contorno como se describe a continuación.
      1. Haga clic en Cargar > crear condiciones de contorno > desplazamiento/rotación de > mecánico. Establezca los vértices izquierdos en el plano simétrico y en la superficie superior para que se restrinjan en U1 y U3.
      2. Establezca los vértices correctos en el plano de simetría y en la superficie superior que se van a restringir en U3.
      3. Haga clic en Cargar > crear condiciones de contorno > simetría/antisimetría/encastre de > mecánico. Establezca las condiciones simétricas en el plano de simetría.
    7. Establezca los campos predefinidos como se describe a continuación.
      1. Haga clic en Cargar > crear campo predefinido. Cree un campo de temperatura predefinido a partir del paso inicial para representar la temperatura ambiente de 20.
      2. Cree un campo de temperatura predefinido a partir del paso de soldadura. El recurso de distribución procede del archivo de base de datos de resultados o de salida. Agregue la raíz para que sea la del archivo de resultados generado en el paso 1.2.12 y establezca el paso de inicio, el incremento de inicio y el paso de finalización en 1, 1, 1, respectivamente.
      3. Cree un campo de temperatura predefinido a partir del paso Refrigeración-1. El recurso de distribución procede de los resultados o del archivo de base de datos de salida. Agregue la raíz para que sea la del archivo de resultados generado en el paso 1.2.12 y establezca el paso de inicio, el incremento de inicio y el paso de finalización en 2, 1, 2, respectivamente.
      4. Cree un campo de temperatura predefinido a partir del paso Refrigeración-2. El recurso de distribución procede de archivos de base de datos de resultados o de salida. Agregue la raíz para que sea la del archivo de resultados generado en el paso 1.2.12 y establezca el paso de inicio, el incremento de inicio y el paso final en 3, 1, 3 respectivamente.
    8. Repita el paso 1.2.9 pero asigne el tipo de elemento a C3D8R. Cree un trabajo denominado Mechanical_analysis. Detener la grabación de macros. Se generaría un archivo de Python llamado Mechanical_recording.py en el directorio de trabajo.
    9. Envíe el trabajo. Se puede generar un archivo de resultados denominado Mechanical_analysis.odb.
  5. Realice el procesamiento posterior como se describe a continuación.
    NOTA: En la etapa de posprocesamiento, se extraen los campos de física y se comparan con los resultados experimentales. El proceso de extracción específico depende de los datos experimentales disponibles. Este estudio demuestra la extracción del campo de temperatura, el límite de fusión y el campo de tensión, que se pueden comparar con las lecturas de termopares, las mediciones de la forma del cordón y los datos de tensión residual, respectivamente. Los resultados detallados de la comparación están disponibles en la publicación asociada24.
    1. Extraiga los resultados térmicos como se describe a continuación.
      1. Haga clic en Archivo > Abrir base de datos. Abra Thermal_analysis.odb. Haga clic en Plug-ins > herramientas > encontrar el nodo más cercano. Busque la etiqueta nodal para el punto de Par térmico 5 y Par térmico 9 utilizando la herramienta Buscar nodo más cercano en los complementos.
        NOTA: El par térmico 5 se encuentra en la línea de intersección de la superficie superior de la muestra y la sección transversal de longitud media. Está a 11,5 mm del plano de simetría. El par térmico 9 se encuentra en el punto de intersección del plano inferior, el plano de simetría y la sección transversal de longitud media.
      2. Haga clic en Visualización > Crear datos XY > salida de campo ODB. Extraiga el historial de temperatura nodal único.
      3. Haga clic en Visualización > Activar/Desactivar corte de vista. Active la vista de corte del plano X. Ajuste el selector de fotogramas y capture la sección transversal de fusión cuando el límite de fusión alcance el más grande.
    2. Extraiga los resultados mecánicos como se describe a continuación.
      1. Abra el Administrador de macros y cree una macro de trabajo denominada data_extracting. Abrir Mechanical_analysis.odb.
      2. Haga clic en Herramientas > Ruta > Crear > lista de nodos. Cree rutas para la línea BD (la línea BD atraviesa el grosor de la muestra en la longitud media).
      3. Haga clic en Visualización > Crear ruta de > de datos XY. Cree datos XY a partir de rutas en una forma de modelo sin deformar.
      4. Detener la grabación de macros. Se generaría un archivo de python llamado data_extracting.py en el directorio de trabajo.
    3. Compare los resultados térmicos y mecánicos con los datos experimentales. Se utilizaron los mismos parámetros y ajustes tanto para la simulación como para los experimentos.

2. Scripting del modelo

NOTA: Aquí, se parametrizan tres parámetros de soldadura, velocidad de soldadura, longitud de recorrido y tasa de entrada de energía neta.

  1. Simplifique el modelo en función del análisis de sensibilidad.
    NOTA: De acuerdo con un análisis de sensibilidad del efecto de incluir o excluir la altura de la armadura del cordón de soldadura en el modelo, incluir o excluir la altura de la armadura del cordón de soldadura en el modelo no afectó significativamente la distribución de tensiones a lo largo de la línea BD. Por lo tanto, se pueden omitir los pasos para crear el cordón en la simulación.
  2. Abre Thermal_recording.py. Encuentre los códigos para definir el paso buscando HeatTransferStep. Sustituya el valor del período de tiempo específico para el paso de soldadura con la expresión bead_length/velocidad de soldadura.
  3. Encuentre los códigos para crear el archivo de entrada. Sustitúyase el nombre de la especie por la expresión T-Heat_input-welding_speed-travel_length.
  4. Abre Mechanical_recording.py. Encuentre los códigos para definir el paso buscando HeatTransferStep. Sustituya el valor del período de tiempo específico para el paso de soldadura con la expresión bead_length/velocidad de soldadura.
  5. Encuentre los códigos para crear el archivo de entrada. Sustitúyase el nombre de la especie por la expresión M-Heat_input-welding_speed-travel_length.
  6. Combine el código para crear archivos de entrada para análisis térmico y mecánico utilizando las líneas 1-408 en el archivo de codificación suplementario 1 incluido.
  7. Defina los formatos de la lista de argumentos y llame a las funciones para crear archivos de entrada para análisis térmicos y mecánicos utilizando las líneas 410-459 en el archivo de codificación suplementario 1 incluido. Todos los archivos de entrada para análisis térmicos se almacenarían en Thermal_input_files carpeta, y todos los archivos de entrada para análisis mecánicos se almacenarían en Mechanical_input_files carpeta debajo del directorio de trabajo.
  8. Genere el archivo python final (Archivo de codificación suplementario 1).
    NOTA: Para aumentar la solidez del script, todas las funciones predeterminadas utilizadas para seleccionar la secuencia, denominadas getSequenceFromMask, se sustituyeron por la función de selección de secuencia basada en coordenadas, denominada findAt.

3. Generación de datos

  1. Ejecute el archivo de codificación suplementario 1 en la línea de comandos de Abaqus para generar archivos de entrada tanto para análisis térmicos como para análisis mecánicos. Copie el archivo de codificación complementaria 2 y el archivo de codificación complementaria 3 en la carpeta Thermal_input_files.
  2. Escriba qsub Run_thermal en la línea de comandos para ejecutar scripts de shell para modificar la subrutina DFLUX de acuerdo con diferentes nombres de archivos de entrada de soldadura y enviar trabajos.
  3. Copie el archivo de codificación suplementario 4 en la carpeta Mechanical_input_files. Escriba qsub Run_mechanical en la línea de recomendación para modificar los archivos de entrada para el análisis mecánico de acuerdo con los diferentes nombres de archivos de entrada de soldadura y enviar trabajos.
  4. Copie el archivo de codificación suplementario 5 en la carpeta Mechanical_input_files y ejecute este script en la línea de comandos. A continuación, genere archivos csv que contengan el valor de tensión para los puntos de la línea de destino.

4. Desarrollo de modelos sustitutos

  1. Cargue bibliotecas utilizando las líneas 1-17 incluidas en el archivo de codificación suplementario 6. Corrija la semilla aleatoria usando la línea 378, incluida en el Archivo de codificación suplementaria 6.
  2. Especifique la ruta del conjunto de datos de entrenamiento y el conjunto de datos de prueba mediante las líneas 381-382 incluidas en el archivo de codificación suplementario 6.
  3. Preprocese el conjunto de datos utilizando la línea 385 incluida en el Archivo de codificación suplementaria 6. El preprocesamiento incluye el muestreo espaciado uniformemente, la normalización y el entrenamiento y la división del conjunto de pruebas.
  4. Realice el ajuste de hiperparámetros mediante la optimización bayesiana utilizando las líneas 387-397 en el archivo de codificación suplementario 6 incluido (opcional).
  5. Realice el ajuste de hiperparámetros con validación cruzada mediante GridsearchCV utilizando las líneas 399-401 en el archivo de codificación suplementario 6 incluido (opcional).
  6. Construya un modelo sustituto y prediga en el conjunto de datos de prueba utilizando las líneas 404-405 en el archivo de codificación suplementario 6 incluido.
  7. Calcule e imprima el MSE para la predicción utilizando las líneas 406-410 en el archivo de codificación suplementario 6 incluido.
  8. Guarde el modelo sustituto utilizando las líneas 414-416 en el archivo de codificación suplementario 6 incluido.
  9. Traza las predicciones de ANN con los datos de simulación en el conjunto de datos de prueba utilizando las líneas 419-420 en el archivo de codificación suplementario 6 incluido.
  10. Traza un mapa de rendimiento general en el conjunto de datos de prueba utilizando la línea 423 en el archivo de codificación suplementario 6 incluido.

Results

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

Se ejecutaron una serie de simulaciones de elementos finitos utilizando diferentes combinaciones de longitud de recorrido del arco, velocidad de avance del arco y tasa de entrada de energía neta. Para el conjunto de entrenamiento, el rango de valores utilizados para la longitud de recorrido del arco fue de 40 mm, 50 mm, 60 mm, 70 mm y 80 mm. El rango de valores utilizados para la velocidad de avance del arco fue de 2 mm/s, 2,5 mm/s, 3 mm/s, 3,5 mm/s y 4 mm/s. El rango de valores utilizados para la tasa de entrada de energía neta fue 1000 W, 1500 W, 2000 W, 2500 W y 3000 W. Para el equipo de prueba, el rango de valores utilizados para la longitud de recorrido del arco fue de 40 mm, 50 mm, 60 mm, 70 mm y 80 mm. El rango de valores utilizados para la velocidad de avance del arco fue de 2,25 mm/s, 2,75 mm/s, 3,25 mm/s y 3,75 mm/s. El rango de valores utilizados para la tasa neta de entrada de energía fue de 1250 W, 1750 W, 2250 W y 2750 W. Las tensiones longitudinales a lo largo de la línea BD de esas 205 simulaciones se recogen y se muestran en la Figura 2. Este resultado se publicó previamente en25. En particular, los resultados del estudio de caso se emplean en ese estudio para corroborar la eficacia del flujo de trabajo. La presente investigación se extiende más allá de las investigaciones anteriores, proporcionando una explicación completa de las configuraciones específicas aplicadas en la simulación de soldadura y detallando la metodología de scripting de Python empleada para la simulación de soldadura general.

Se aplicó el modelo ANN desarrollado para hacer predicciones en el conjunto de pruebas. La discrepancia entre la predicción del modelo y la simulación de FE se muestra en la Figura 3. De los 1680 puntos de prueba, la mayoría de las diferencias (759 ocurrencias) entre el análisis de elementos finitos simulado y los valores de tensión predichos por ANN se encuentran dentro del rango de 0-2 MPa, lo que representa el 45,2% de los datos. La frecuencia disminuye a medida que aumenta la diferencia, con muy pocos puntos de datos que muestren diferencias superiores a 10 MPa. En la Figura 4 se muestra un diagrama de caja para mostrar la distribución de las discrepancias absolutas entre la tensión simulada y la tensión predicha para diferentes niveles de tensión simulada. Cada cuadro representa el rango intercuartílico de los residuos dentro de un intervalo específico de niveles de tensión simulados, y la línea dentro del cuadro indica el valor medio. El histograma en el eje Y secundario muestra el número de puntos de datos de entrenamiento dentro de cada intervalo de nivel de estrés, lo que proporciona contexto adicional sobre la distribución de datos utilizada para entrenar el modelo. Como se muestra en la ilustración, los bins de nivel de estrés con menos puntos de datos de entrenamiento tienden a mostrar discrepancias máximas más altas en el conjunto de datos de prueba. El rendimiento en estas regiones podría mejorarse aumentando la cantidad de datos de entrenamiento disponibles para estos niveles de estrés.

Se utilizó el error cuadrático medio (MSE) para cuantificar el rendimiento predictivo, y la expresión para los indicadores de rendimiento del MSE es:

figure-results-1

donde yi es el valor de tensión antes de revertir la estandarización para el i-ésimo punto de muestra, figure-results-2 es el valor de tensión predicho antes de revertir la estandarización para la i-ésima muestra, y n es el número total de muestras.

La predicción de la tensión de la RNA fue muy cercana a los resultados de la simulación de FE, con un MSE de 0,0024. En la Figura 5 se muestran las predicciones sobre cuatro casos de prueba seleccionados; la entrada de calor para esos cuatro casos de prueba es de 333 J/mm, 538 J/mm, 692 J/mm y 1222 J/mm, respectivamente. Entre estos cuatro casos, las predicciones de ANN muestran una buena concordancia con los resultados de la simulación de FE en general. Sin embargo, en escenarios en los que la velocidad de soldadura es de 2,25 mm/s con una longitud de recorrido de 50 mm y una tasa de entrada de energía neta de 2750 W o cuando la velocidad de soldadura es de 3,75 mm/s con una longitud de recorrido de 40 mm y una tasa de entrada de energía neta de 1250 W, se observan discrepancias relativamente grandes en la parte inferior de la línea BD (cerca de 17 mm de profundidad). Estas discrepancias pueden atribuirse a la mayor complejidad de las reglas que rigen esta región, lo que da lugar a una variedad más compleja dentro de estas regiones específicas del espacio de parámetros. Una posible solución sería aumentar la densidad del conjunto de datos de entrenamiento en esta área.

figure-results-3
Figura 1: Flujo de trabajo. El flujo de trabajo propuesto consta de cuatro pasos (indicados en bloques azules): creación de modelos FE de referencia, secuencias de comandos, generación de datos y desarrollo de modelos sustitutos. Los bloques naranjas representan la entrada de cada paso y los bloques verdes representan la salida de cada paso. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-4
Figura 2: Conjunto de datos generado. Se ilustran un total de 205 conjuntos de datos de tensiones longitudinales, cada uno correspondiente a una combinación única de longitud de recorrido, tasa de entrada de energía neta y velocidad de soldadura. Dentro de cada conjunto, se trazan 20 puntos de datos para diferentes nodos a lo largo de la línea BD. Para diferenciar entre conjuntos, cada uno está representado por un color diferente, que corresponde a su tasa neta de entrada de calor. Este valor se puede calcular dividiendo la tasa de entrada de energía neta por la velocidad de soldadura. Esta cifra ha sido modificada de25. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-5
Figura 3: Frecuencia de la discrepancia entre los resultados de la simulación de FE y las predicciones de ANN. Las diferencias entre los resultados de la simulación de FE y las predicciones de ANN en el conjunto de datos de prueba se clasifican en 10 niveles. Las anotaciones en la gráfica indican la frecuencia y el porcentaje de ocurrencias para cada nivel de diferencia en los casos de prueba. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-6
Figura 4: Distribución de los residuos absolutos promedio y el conjunto de datos de entrenamiento en diferentes niveles de estrés. El diagrama de caja describe la distribución de las discrepancias absolutas entre la tensión simulada y la tensión predicha para diferentes niveles de tensión simulada. La línea naranja dentro de cada cuadro representa la mediana, lo que indica el punto medio de las discrepancias absolutas. La altura de cada cuadro corresponde al rango intercuartílico, que abarca el 50% medio de los datos (desde el percentil 25 hasta el 75), lo que refleja la variabilidad de las discrepancias. Los bigotes se extienden desde la caja para mostrar los valores mínimo y máximo de discrepancia. El histograma azul muestra el número de puntos de datos de entrenamiento correspondientes a cada nivel de estrés en el conjunto de datos de entrenamiento. Haga clic aquí para ver una versión más grande de esta figura.

figure-results-7
Figura 5: Comparación entre los resultados de la simulación y los resultados previstos por ANN. En esta figura se muestran cuatro casos de prueba, con (A) la velocidad de soldadura es de 3,75 mm/s, la longitud de recorrido es de 40 mm y la tasa de entrada de energía neta es de 1250 W; (B) la velocidad de soldadura es de 3,25 mm / s, la longitud del recorrido es de 60 mm y la tasa de entrada de energía neta es de 1750 W; (C) la velocidad de soldadura es de 3,25 mm / s, la longitud de recorrido es de 50 mm y la tasa de entrada de energía neta es de 2250 W; y (D) la velocidad de soldadura es de 2,25 mm/s, la longitud del recorrido es de 50 mm y la tasa de entrada de energía neta es de 2750 W. La discrepancia más notable en todos los casos de prueba se resalta con un cuadro azul, que muestra una diferencia de 19,4 MPa a una profundidad de 17 mm desde la superficie superior en el caso de prueba (D). Haga clic aquí para ver una versión más grande de esta figura.

Tabla 1: Información de geometría para la muestra de soldadura, la región de malla de refinamiento y el cordón. La longitud, el ancho y la profundidad de la muestra de soldadura rectangular y la región de malla de refinamiento se enumeran en la tabla. Las dimensiones del cordón de soldadura se ilustran con un boceto. En el proceso de modelado, el ancho debe reducirse a la mitad, ya que solo se ha creado la mitad del modelo. Haga clic aquí para descargar esta tabla.

Tabla 2: Propiedades del material AISI 316LN14. La densidad y la relación de Poisson se tratan como independientes de la temperatura, y las otras propiedades físicas se tratan como dependientes de la temperatura. Haga clic aquí para descargar esta tabla.

Tabla 3: Propiedades mecánicas plásticas de AISI 316LN24. Propiedades mecánicas del acero inoxidable AISI 316LN en función de la temperatura; límite elástico a cero deformación plástica; parámetros de endurecimiento cinemático (C1, Gamma 1, C2, Gamma 2); parámetro de endurecimiento isotrópico (Q-inf); y parámetro de endurecimiento (b). Haga clic aquí para descargar esta tabla.

Archivo de codificación suplementario 1: Create_input_files.py Haga clic aquí para descargar este archivo.

Archivo de codificación suplementario 2: Run_thermal Haga clic aquí para descargar este archivo.

Archivo de codificación suplementario 3: DFLUX.for Haga clic aquí para descargar este archivo.

Archivo de codificación suplementario 4:Run_Mechanical Haga clic aquí para descargar este archivo.

Archivo de codificación suplementario 5: extract_data.py Haga clic aquí para descargar este archivo.

Archivo de codificación suplementario 6: ANN_development.py Haga clic aquí para descargar este archivo.

Discussion

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

Este estudio presenta un flujo de trabajo para automatizar la generación de datos a partir de simulaciones de elementos finitos y entrenar modelos sustitutos basados en el aprendizaje automático, como redes neuronales artificiales, para predecir resultados críticos en los procesos de soldadura. En primer lugar, el protocolo implica la construcción de una simulación estándar de elementos finitos de soldadura para establecer un marco coherente para obtener resultados fiables. Los resultados de la simulación se analizan y validan con datos experimentales para garantizar la precisión. En segundo lugar, los scripts que pueden realizar el preprocesamiento y el posprocesamiento de la simulación se desarrollan a partir de scripts grabados utilizando la función macro. En tercer lugar, los grandes conjuntos de datos se generan mediante el uso de scripts generados. Por último, se desarrolla y prueba un modelo sustituto que demuestra su excepcional rendimiento. Esta metodología contribuye a la eficiencia del proceso de generación de conjuntos de datos, eliminando la necesidad de configuraciones manuales repetitivas. Reconociendo el papel fundamental de la generación de conjuntos de datos en el desarrollo de modelos sustitutos basados en datos, el flujo de trabajo descrito sirve para acelerar el proceso de desarrollo de modelos sustitutos. En consecuencia, la metodología presentada se erige como un recurso valioso para facilitar el desarrollo de modelos sustitutos basados en datos en el contexto de las simulaciones de soldadura.

En el protocolo, varios pasos críticos influyen significativamente en el rendimiento del modelo sustituto final. En el paso 1.2.9, es esencial asegurarse de que el modelo de soldadura incorpore elementos de malla suficientemente finos para lograr una convergencia estable y resultados de simulación precisos. En el paso 1.5.3, la calibración del modelo estándar de elementos finitos mejora la idoneidad de la selección de los parámetros del modelo de fuente de calor y mejora la precisión de la simulación. En los pasos 4.4 y 4.5, el ajuste adecuado de los hiperparámetros es crucial para identificar la configuración óptima del modelo, mejorando así el rendimiento del modelo sustituto.

Se evaluó el rendimiento del modelo sustituto de ANN desarrollado y se encontró que tuvo un buen desempeño en general. La precisión del modelo sustituto desarrollado en este trabajo es mayor que los intentos anteriores, que se basaron en datos muy limitados 19,23. En el estudio de caso, el modelo sustituto desarrollado está diseñado específicamente para predecir la tensión longitudinal en una configuración de cordón de soldadura en placa de una sola soldadura, incorporando tres parámetros clave de soldadura: velocidad de soldadura, longitud de recorrido y tasa de entrada de energía neta. Es importante tener en cuenta que tanto las entradas como las salidas del modelo son altamente adaptables. Por ejemplo, se pueden incorporar parámetros de soldadura adicionales o propiedades del material en las entradas, y las salidas se pueden ampliar para abarcar todos los componentes de tensión residual o desplazamiento, ofreciendo un marco versátil para una gama más amplia de aplicaciones.

En cuanto al algoritmo utilizado para construir el modelo suplente, también se puede modificar en función de las tareas. Las RNA tienen algunas limitaciones para la extrapolación. A diferencia de las ANN, otros algoritmos de aprendizaje automático, como las máquinas de vectores de soporte (SVM), no están limitados por la estructura de los datos de entrenamiento y tienen una mejor capacidad de extrapolación. Estudios previos 18,19,20 han intentado utilizar SVMs para predecir el estrés residual con cierto éxito. Sin embargo, es importante tener en cuenta que puede ser más difícil ajustar los hiperparámetros de SVM, y es posible que las SVM no siempre tengan un buen rendimiento en las tareas de interpolación en comparación con las ANN. Otra limitación de las RNA es que el uso directo de las RNA no puede generar un intervalo de creencia, lo cual es motivo de preocupación para los ingenieros. Por lo tanto, se pueden considerar otros algoritmos, como la Regresión de Procesos Gaussianos26 y las Redes Neuronales Bayesianas27. Además, aunque el modelo ANN funciona bien en la predicción de tensiones residuales, carece de interpretabilidad. Esta falta de interpretabilidad puede ser un inconveniente en aplicaciones de ingeniería donde la comprensión del proceso de toma de decisiones del modelo es crucial. La interpretabilidad del modelo se puede mejorar integrando modelos más explicativos, como los árboles de decisión.

En conclusión, el flujo de trabajo propuesto en este estudio permite la generación rápida y sencilla de conjuntos de datos, lo que puede acelerar significativamente el desarrollo de modelos sustitutos de simulación de soldadura generales o específicos.

Disclosures

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

Los autores no tienen nada que revelar.

Acknowledgements

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

Este proyecto ha sido apoyado por la Autoridad de Energía Atómica del Reino Unido a través del Programa de la Industria de Fusión. El Programa de la Industria de Fusión está estimulando el crecimiento del ecosistema de fusión del Reino Unido y preparándolo para el futuro mercado mundial de centrales eléctricas de fusión. Puede encontrar más información sobre el Programa de la Industria de Fusión en línea: https://ccfe.ukaea.uk/programmes/fusion-industry-programme/. Los autores expresan su más sincero agradecimiento por el apoyo brindado por Research IT para acceder a la Instalación Computacional Compartida de la Universidad de Manchester. A.N. Vasileiou agradece el apoyo del proyecto 'SINDRI - Synergistic Utilisation of Informatics and Data-centric Integrity Engineering', financiado por el EPSRC, United Kingdom Prosperity Partnership (número de subvención: EP/V038079/1), así como del Dalton Nuclear Institute de la Universidad de Manchester, Reino Unido. Los autores agradecen a NeT-European NeTwork y Carsten Ohms de la Comisión Europea - Centro Común de Investigación (JRC) por el suministro de los datos de referencia de NeT-TG1.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AbaqusDassault Systems2020
Intel Fortran CompiladorIntel Corporation17.0.7
KerasOpen Source2.6.0
PythonOpen Source3.8.18

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