Desarrollo de modelos sustitutos para experimentos digitales en soldadura
March 28th, 2025
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.
El alcance de mi investigación se centra en el desarrollo de modelos sustitutos eficientes utilizando el aprendizaje automático, en particular redes neuronales artificiales para predecir la tensión residual inducida por la soldadura. Nuestro enfoque clave es abordar cómo automatizar la generación de datos para la simulación de soldadura para mejorar la eficiencia. Establecimos que la automatización de la generación de datos con scripts de Python y funciones macro reduce significativamente el tiempo de configuración de la simulación, lo que permite la creación de grandes conjuntos de datos.
Además, nuestro modelo de circuito basado en redes neuronales artificiales predice con precisión la tensión residual inducida por la soldadura, logrando un error cuadrático medio relativo de 0,0024. logrando un error cuadrático medio relativo de 0,0024. Nuestro protocolo ofrece ventajas al automatizar la generación de datos a través de scripts de Python y funciones macro, lo que reduce el tiempo y el esfuerzo necesarios para la configuración de la simulación y la extracción de datos.
Esto garantiza la coherencia y permite la creación de un amplio conjunto de datos para entrenar modelos de aprendizaje automático. Para comenzar, abra Abaqus y haga clic en archivo, seguido de establecer directorio de trabajo para establecer el directorio de trabajo. A continuación, haga clic secuencialmente en el archivo trabajo del administrador de macros y cree una macro llamada grabación térmica.
Cree un modelo para las muestras de soldadura. Utilice como ejemplo un solo cordón de soldadura en el caso de referencia de la estructura de la placa. Haga clic en la parte seguido de crear la pieza.
Cree un semimodelo deformable en 3D de la muestra extruyendo un boceto cuadrado en el plano XY. Ahora haga clic en la pieza, navegue hasta crear plano de referencia y seleccione el desplazamiento del plano principal. Defina los puntos inicial y final de la soldadura especificando los desplazamientos del plano YZ en función de la longitud del cordón.
A continuación, cree dos planos de referencia adicionales para la profundidad y la anchura del cordón especificando desplazamientos del plano XY y del plano XZ, respectivamente. Haga clic en la parte y seleccione la opción de uso del plano de referencia de la celda de partición para crear particiones de celda del espécimen utilizando los cuatro planos de referencia. A continuación, haga clic en la pieza y seleccione crear extrusión sólida.
Cree un boceto en uno de los planos de referencia para definir la parte del cordón de soldadura debajo de la superficie superior de la muestra. Utilice un arco y dos líneas siguiendo las dimensiones del cordón. Extruya el boceto hasta la profundidad de la longitud del cordón para crear el corte.
A continuación, extruya el boceto a la longitud del cordón mientras selecciona Mantener límites internos. Haga clic en la pieza, luego seleccione crear plano de referencia y desfasar desde el plano principal. Dibuje el cordón de soldadura utilizando dos arcos en una línea en uno de los planos de referencia.
Haga clic en la pieza, seleccione la celda de partición y use el plano de referencia para crear particiones de celda de la muestra usando los cuatro planos de referencia para encontrar. Para definir el material de acero inoxidable AISI 316 LN, haga clic en propiedad y crear material, luego defina la densidad en el menú general y la conductividad y el calor específico en el menú térmico utilizando datos dependientes de la temperatura. A continuación, asigne material al modelo.
Haga clic en propiedad, luego cree sección para crear una sección sólida homogénea con el material definido. Haga clic en propiedad, asignar sección para asignar la sección creada al modelo. Ahora haga clic en el paso, seguido de crear un paso de creación para crear un paso de transferencia de calor llamado soldadura con un período de tiempo de 26.43 y un incremento de tiempo fijo de 0.1, lo que garantiza que no haya no linealidad de la geometría.
Cree otro paso de transferencia de calor denominado enfriamiento uno con un período de tiempo de 70 mediante incrementos de tiempo adaptables con tamaños de incremento inicial, mínimo y máximo establecidos en 0,1, 0,05 y 5 respectivamente. Establézcalo en 0,1, 0,05 y 5 respectivamente. Por último, cree un paso de transferencia de calor denominado enfriamiento dos con un período de tiempo de 2.000 mediante incrementos de tiempo adaptables con tamaños de incremento inicial, mínimo y máximo establecidos en 5, 1 y 100 respectivamente.
Para establecer los atributos del modelo, haga clic en modelo, editar atributo. para acceder a la configuración de atributos. Establezca la temperatura del cero absoluto en 273.15.
Establezca la temperatura del cero absoluto en 273.15. Especifique la constante de Stefan-Boltzmann como 5,67 x 10 elevado a 11. Haga clic en el paso y cree la salida del campo para establecer una solicitud de temperatura nodal para todo el modelo.
A continuación, haga clic en ensamblaje y crear instancia para crear una instancia dependiente. A continuación, haga clic secuencialmente en interacción, crear interacción y condición de película de superficie para crear una interacción de condición de película de superficie 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.
Ahora haga clic secuencialmente en interacción, crear interacción y radiación superficial para crear 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, defina las cargas en el módulo de carga. Haga clic en cargar, crear flujo de flujo de calor térmico y corporal para crear una carga de flujo de calor corporal definida por el usuario que comienza en el paso de soldadura y está inactiva durante los dos pasos de enfriamiento.
A continuación, haga clic en cargar, crear campo predefinido, otro y campo para crear un campo de temperatura predefinido a partir del paso inicial para representar una temperatura ambiente de 20. Para crear una malla en el módulo de malla, haga clic en malla, seleccione el objeto que formará parte y la parte de inicialización para inicializar la pieza por un tamaño global de 0,0024. Haga clic en la malla, luego siembra los bordes para sembrar los bordes de la profundidad del cordón y el ancho del cordón en un número de 3.
Siembra el borde del arco en un número de 3 y el borde de la longitud del cordón en un tamaño de 0,0015. A continuación, haga clic en malla, asigne controles de malla y use el elemento de forma TET con la técnica libre para la región del cordón. Haga clic en malla, asigne el tipo de elemento y establezca el tipo de elemento en DC 3D 10, luego malla la pieza.
Utilice malla y, a continuación, semilla bordes para semillar bordes colineales al eje X dentro de la región de malla fina con un tamaño de 0,0015, los bordes del eje Y con un tamaño de 0,0011 y los bordes del eje Z con un tamaño de 0,00075. y los bordes del eje Z con un tamaño de 0,00075. Ahora haga clic en malla, seguido de controles de malla asignados para asignar el control de malla para la región restante, utilizando el elemento de forma hexadecimal con la técnica de barrido.
A continuación, haga clic en malla, asigne el tipo de elemento y establezca el tipo de elemento en DC 3D 20, seguido de malla de la pieza. Haga clic en trabajo, crear trabajo para crear un trabajo llamado análisis térmico y adjunte la subrutina de usuario de flujo D. Detenga la grabación de macros.
Confirme que un archivo de Python denominado abaqusMacros. py se genera en el directorio de trabajo. Finalmente, haga clic en trabajo, administrador de trabajos y envíe.
Un archivo de resultados denominado ThermalAnalysis. se generará ODB. Las tensiones longitudinales a lo largo de la línea BD mostraron una variación consistente en diferentes combinaciones de longitud de recorrido del arco, velocidad avanzada del arco y tasa de entrada de energía neta, con tensiones que alcanzan su punto máximo más cerca de la superficie y disminuyen a profundidades más profundas.
La mayoría de las discrepancias entre la simulación de elementos finitos y las predicciones de redes neuronales artificiales se encontraban dentro del rango de 0 a 2 megapascales, lo que representa el 45,2% de los datos de prueba. Los bins de nivel de estrés con menos puntos de datos de entrenamiento mostraron discrepancias máximas más altas en el conjunto de datos de prueba, como se observa en los residuales absolutos de bins específicos. Las predicciones de las redes neuronales artificiales coincidieron estrechamente con los resultados de la simulación de elementos finitos con un error cuadrático medio de 0,0024.
Visión general
Este protocolo describe un flujo de trabajo para construir una red neuronal artificial para simulación de soldadura utilizando conjuntos de datos automatizados generados a través de scripts de Python. El flujo de trabajo se valida contra un caso de referencia de soldadura de línea recta de una pasada, demostrando una fuerte precisión predictiva.
Componentes clave del estudio
Área de la ciencia
- Aprendizaje automático
- Simulación de soldadura
- Redes neuronales artificiales
Fundamentos
- Enfoque en desarrollar modelos sustitutos eficientes para el estrés residual inducido por soldadura.
- Automatización de la generación de datos mejora la eficiencia y reduce el tiempo de configuración.
- Utilización de scripts de Python y funciones macro para la creación de grandes conjuntos de datos.
- Importancia de la precisión predictiva en el modelado de procesos de soldadura.
Propósito del estudio
- Automatizar la generación de datos para simulaciones de soldadura.
- Mejorar la eficiencia de la configuración de simulación y la extracción de datos.
- Crear extensos conjuntos de datos para el entrenamiento de modelos de aprendizaje automático.
Métodos utilizados
- Utilización de scripts de Python para la generación automatizada de datos.
- Construcción de un modelo deformable 3D de especímenes de soldadura.
- Creación de varios pasos de transferencia de calor para la simulación.
- Implementación de controles de malla y tipos de elementos para un modelado preciso.
Resultados principales
- Se logró un error medio cuadrático relativo de 0.0024 en las predicciones.
- Se demostró un fuerte acuerdo entre el modelo sustituto y las simulaciones de elementos finitos.
- Reducción significativa en el tiempo de configuración de simulación mediante la automatización.
- Creación de un conjunto de datos integral para fines de entrenamiento.
Conclusiones
- La automatización de la generación de datos es crucial para simulaciones de soldadura eficientes.
- Las redes neuronales artificiales pueden predecir con precisión los esfuerzos inducidos por soldadura.
- Este protocolo proporciona un marco robusto para futuras investigaciones en simulación de soldadura.
Preguntas frecuentes
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.
