Method Article

Sviluppo di modelli surrogati per esperimenti digitali nella saldatura

DOI:

10.3791/67576

⸱

March 28th, 2025

 ,  ,  , 
1School of Engineering, University of Manchester

In This Article

Summary

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

Questo protocollo delinea un flusso di lavoro generale per la costruzione di una rete neurale artificiale per la simulazione della saldatura utilizzando set di dati generati automaticamente tramite script Python con funzioni macro. Il flusso di lavoro viene convalidato rispetto a un caso di riferimento che prevede la saldatura in linea retta a passaggio singolo. L'accuratezza predittiva del modello surrogato mostra un forte accordo con le simulazioni agli elementi finiti.

Abstract

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

L'industria manifatturiera fa molto affidamento sui processi di saldatura per unire i materiali, formando componenti integrali in vari settori. Molti aspetti influenzeranno la qualità della saldatura e infine influenzeranno l'integrità della struttura della saldatura. Lo stress residuo indotto dalla saldatura, una conseguenza del ciclo termico inerente a questi processi, influisce in modo significativo sull'integrità strutturale e sulle prestazioni dei componenti fabbricati. Comprendere e prevedere questa sollecitazione residua è fondamentale per migliorare l'affidabilità e la durata delle strutture saldate. Tuttavia, la valutazione rapida di una configurazione di saldatura negli esperimenti digitali presenta sfide significative, poiché una simulazione tradizionale può richiedere molto tempo. Questa ricerca delinea l'applicazione di un flusso di lavoro per costruire un modello surrogato basato su rete neurale artificiale per prevedere lo stress residuo indotto dalla saldatura. Il modello è costruito utilizzando i dati generati automaticamente da simulazioni agli elementi finiti attraverso script Python basati su funzioni macro. A differenza dei metodi tradizionali che si basano sulla pre-elaborazione manuale e sulle simulazioni agli elementi finiti, questo approccio riduce significativamente il tempo e lo sforzo necessari per l'impostazione della simulazione e l'estrazione dei dati, migliorando l'efficienza complessiva. Garantendo che tutte le fasi della simulazione vengano eseguite in modo coerente attraverso funzioni macro, il metodo elimina la variabilità indotta dall'uomo, portando a una migliore riproducibilità. Inoltre, l'automazione della generazione dei dati consente di creare ampi set di dati necessari per l'addestramento dei modelli di machine learning, superando i limiti delle tecniche tradizionali ad alta intensità di lavoro. Il flusso di lavoro comprende quattro passaggi principali: costruire una simulazione standard degli elementi finiti di saldatura e convalidare i risultati della simulazione degli elementi finiti rispetto ai dati sperimentali; sviluppare script per la generazione di set di dati di grandi dimensioni utilizzando una funzione macro che registra le fasi di pre-elaborazione e post-elaborazione della simulazione agli elementi finiti; utilizzare gli script per generare i dati richiesti; sviluppare modelli surrogati e testarne le prestazioni. La rete neurale artificiale ha dimostrato un'elevata precisione nella previsione dei livelli di stress, allineandosi strettamente con i risultati della simulazione sul set di dati del test e un errore quadratico medio relativo di 0,0024.

Introduction

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

Quando si esegue un esperimento digitale per la pratica della saldatura, lo stress residuo è un risultato chiave, in quanto è un aspetto critico della valutazione dell'integrità strutturale. Lo stress residuo indotto dalla saldatura è causato dalla combinazione di alte temperature, raffreddamento rapido e gradienti termici non uniformi risultanti e vincoli meccanici durante il processo di saldatura1. Il metallo mantiene le sollecitazioni anche dopo che il gradiente di temperatura interno si è attenuato a causa della deformazione plastica e del bloccaggio esterno. Le sollecitazioni residue possono avere un'influenza significativa sul comportamento e sulle prestazioni dei componenti, in particolare quelli soggetti a carichi ciclici o sollecitazioni elevate. Può causare fessurazioni 2,3 e influire sulla durata complessiva a fatica4.

Al fine di migliorare l'affidabilità della caratterizzazione della distribuzione delle sollecitazioni residue di saldatura, gruppi come l'European Network on Neutron Techniques Standardization for Structural Integrity (NeT)5 hanno tenuto una serie di attività round-robin per condurre esperimenti e hanno implementato simulazioni agli elementi finiti (FE) per diversi scenari di saldatura, come la saldatura a cordone di saldatura singolo su piastra6 e la saldatura a fessura a passaggio multiplo7, 8. Diverse tecniche di misurazione sperimentale vengono utilizzate per quantificare lo stress residuo indotto dalla saldatura, tra cui la diffrazione di neutroni9, il metodo del contorno, la diffrazione dei raggi X, la perforazione di fori profondi10 e la perforazione incrementale del foro centrale11. Oltre alla misurazione sperimentale, la simulazione agli elementi finiti viene utilizzata anche per ricostruire il campo di sollecitazione residua. Gilles et al.12 hanno utilizzato il modello della sorgente di calore superficiale nel modello agli elementi finiti per simulare la saldatura del cordone su piastra; Hanno inoltre condotto analisi di sensibilità del design delle reti e dei modelli delle fonti di calore. Shan et al.13hanno condotto un'analisi termo-meccanica accoppiata in sequenza per prevedere la distribuzione delle sollecitazioni residue post-saldatura; Hanno utilizzato un modello di sorgente di calore in movimento con una tecnica di nascita o morte dell'elemento per caratterizzare la distribuzione del flusso di calore. Bate et al.14hanno descritto come eseguire la calibrazione del modello della sorgente di calore su un modello 2D semplificato del campione per garantire l'affidabilità dell'analisi termica della saldatura. Coules et al.15 hanno presentato un metodo per ricostruire i campi di stress residuo in una regione incompatibile combinando misurazioni da diverse regioni vicine. L'articolo ha evidenziato il potenziale di questo metodo per migliorare l'accuratezza delle misurazioni delle sollecitazioni residue, in particolare in situazioni in cui le misurazioni nella regione desiderata non sono possibili. Bouchard6ha proposto un punto di riferimento per la simulazione della saldatura cordone su piastra e ha offerto una definizione di obiettivi di prestazioni termiche e di stress residuo che potrebbero essere utilizzati per la valutazione dell'approccio di simulazione della saldatura. Smith et al.16 hanno esaminato i diversi metodi di modellazione della simulazione della saldatura e hanno presentato analisi di sensibilità di molti parametri di modellazione della simulazione della saldatura, tra cui il design della mesh, le caratteristiche della fonte di calore, l'apporto di calore e il modello costitutivo. L'accuratezza dei risultati della simulazione dipende in gran parte dalle ipotesi e dalle semplificazioni degli analisti. Inoltre, alcuni dettagli per le impostazioni di simulazione negli articoli pubblicati in precedenza sono spesso trascurati, il che rende difficile replicare le simulazioni.

Oltre alla simulazione FE, sono stati implementati una serie di algoritmi di apprendimento automatico per la previsione dello stress, che include la rete neurale fuzzy17, la regressione vettoriale di supporto 18,19,20 la rete neuro-fuzzy adattiva 21,22 la rete neurale artificiale23. L'uso di algoritmi di apprendimento automatico pre-addestrati riduce significativamente il tempo necessario per la previsione delle sollecitazioni rispetto all'analisi degli elementi finiti. Invece di modellare in base alla matematica e alla fisica e quindi risolvere equazioni differenziali, lo sviluppo di modelli surrogati costruisce direttamente relazioni tra input e output. Tuttavia, questa metodologia basata sui dati richiede convenzionalmente un volume sostanziale di dati di addestramento. Nonostante questo requisito, attualmente c'è una carenza di ricerche pubblicate che spieghino in dettaglio il processo di automazione della generazione di tali dati.

L'obiettivo generale è quello di sviluppare un flusso di lavoro semplificato per automatizzare la generazione di dati da simulazioni agli elementi finiti e utilizzare i dati generati per addestrare modelli surrogati basati sull'apprendimento automatico, come le reti neurali artificiali (ANN), per prevedere risultati critici in processi fisici complessi. Nella Figura 1 viene presentato un diagramma di flusso di alto livello che riepiloga i passaggi del flusso di lavoro. Questo lavoro presenta tutte le impostazioni per condurre una simulazione di saldatura termo-meccanica in Abaqus. Utilizzando la funzione di registrazione macro, tutte le operazioni di pre-elaborazione e post-elaborazione nella simulazione FE vengono registrate in script, automatizzando così i processi di generazione dei dati. Questo lavoro descrive anche come utilizzare i dati generati per addestrare un modello surrogato ANN.

Protocol

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

1. Costruzione e registrazione di un modello standard

  1. Apri Abaqus e fai clic su File > Imposta directory di lavoro per impostare una directory di lavoro. Fare clic su File > Macro Manager > lavoro e creare una macro di lavoro denominata Thermal_recording.
  2. Eseguire l'impostazione dell'analisi termica come descritto di seguito.
    1. Create un modello per i campioni di saldatura. Qui, viene utilizzato come esempio un caso di riferimento con struttura a cordone di saldatura singolo su piastra; le dimensioni della piastra di base rettangolare, del cordone di saldatura e della regione di affinamento della mesh sono mostrate nella Tabella 1.
      1. Fare clic su Parte > Crea parte. Creare un semimodello deformabile 3D del campione estrudendo uno schizzo di un quadrato sul piano XY secondo la geometria indicata nella Tabella 1.
      2. Fate clic su Parte > Create Datum Plane: Offset from Principal Plane. Create due piani di Riferimento per descrivere il punto iniziale e il punto finale della saldatura, specificando gli offset dal piano YZ in base alla lunghezza del cordone indicata nella tabella 1. Create due piani di Riferimento per descrivere la profondità e la larghezza del cordone per la saldatura, specificando gli offset dal piano XY e dal piano XZ in base alla profondità e alla larghezza del cordone indicate nella Tabella 1. Il cordone si trova al centro della superficie superiore, con la sua lunghezza allineata con la direzione longitudinale del campione.
      3. Fate clic su Parte > cella partizione (Part Partition Cell): Usa piano di Riferimento (Use Datum Plane). Creare partizioni di celle del campione utilizzando i quattro piani di riferimento creati nel passaggio 1.2.1.2.
      4. Fare clic su Parte > Crea taglio: Estrusione. Create uno sketch per la parte del cordone di saldatura che si trova sotto la superficie superiore del campione specificando un arco (arc-1) e due linee su uno dei piani di Riferimento creati. Le dimensioni del cordone sono mostrate nella Tabella 1. Create un taglio con la profondità della lunghezza del cordone estrudendo lo schizzo.
      5. Fare clic su Parte > Crea solido: Estrusione. Create uno sketch per il cordone di saldatura specificando due archi (arc-1 e acr-2) e una linea su uno dei piani di Riferimento creati. Estrudete lo schizzo in base alla lunghezza del cordone selezionando Mantieni limiti interni (Keep Internal Boundaries).
      6. Fate clic su Parte > Create Datum Plane: Offset from Principal Plane. Create quattro piani di Riferimento per definire la regione della mesh fine in base alla geometria della regione di rifinitura della mesh. La regione a maglia fine si trova in alto al centro del campione.
      7. Fate clic su Parte > cella partizione (Part Partition Cell): Usa piano di Riferimento (Use Datum Plane). Creare partizioni di celle del campione utilizzando i quattro piani di riferimento creati nel passaggio 1.2.1.6.
    2. Definire il materiale dell'acciaio inossidabile AISI 316LN nel modulo Proprietà secondo la Tabella 2.
      1. Fare clic su Proprietà > Crea materiale. Definire la densità nel menu Generale. Definire la conducibilità e il calore specifico nel menu Termico utilizzando i dati dipendenti dalla temperatura.
    3. Assegnate il materiale al modello come descritto di seguito.
      1. Fare clic su Proprietà > Crea sezione. Creare una sezione solida omogenea con il materiale definito al punto 1.2.2.
      2. Fare clic sulla sezione Proprietà > Assegna. Assegnare al modello le sezioni definite nel passaggio 1.2.3.1.
    4. Definire i passaggi nel modulo step come descritto di seguito.
      1. Fare clic su Passaggio > Crea passaggio. Create una fase di trasferimento del calore (non considerare la non linearità della geometria) denominata saldatura con un periodo di tempo di 26,43 e un incremento di tempo fisso di 0,1.
      2. Create una fase di trasferimento del calore (non considerate la non linearità della geometria) denominata Raffreddamento-1 con un periodo di tempo di 70 e un incremento di tempo adattivo con dimensioni di incremento iniziali, minime e massime rispettivamente di 0,1, 0,05 e 5.
      3. Create una fase di trasferimento del calore (non considerate la non linearità della geometria) denominata Raffreddamento-2 con un periodo di tempo di 2000 e un incremento di tempo adattivo con dimensioni di incremento iniziali, minime e massime rispettivamente di 5, 1 e 100.
        NOTA: La selezione dell'intervallo di tempo per le fasi di raffreddamento è fondamentale per la simulazione e deve essere determinata attentamente dagli analisti.
    5. Impostare gli attributi del modello come descritto di seguito.
      1. Fare clic su Modello > Modifica attributo. Impostare la temperatura dello zero assoluto su -273.15. Imposta la costante di Stefan-Boltzmann a 5.67E-11.
    6. Fare clic su Passaggio> Crea output campo per impostare una richiesta di temperatura nodale per l'intero modello. Fare clic su Assemblaggio > Crea istanza per creare un'istanza dipendente.
    7. Crea interazioni nel modulo Interazione.
      1. Fare clic su Interazione > Crea interazione > condizione del film superficiale. Create un'interazione della condizione del film di superficie con un coefficiente del film pari a 15 e una temperatura di assorbimento pari a 20 su tutte le superfici del modello, ad eccezione del piano simmetrico. Impostare la fase iniziale come saldatura.
      2. Fare clic su Interazione > Crea interazione > radiazione superficiale. Create un'interazione di radiazione superficiale con un'emissività di 0.7 e una temperatura ambiente di 20 su tutte le superfici del modello, ad eccezione del piano simmetrico. Impostare la fase iniziale come saldatura.
    8. Definire i carichi nel modulo Carico.
      1. Fare clic su Carica > Crea carico > Flusso termico > calore corporeo. Creare un carico di flusso di calore del corpo definito dall'utente dalla fase di saldatura e disattivarlo nelle due fasi di raffreddamento.
      2. Fare clic su Carica > Crea campo predefinito > Altro campo >. Creare un campo di temperatura predefinito a partire dall'iniziale per rappresentare la temperatura ambiente di 20.
    9. Creare una mesh nel modulo Mesh come descritto di seguito.
      NOTA: Il tipo di elemento, la dimensione della maglia globale e la dimensione della maglia fine devono essere decisi in base ai requisiti specifici di ciascuna analisi.
      1. Fare clic su Mesh > Oggetto: Parte > Parte seme. Inizializzate la parte in base alla dimensione globale di 0,0024. Fare clic su Mesh > bordi seme. Seminare i bordi della profondità e della larghezza del cordone in numero di 3.
      2. Semina il bordo dell'arco-2 con il numero 3. Semina il bordo della lunghezza della perlina della dimensione di 0,0015.
      3. Fare clic su Mesh > assegnare i controlli Mesh. Utilizzare l'elemento a forma di Tet e la tecnica libera per la regione del tallone. Fare clic su Mesh > Assegna tipo di elemento. Impostare il tipo di elemento su DC3D10 e parte mesh.
      4. Fare clic su Mesh > Bordi seme. Seme gli spigoli collineari all'asse X all'interno della regione della mesh fine con una dimensione di 0,0015. Inizializzare gli spigoli collineari rispetto all'asse Y all'interno della regione della mesh fine in base alla dimensione di 0,0011. Seme gli spigoli collineari all'asse Z all'interno della regione della mesh fine con una dimensione di 0,00075.
      5. Fare clic su Mesh > Assegna controllo Meshs. Assegna il controllo della mesh per il resto della regione. Usa l'elemento a forma esagonale e la tecnica di spazzata. Fare clic su Mesh > Assegna tipo di elemento. Impostare il tipo di elemento su DC3D20 e parte mesh.
    10. Fare clic su Lavoro > Crea lavoro. Creare un lavoro denominato Thermal_analysis, collegare la subroutine utente DFLUX.
    11. Interrompi la registrazione macro. Un file python chiamato Thermal_recording.py verrebbe generato nella directory di lavoro.
    12. Fare clic su Job > Job Manager > su Invia. Inviare il processo. Verrà generato un file di risultati denominato Thermal_analysis.odb.
  3. Fare clic su File > Macro Manager > lavorare. Aprire Macro Manager e creare una macro funzionante denominata Mechanical_recording.
  4. Eseguire l'impostazione dell'analisi meccanica come descritto di seguito.
    1. Ripetere il passaggio 1.2.1 per creare la geometria del modello per il campione di saldatura.
    2. Definire il materiale dell'acciaio inossidabile AISI 316LN nel modulo delle proprietà secondo la Tabella 2 e la Tabella 3.
      1. Fare clic su Proprietà > Crea materiale. Definire la densità nel menu Generale. Definire le proprietà elastiche nel menu Meccanico utilizzando i dati dipendenti dalla temperatura.
      2. Definire le proprietà plastiche nel menu Meccanico utilizzando i dati dipendenti dalla temperatura. Selezionate il modello di protezione avanzata combinata e selezionate i parametri come tipo di dati . Impostare il numero di backstress e il numero di variabili di campo su 2 e 0.
      3. Aggiungere le opzioni secondarie di Temperatura di ricottura. Impostare la temperatura di ricottura su 1050. Definite l'espansione isotropa nel menu Meccanico utilizzando i dati dipendenti dalla temperatura.
    3. Ripetere il passaggio 1.2.3 per assegnare il materiale al modello.
    4. Definire i passaggi nel modulo step come descritto di seguito.
      1. Fare clic su Passaggio > Crea passaggio. Create un passo statico (considerare la non linearità della geometria) per la saldatura con un periodo di tempo di 26,43 e un incremento di tempo fisso di 0,1.
      2. Create un passo statico (considerando la non linearità della geometria) per Cooling-1 con un periodo di tempo di 70 e un incremento di tempo adattivo con dimensioni di incremento iniziali, minime e massime rispettivamente di 0,1, 0,05 e 5.
      3. Creare un passo statico (considerare la non linearità della geometria) per Cooling-2 con un periodo di tempo di 2000 s e un incremento di tempo adattivo con dimensioni di incremento iniziali, minime e massime rispettivamente di 5, 1 e 100.
    5. Fare clic su Passaggio > Crea output campo. Imposta i componenti di sollecitazione e la richiesta di invarianti per l'intero modello. Fate clic su Assemblaggio (Assembly) > Crea istanza (Create Instance). Creare un'istanza dipendente.
    6. Impostare le condizioni al contorno come descritto di seguito.
      1. Fare clic su Carico > creare condizioni al contorno > Spostamento > meccanico/rotazione. Impostate i vertici sinistri sul piano simmetrico e sulla superficie superiore da vincolare in U1 e U3.
      2. Impostate i vertici corretti sul piano di simmetria e sulla superficie superiore da vincolare in U3.
      3. Fare clic su Carico > creare condizioni al contorno > Meccanico > Simmetria/Antisimmetria/Encastre. Impostate le condizioni di simmetria sul piano di simmetria.
    7. Impostare i campi predefiniti come descritto di seguito.
      1. Fare clic su Carica > Crea campo predefinito. Creare un campo di temperatura predefinito a partire dal passaggio iniziale per rappresentare la temperatura ambiente di 20.
      2. Creare un campo di temperatura predefinito a partire dalla fase di saldatura. La risorsa di distribuzione proviene dal file di database dei risultati o di output. Aggiungere la radice in modo che corrisponda a quella del file dei risultati generato nel passaggio 1.2.12 e impostare il passaggio iniziale, l'incremento iniziale e il passaggio finale rispettivamente su 1, 1, 1.
      3. Creare un campo di temperatura predefinito a partire dal passaggio Raffreddamento-1. La risorsa di distribuzione proviene dai risultati o dal file del database di output. Aggiungere la radice in modo che corrisponda a quella del file dei risultati generato nel passaggio 1.2.12 e impostare il passaggio iniziale, l'incremento iniziale e il passaggio finale rispettivamente su 2, 1, 2.
      4. Creare un campo di temperatura predefinito a partire dal passaggio Raffreddamento-2. La risorsa di distribuzione proviene dai file dei risultati o del database di output. Aggiungere la radice in modo che corrisponda a quella del file dei risultati generato nel passaggio 1.2.12 e impostare il passaggio iniziale, l'incremento iniziale e il passaggio finale rispettivamente su 3, 1, 3.
    8. Ripetere il passaggio 1.2.9 ma assegnare il tipo di elemento a C3D8R. Creare un processo denominato Mechanical_analysis. Interrompi la registrazione macro. Un file Python denominato Mechanical_recording.py verrebbe generato nella directory di lavoro.
    9. Inviare il processo. È possibile generare un file di risultati denominato Mechanical_analysis.odb.
  5. Eseguire la post-elaborazione come descritto di seguito.
    NOTA: Nella fase di post-elaborazione, i campi fisici vengono estratti e confrontati con i risultati sperimentali. Il processo di estrazione specifico dipende dai dati sperimentali disponibili. Questo studio dimostra l'estrazione del campo di temperatura, del confine di fusione e del campo di stress, che possono essere confrontati rispettivamente con le letture della termocoppia, le misurazioni della forma del perlato e i dati sullo stress residuo. I risultati dettagliati del confronto sono disponibili nella pubblicazione associata24.
    1. Estrarre i risultati termici come descritto di seguito.
      1. Fare clic su File > Apri database. Aprire Thermal_analysis.odb. Fare clic su Plug-in > Strumenti > trovare il nodo più vicino. Trovare l'etichetta nodale per il punto della coppia termica 5 e della coppia termica 9 utilizzando lo strumento Trova nodo più vicino nei plug-in.
        NOTA: La coppia termica 5 si trova sulla linea di intersezione della superficie superiore del provino e della sezione trasversale di media lunghezza. Si trova a 11,5 mm di distanza dal piano di simmetria. La coppia termica 9 si trova nel punto di intersezione del piano inferiore, del piano di simmetria e della sezione trasversale di media lunghezza.
      2. Fare clic su Visualizzazione > Crea dati XY > output del campo ODB. Estrai l'univoca cronologia della temperatura nodale.
      3. Fare clic su Visualizzazione > attivare/disattivare il taglio della vista. Attiva la vista di taglio del piano X. Regola il selettore del fotogramma e cattura la sezione trasversale di fusione quando il limite di fusione raggiunge il massimo.
    2. Estrarre i risultati meccanici come descritto di seguito.
      1. Aprire Macro Manager e creare una macro di lavoro denominata data_extracting. Aperto Mechanical_analysis.odb.
      2. Fare clic su Strumenti > Percorso > elenco Crea nodo >. Crea percorsi per la linea BD (la linea BD attraversa lo spessore del campione a metà lunghezza).
      3. Fare clic su Visualizzazione > Crea percorso > dati XY. Crea dati XY da percorsi su una forma del modello non deformata.
      4. Interrompi la registrazione macro. Un file python chiamato data_extracting.py verrebbe generato nella directory di lavoro.
    3. Confrontare i risultati termici e meccanici con i dati sperimentali. Gli stessi parametri e impostazioni sono stati utilizzati sia per la simulazione che per gli esperimenti.

2. Scripting del modello

NOTA: Qui vengono parametrizzati tre parametri di saldatura, velocità di saldatura, lunghezza della corsa e velocità di ingresso dell'energia netta.

  1. Semplifica il modello in base all'analisi di sensibilità.
    NOTA: In base a un'analisi di sensibilità dell'effetto dell'inclusione o dell'esclusione dell'altezza dell'armatura del cordone di saldatura nel modello, l'inclusione o l'esclusione dell'altezza dell'armatura del cordone di saldatura nel modello non ha influito in modo significativo sulla distribuzione delle sollecitazioni lungo la linea BD. Pertanto, i passaggi per la creazione del cordone nella simulazione possono essere saltati.
  2. Apri Thermal_recording.py. Trova i codici per definire il passaggio cercando HeatTransferStep. Sostituire il valore del periodo di tempo specifico per la fase di saldatura con l'espressione bead_length/velocità di saldatura.
  3. Trova i codici per la creazione del file di input. Sostituisci il nome specifico con l'espressione T-Heat_input-welding_speed-travel_length.
  4. Apri Mechanical_recording.py. Trova i codici per definire il passaggio cercando HeatTransferStep. Sostituire il valore del periodo di tempo specifico per la fase di saldatura con l'espressione bead_length/velocità di saldatura.
  5. Trova i codici per la creazione del file di input. Sostituisci il nome specifico con l'espressione M-Heat_input-welding_speed-travel_length.
  6. Combinare il codice per la creazione di file di input per l'analisi termica e meccanica utilizzando le righe 1-408 nel file di codifica supplementare 1 incluso.
  7. Definire i formati dell'elenco di argomenti e richiamare le funzioni per la creazione di file di input per analisi termiche e meccaniche utilizzando le righe 410-459 nel file di codifica supplementare 1 incluso. Tutti i file di input per le analisi termiche sarebbero stati memorizzati in Thermal_input_files cartella e tutti i file di input per le analisi meccaniche sarebbero stati memorizzati in Mechanical_input_files cartella nella directory di lavoro.
  8. Genera il file python finale (File di codifica supplementare 1).
    NOTA: Per aumentare la robustezza dello script, tutte le funzioni predefinite utilizzate per la selezione della sequenza, denominate getSequenceFromMask, sono state sostituite con la funzione di selezione della sequenza basata sulle coordinate, denominata findAt.

3. Generazione dei dati

  1. Esegui il file di codifica supplementare 1 nella riga di comando di Abaqus per generare file di input sia per le analisi termiche che per le analisi meccaniche. Copiare il file di codifica supplementare 2 e il file di codifica supplementare 3 nella cartella Thermal_input_files.
  2. Digitare qsub Run_thermal nella riga di comando per eseguire script di shell per modificare la subroutine DFLUX in base a diversi nomi di file di input di saldatura e inviare lavori.
  3. Copiare il file di codifica supplementare 4 nella cartella Mechanical_input_files. Digitare qsub Run_mechanical nella riga di raccomandazione per modificare i file di input per l'analisi meccanica in base ai diversi nomi dei file di input di saldatura e inviare i lavori.
  4. Copiare il file di codifica supplementare 5 nella cartella Mechanical_input_files ed eseguire questo script nella riga di comando. Quindi, generare file csv contenenti il valore di sollecitazione per i punti nella linea di destinazione.

4. Sviluppo del modello surrogato

  1. Carica le librerie utilizzando le righe 1-17 incluse nel file di codifica supplementare 6. Correggi il seme casuale usando la riga 378, inclusa nel file di codifica supplementare 6.
  2. Specificare il percorso del set di dati di addestramento e del set di dati di test utilizzando le righe 381-382 incluse nel file di codifica supplementare 6.
  3. Pre-elaborare il set di dati utilizzando la riga 385 inclusa nel file di codifica supplementare 6. La pre-elaborazione comprende il campionamento uniformemente distanziato, la normalizzazione e l'addestramento e la suddivisione del set di test.
  4. Esegui la regolazione degli iperparametri utilizzando l'ottimizzazione bayesiana utilizzando le righe 387-397 nel file di codifica supplementare 6 incluso (opzionale).
  5. Esegui l'ottimizzazione degli iperparametri con la convalida incrociata utilizzando GridsearchCV utilizzando le righe 399-401 nel file di codifica supplementare incluso 6 (opzionale).
  6. Costruisci un modello surrogato e fai previsioni sul set di dati di test utilizzando le righe 404-405 nel file di codifica supplementare 6 incluso.
  7. Calcolare e stampare l'MSE per la previsione utilizzando le righe 406-410 nel file di codifica supplementare 6 incluso.
  8. Salvare il modello surrogato utilizzando le righe 414-416 nel file di codifica supplementare incluso 6.
  9. Tracciare le previsioni ANN rispetto ai dati di simulazione sul set di dati di test utilizzando le righe 419-420 nel file di codifica supplementare 6 incluso.
  10. Tracciare una mappa generale delle prestazioni sul set di dati di test utilizzando la riga 423 nel file di codifica supplementare incluso 6.

Results

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

Una serie di simulazioni FE sono state eseguite utilizzando diverse combinazioni di lunghezza della corsa dell'arco, velocità di avanzamento dell'arco e tasso di energia immessa netta. Per il set di addestramento, l'intervallo di valori utilizzato per la lunghezza della corsa dell'arco era di 40 mm, 50 mm, 60 mm, 70 mm e 80 mm. L'intervallo di valori utilizzato per la velocità di avanzamento dell'arco era di 2 mm/s, 2,5 mm/s, 3 mm/s, 3,5 mm/s e 4 mm/s. L'intervallo di valori utilizzato per il tasso di energia netta assorbita era 1000 W, 1500 W, 2000 W, 2500 W e 3000 W. Per il set di test, l'intervallo di valori utilizzato per la lunghezza della corsa dell'arco era di 40 mm, 50 mm, 60 mm, 70 mm e 80 mm. L'intervallo di valori utilizzato per la velocità di avanzamento dell'arco era di 2,25 mm/s, 2,75 mm/s, 3,25 mm/s e 3,75 mm/s. L'intervallo di valori utilizzati per il tasso di energia netta assorbita era di 1250 W, 1750 W, 2250 W e 2750 W. Le sollecitazioni longitudinali lungo la linea BD di queste 205 simulazioni sono raccolte e mostrate nella Figura 2. Questo risultato è stato precedentemente pubblicato nel25. In particolare, i risultati dello studio di caso vengono utilizzati in tale studio per comprovare l'efficacia del flusso di lavoro. La presente ricerca va oltre le indagini precedenti, fornendo una spiegazione completa delle impostazioni specifiche applicate nella simulazione di saldatura e dettagliando la metodologia di scripting Python impiegata per la simulazione generale della saldatura.

Il modello ANN sviluppato è stato applicato per eseguire la previsione sul set di test. La discrepanza tra la previsione del modello e la simulazione FE è mostrata nella Figura 3. Su 1680 punti di test, la maggior parte delle differenze (759 occorrenze) tra l'analisi agli elementi finiti simulata e i valori di stress previsti dall'ANN rientrano nell'intervallo 0-2 MPa, rappresentando il 45,2% dei dati. La frequenza diminuisce all'aumentare della differenza, con pochissimi punti dati che mostrano differenze superiori a 10 MPa. Nella Figura 4 è mostrato un box plot per mostrare la distribuzione delle discrepanze assolute tra la sollecitazione simulata e la sollecitazione prevista per diversi livelli di sollecitazione simulata. Ogni casella rappresenta l'intervallo interquartile dei residui all'interno di un contenitore specifico di livelli di stress simulati, con la linea all'interno della casella che indica il valore mediano. L'istogramma sull'asse y secondario mostra il numero di punti dati di addestramento all'interno di ciascun contenitore del livello di sollecitazione, fornendo un contesto aggiuntivo sulla distribuzione dei dati utilizzata per l'addestramento del modello. Come mostrato nella figura, i contenitori del livello di stress con meno punti dati di addestramento tendono a mostrare discrepanze massime più elevate nel set di dati di test. Le prestazioni in queste regioni potrebbero essere potenzialmente migliorate aumentando la quantità di dati di allenamento disponibili per questi livelli di stress.

L'errore quadratico medio (MSE) è stato utilizzato per quantificare le prestazioni predittive e l'espressione per gli indicatori di prestazione MSE è:

figure-results-1

dove yi è il valore di sollecitazione prima dell'inversione della standardizzazione per l'i-esimo punto di campionamento, figure-results-2 è il valore di sollecitazione previsto prima dell'inversione della standardizzazione per l'i-esimo campione e n è il numero totale di campioni.

La previsione dello stress dell'ANN era molto vicina ai risultati della simulazione FE, con un MSE di 0,0024. Le previsioni su quattro casi di test selezionati sono mostrate nella Figura 5; l'apporto di calore per questi quattro casi di test è rispettivamente di 333 J/mm, 538 J/mm, 692 J/mm e 1222 J/mm. Tra tutti questi quattro casi, le previsioni ANN mostrano un buon accordo con i risultati della simulazione FE in generale. Tuttavia, negli scenari in cui la velocità di saldatura è di 2,25 mm/s con una corsa di 50 mm e un tasso di energia netta di 2750 W o quando la velocità di saldatura è di 3,75 mm/s con una corsa di 40 mm e un tasso di energia netta di 1250 W, si osservano discrepanze relativamente grandi nella parte inferiore della linea BD (vicino a 17 mm di profondità). Queste discrepanze possono essere attribuite all'aumentata complessità delle regole che governano questa regione, risultando in una varietà più intricata all'interno di queste specifiche regioni dello spazio dei parametri. Una possibile soluzione sarebbe quella di aumentare la densità del set di dati di addestramento in quest'area.

figure-results-3
Figura 1: Flusso di lavoro. Il flusso di lavoro proposto prevede quattro passaggi (indicati in blocchi blu): creazione di modelli FE di base, scripting, generazione di dati e sviluppo di modelli surrogati. I blocchi arancioni rappresentano l'input di ogni passaggio e i blocchi verdi rappresentano l'output di ogni passaggio. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-4
Figura 2: Set di dati generato. Vengono illustrati un totale di 205 serie di dati sulle sollecitazioni longitudinali, ciascuno corrispondente a una combinazione unica di lunghezza della corsa, tasso di energia netta assorbita e velocità di saldatura. All'interno di ogni set, vengono tracciati 20 punti dati per diversi nodi lungo la linea BD. Per differenziare i set, ognuno è rappresentato da un colore diverso, che corrisponde al suo tasso di apporto termico netto. Questo valore può essere calcolato dividendo il tasso di energia netta assorbita per la velocità di saldatura. Questa cifra è stata modificata da25. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-5
Figura 3: Frequenza della discrepanza tra i risultati della simulazione FE e le previsioni ANN. Le differenze tra i risultati della simulazione FE e le previsioni ANN nel set di dati del test sono classificate in 10 livelli. Le annotazioni all'interno del grafico indicano la frequenza e la percentuale di occorrenze per ogni livello di differenza nei casi di test. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-6
Figura 4: Distribuzione dei residui assoluti medi e set di dati di addestramento tra diversi livelli di stress. Il box plot descrive la distribuzione delle discrepanze assolute tra la sollecitazione simulata e la sollecitazione prevista per diversi livelli di sollecitazione simulata. La linea arancione all'interno di ogni casella rappresenta la mediana, indicando il punto medio delle discrepanze assolute. L'altezza di ogni casella corrisponde all'intervallo interquartile, che copre il 50% medio dei dati (dal 25° al 75° percentile), riflettendo la variabilità delle discrepanze. I baffi si estendono dalla scatola per mostrare i valori minimo e massimo di discrepanza. L'istogramma blu mostra il numero di punti dati di addestramento corrispondenti a ciascun livello di stress nel set di dati di addestramento. Clicca qui per visualizzare una versione più grande di questa figura.

figure-results-7
Figura 5: Confronto tra i risultati della simulazione e i risultati previsti dall'ANN. In questa figura sono mostrati quattro casi di test, con (A) la velocità di saldatura è di 3,75 mm/s, la lunghezza della corsa è di 40 mm e la velocità di ingresso dell'energia netta è di 1250 W; (B) la velocità di saldatura è di 3,25 mm/s, la lunghezza della corsa è di 60 mm e la velocità di ingresso dell'energia netta è di 1750 W; (C) la velocità di saldatura è di 3,25 mm/s, la lunghezza della corsa è di 50 mm e il tasso di energia netta in ingresso è di 2250 W; e (D) la velocità di saldatura è di 2,25 mm/s, la lunghezza della corsa è di 50 mm e la velocità di ingresso dell'energia netta è di 2750 W. La discrepanza più notevole tra tutti i casi di test è evidenziata con un riquadro blu, che mostra una differenza di 19,4 MPa a una profondità di 17 mm dalla superficie superiore nel caso di test (D). Clicca qui per visualizzare una versione più grande di questa figura.

Tabella 1: Informazioni sulla geometria per il campione di saldatura, la regione della mesh di affinamento e il cordone. La lunghezza, la larghezza e la profondità del campione di saldatura rettangolare e della regione della mesh di affinamento sono elencate nella tabella. Le dimensioni del cordone di saldatura sono illustrate con uno schizzo. Nel processo di modellazione, la larghezza deve essere dimezzata poiché è stata creata solo metà del modello. Clicca qui per scaricare questa tabella.

Tabella 2: Proprietà dei materiali di AISI 316LN14. La densità e il coefficiente di Poisson sono trattati come indipendenti dalla temperatura, mentre le altre proprietà fisiche sono trattate come dipendenti dalla temperatura. Clicca qui per scaricare questa tabella.

Tabella 3: Proprietà meccaniche plastiche dell'AISI 316LN24. Proprietà meccaniche dell'acciaio inox AISI 316LN in funzione della temperatura; sforzo di snervamento a deformazione plastica zero; parametri cinematici di tempra (C1, Gamma 1, C2, Gamma 2); parametro di indurimento isotropo (Q-inf); e il parametro di indurimento (b). Clicca qui per scaricare questa tabella.

File di codifica supplementare 1: Create_input_files.py Fare clic qui per scaricare questo file.

File di codifica supplementare 2: Run_thermal Fare clic qui per scaricare questo file.

File di codifica supplementare 3: DFLUX.for Fare clic qui per scaricare questo file.

File di codifica supplementare 4:Run_Mechanical Fare clic qui per scaricare questo file.

File di codifica supplementare 5: extract_data.py Fare clic qui per scaricare questo file.

File di codifica supplementare 6: ANN_development.py Fare clic qui per scaricare questo file.

Discussion

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

Questo studio presenta un flusso di lavoro per automatizzare la generazione di dati da simulazioni agli elementi finiti e addestrare modelli surrogati basati sull'apprendimento automatico, come le reti neurali artificiali, per prevedere i risultati critici nei processi di saldatura. In primo luogo, il protocollo prevede la creazione di una simulazione standard degli elementi finiti di saldatura per stabilire un quadro coerente per risultati affidabili. I risultati della simulazione vengono analizzati e convalidati rispetto ai dati sperimentali per garantirne l'accuratezza. In secondo luogo, gli script in grado di eseguire la pre-elaborazione e la post-elaborazione della simulazione vengono sviluppati sulla base di script registrati utilizzando la funzione macro. In terzo luogo, grandi set di dati vengono generati utilizzando script generati. Infine, viene sviluppato e testato un modello surrogato, che ne dimostra le eccezionali prestazioni. Questa metodologia contribuisce all'efficienza del processo di generazione del set di dati, eliminando la necessità di configurazioni manuali ripetitive. Riconoscendo il ruolo fondamentale della generazione di set di dati nello sviluppo di modelli surrogati basati sui dati, il flusso di lavoro delineato serve ad accelerare il processo di sviluppo del modello surrogato. Di conseguenza, la metodologia presentata si pone come una risorsa preziosa per facilitare lo sviluppo di modelli surrogati basati sui dati nel contesto delle simulazioni di saldatura.

Nel protocollo, diversi passaggi critici influenzano in modo significativo le prestazioni del modello surrogato finale. Nel passaggio 1.2.9, è essenziale assicurarsi che il modello di saldatura incorpori elementi a maglia sufficientemente fine per ottenere una convergenza stabile e risultati di simulazione accurati. Nel passaggio 1.5.3, la calibrazione del modello standard agli elementi finiti migliora l'adeguatezza della selezione dei parametri del modello della fonte di calore e migliora l'accuratezza della simulazione. Nei passaggi 4.4 e 4.5, la corretta regolazione degli iperparametri è fondamentale per identificare la configurazione ottimale del modello, migliorando così le prestazioni del modello surrogato.

Sono state valutate le prestazioni del modello surrogato ANN sviluppato e si è riscontrato che nel complesso si è comportato bene. L'accuratezza del modello surrogato sviluppato in questo lavoro è maggiore rispetto ai tentativi precedenti, che si basavano su dati molto limitati19,23. Nel caso di studio, il modello surrogato sviluppato è specificamente progettato per prevedere la sollecitazione longitudinale in una singola configurazione di cordone di saldatura su piastra, incorporando tre parametri chiave di saldatura: velocità di saldatura, lunghezza della corsa e tasso di energia netta in ingresso. È importante notare che sia gli input che gli output del modello sono altamente adattabili. Ad esempio, è possibile incorporare ulteriori parametri di saldatura o proprietà dei materiali negli input e gli output possono essere ampliati per comprendere tutti i componenti di sollecitazione residua o lo spostamento, offrendo un framework versatile per una gamma più ampia di applicazioni.

Per quanto riguarda l'algoritmo utilizzato per la costruzione del modello surrogato, anche questo è modificabile in base alle attività. Le ANN hanno alcune limitazioni per l'estrapolazione. A differenza delle ANN, altri algoritmi di apprendimento automatico, come le macchine a vettori di supporto (SVM), non sono limitati dalla struttura dei dati di addestramento e hanno una migliore capacità di estrapolazione. Studi precedenti 18,19,20 hanno tentato di utilizzare le SVM per prevedere lo stress residuo con un certo successo. Tuttavia, è importante notare che può essere più difficile ottimizzare gli iperparametri SVM e che le SVM potrebbero non funzionare sempre bene nelle attività di interpolazione rispetto alle ANN. Un'altra limitazione delle ANN è che l'uso diretto delle ANN non può generare un intervallo di confidenza, che è una preoccupazione degli ingegneri. Pertanto, possono essere presi in considerazione altri algoritmi, come la regressione del processo gaussiano26 e le reti neurali bayesiane27. Inoltre, sebbene il modello ANN funzioni bene nel prevedere le sollecitazioni residue, manca di interpretabilità. Questa mancanza di interpretabilità può essere uno svantaggio nelle applicazioni ingegneristiche in cui la comprensione del processo decisionale del modello è fondamentale. L'interpretabilità del modello può essere migliorata integrando modelli più esplicativi, come gli alberi decisionali.

In conclusione, il flusso di lavoro proposto in questo studio consente la generazione rapida e semplice di set di dati, che possono accelerare significativamente lo sviluppo di modelli surrogati di simulazione di saldatura generali o specifici.

Disclosures

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

Gli autori non hanno nulla da rivelare.

Acknowledgements

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

Questo progetto è stato sostenuto dall'Autorità per l'energia atomica del Regno Unito attraverso il Fusion Industry Programme. Il Fusion Industry Programme sta stimolando la crescita dell'ecosistema della fusione nel Regno Unito e lo sta preparando per il futuro mercato globale delle centrali elettriche a fusione. Ulteriori informazioni sul programma Fusion Industry sono disponibili online: https://ccfe.ukaea.uk/programmes/fusion-industry-programme/. Gli autori esprimono la loro sincera gratitudine per il supporto fornito da Research IT nell'accesso alla Computational Shared Facility dell'Università di Manchester. A.N. Vasileiou ringrazia il sostegno del progetto "SINDRI - Synergistic Utilisation of Informatics and Data-centric Integrity Engineering", finanziato dall'EPSRC, United Kingdom Prosperity Partnership (numero di sovvenzione: EP/V038079/1), nonché dal Dalton Nuclear Institute dell'Università di Manchester, Regno Unito. Gli autori ringraziano NeT-European NeTwork e Carsten Ohms della Commissione Europea - Centro Comune di Ricerca (JRC) per la fornitura dei dati di benchmark NeT-TG1.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AbaqusDassault Systems2020
Compilatore Intel Fortran IntelCorporation17.0.7
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