Method Article

용접의 디지털 실험을 위한 대리 모델 개발

DOI:

10.3791/67576

⸱

March 28th, 2025

 ,  ,  , 
1School of Engineering, University of Manchester

In This Article

Summary

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

이 프로토콜은 매크로 함수가 있는 Python 스크립트를 통해 자동으로 생성된 데이터 세트를 사용하여 용접 시뮬레이션을 위한 인공 신경망을 구축하기 위한 일반적인 워크플로를 간략하게 설명합니다. 작업 흐름은 단일 패스, 직선 용접과 관련된 벤치마크 사례에 대해 검증되었습니다. 대리 모델의 예측 정확도는 유한 요소 시뮬레이션과 밀접하게 일치함을 보여줍니다.

Abstract

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

제조 산업은 재료를 접합하기 위해 용접 공정에 크게 의존하여 다양한 부문에 걸쳐 필수 구성 요소를 형성합니다. 많은 측면이 용접의 품질에 영향을 미치고 최종적으로 용접물의 구조 무결성에 영향을 미칩니다. 이러한 공정에 내재된 열 순환의 결과인 용접으로 인한 잔류 응력은 제작된 구성 요소의 구조적 무결성과 성능에 큰 영향을 미칩니다. 이 잔류 응력을 이해하고 예측하는 것은 용접 구조물의 신뢰성과 내구성을 향상시키는 데 매우 중요합니다. 그러나 디지털 실험에서 용접 설정을 신속하게 평가하는 것은 기존 시뮬레이션에 시간이 많이 소요될 수 있기 때문에 상당한 문제가 있습니다. 이 연구는 용접으로 인한 잔류 응력을 예측하기 위해 인공 신경망 기반 대리 모델을 구축하기 위한 워크플로우의 적용을 간략하게 설명합니다. 이 모델은 매크로 함수를 기반으로 하는 Python 스크립트를 통해 유한 요소 시뮬레이션에서 자동으로 생성된 데이터를 사용하여 구축됩니다. 수동 전처리 및 유한 요소 시뮬레이션에 의존하는 기존 방법과 달리 이 접근 방식은 시뮬레이션 설정 및 데이터 추출에 필요한 시간과 노력을 크게 줄여 전반적인 효율성을 향상시킵니다. 이 방법은 매크로 기능을 통해 모든 시뮬레이션 단계가 일관되게 수행되도록 함으로써 인간에 의한 변동성을 제거하여 재현성을 향상시킵니다. 또한 데이터 생성의 자동화로 기계 학습 모델 학습에 필요한 광범위한 데이터 세트를 생성할 수 있어 노동 집약적인 기존 기술의 한계를 극복할 수 있습니다. 워크플로우는 4가지 주요 단계로 구성됩니다: 표준 용접 유한 요소 시뮬레이션을 구축하고 실험 데이터에 대해 유한 요소 시뮬레이션 결과를 검증합니다. 유한 요소 시뮬레이션의 전처리 및 후처리 단계를 기록하는 매크로 기능을 사용하여 대규모 데이터 세트 생성을 위한 스크립트를 개발합니다. 스크립트를 사용하여 필요한 데이터를 생성합니다. 대리 모델을 개발하고 성능을 테스트합니다. 인공 신경망은 스트레스 수준을 예측하는 데 있어 높은 정확도를 보여주었으며, 테스트 데이터 세트의 시뮬레이션 결과 및 상대 평균 제곱근 오차 0.0024와 밀접하게 일치했습니다.

Introduction

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

용접 실습을 위한 디지털 실험을 수행할 때 잔류 응력은 구조적 무결성 평가의 중요한 측면이기 때문에 핵심 결과입니다. 용접으로 인한 잔류 응력은 용접 공정1 중 고온, 급속 냉각 및 그에 따른 불균일한 열 구배 및 기계적 제약의 조합으로 인해 발생합니다. 금속은 소성 변형 및 외부 클램핑의 결과로 내부 온도 구배가 가라앉은 후에도 응력을 유지합니다. 잔류 응력은 구성 요소, 특히 주기적 하중 또는 높은 응력을 받는 구성 요소의 동작과 성능에 상당한 영향을 미칠 수 있습니다. 균열 2,3 및 전체 피로 수명에 영향을 줄 수 있습니다4.

용접 잔류 응력 분포 특성화의 신뢰성을 개선하기 위해 NeT(European Network on Neutron Techniques Standardization for Structural Integrity)5와 같은 그룹은 일련의 라운드 로빈 활동을 개최하여 실험을 수행하고 단일 용접 비드 온 플레이트 용접6 및 다중 패스 슬롯 용접7과 같은 다양한 용접 시나리오에 대한 유한 요소(FE) 시뮬레이션을 구현했습니다. 8. 용접 유도 잔류 응력을 정량화하기 위해 중성자 회절9, 윤곽 방법, X선 회절, 깊은 구멍 드릴링10 및 증분 센터 홀 드릴링11을 포함한 다양한 실험 측정 기술이 사용됩니다. 실험적 측정 외에도 유한 요소 시뮬레이션은 잔류 응력장을 재구성하는 데에도 사용됩니다. Gilles et al.12는 유한 요소 모델의 표면 열원 모델을 사용하여 비드 온 플레이트 용접을 시뮬레이션했습니다. 그들은 또한 메쉬 설계 및 열원 모델에 대한 민감도 분석을 수행했습니다. Shan et al.13은 용접 후 잔류 응력 분포를 예측하기 위해 열-기계 순차 결합 분석을 수행했습니다. 그들은 열 플럭스 분포를 특성화하기 위해 요소 생성 또는 사망 기술과 함께 움직이는 열원 모델을 사용했습니다. Bate et al.14은 용접 열 분석의 신뢰성을 보장하기 위해 시편의 단순화된 2D 모델에서 열원 모델 보정을 수행하는 방법을 설명했습니다. Coules et al.15은 여러 인근 영역의 측정값을 결합하여 호환되지 않는 영역에서 잔류 응력장을 재구성하는 방법을 제시했습니다. 이 논문은 특히 원하는 영역에서 측정이 불가능한 상황에서 잔류 응력 측정의 정확도를 개선하기 위한 이 방법의 잠재력을 강조했습니다. Bouchard6은 비드 온 플레이트 용접 시뮬레이션에 대한 벤치마크를 제시하고 용접 시뮬레이션 접근 방식 평가에 사용할 수 있는 열 및 잔류 응력 성능 목표에 대한 정의를 제공했습니다. Smith et al.16은 다양한 용접 시뮬레이션 모델링 방법을 검토하고 메쉬 설계, 열원 특성, 열 입력 및 구성 모델을 포함한 많은 용접 시뮬레이션 모델링 매개변수의 민감도 분석을 제시했습니다. 시뮬레이션 결과의 정확도는 주로 분석가의 가정과 단순화에 달려 있습니다. 또한 이전에 발표된 논문에서 시뮬레이션 설정에 대한 일부 세부 정보가 간과되는 경우가 많아 시뮬레이션을 복제하기 어렵습니다.

FE 시뮬레이션 외에도 스트레스 예측을 위해 퍼지 신경망(fuzzy neural network) 17, 지원 벡터 회귀(18,19,20), 적응형 신경-퍼지 네트워크(adaptive neuro-fuzzy network)21,22, 인공 신경망(artificial neural network) 23 등을 포함하는 일련의 머신 러닝 알고리즘이 구현되었습니다. 사전 훈련된 머신 러닝 알고리즘을 사용하면 유한 요소 해석에 비해 응력 예측에 필요한 시간을 크게 줄일 수 있습니다. 수학과 물리학을 기반으로 모델링한 다음 미분 방정식을 푸는 대신, 대리 모델 개발은 입력과 출력 간의 관계를 직접 구축합니다. 그럼에도 불구하고 이 데이터 기반 방법론은 일반적으로 상당한 양의 학습 데이터를 필요로 합니다. 이러한 요구 사항에도 불구하고 현재 이러한 데이터 생성을 자동화하는 과정을 자세히 설명하는 발표된 연구가 부족합니다.

여기서의 전반적인 목표는 유한 요소 시뮬레이션에서 데이터 생성을 자동화하고 생성된 데이터를 활용하여 복잡한 물리적 프로세스에서 중요한 결과를 예측하기 위한 인공 신경망(ANN)과 같은 머신 러닝 기반 대리 모델을 훈련하기 위한 간소화된 워크플로를 개발하는 것입니다. 그림 1 은 워크플로의 단계를 요약한 개략적인 순서도를 제공합니다. 이 작업은 Abaqus에서 열-기계 용접 시뮬레이션을 수행하기 위한 모든 설정을 제공합니다. 매크로 기록 기능을 활용하면 FE 시뮬레이션에서 전처리 및 후처리를 위한 모든 작업이 스크립트에 기록되어 데이터 생성 프로세스를 자동화할 수 있습니다. 이 작업은 생성된 데이터를 사용하여 ANN 대리 모델을 훈련하는 방법도 설명합니다.

Protocol

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

1. 표준 모델 구축 및 기록

  1. Abaqus를 열고 파일 > 작업 디렉토리 설정을 클릭하여 작업 디렉토리를 설정합니다. File > Macro Manager> 클릭하고 Thermal_recording라는 작업 매크로를 만듭니다.
  2. 아래 설명된 대로 열 해석 설정을 수행합니다.
    1. 용접 시편에 대한 모델을 작성합니다. 여기에서는 단일 용접 비드 온 플레이트 구조 벤치 마크 케이스가 예로 사용됩니다. 직사각형 베이스 플레이트, 용접 비드 및 메쉬 미세 조정 영역의 크기는 표 1에 나와 있습니다.
      1. Part > Create Part를 클릭합니다. 표 1에 주어진 형상에 따라 XY 평면에서 정사각형의 스케치를 압출하여 시편의 3D 변형 가능한 절반 모델을 만듭니다.
      2. 부품(Part >)을 클릭하여 데이텀 평면: 주 평면에서 오프셋(Create Datum Plane: Offset from Principal Plane)을 클릭합니다. 표 1에 지정된 비드 길이를 기준으로 YZ 평면의 오프셋을 지정하여 용접의 시작점과 끝점을 설명하는 두 개의 데이텀 평면을 생성합니다. 표 1에 표시된 비드 깊이와 너비를 기준으로 XY 평면과 XZ 평면의 오프셋을 지정하여 용접을 위한 비드 깊이와 비드 너비를 설명하는 두 개의 데이텀 평면을 생성합니다. 비드는 상부 표면의 중심에 위치하며 길이는 시편의 세로 방향과 정렬됩니다.
      3. 부품 > 파티션 셀: 데이텀 평면 사용(Part Partition Cell: Use Datum Plane)을 클릭합니다. 1.2.1.2단계에서 생성한 4개의 데이텀 평면을 사용하여 표본의 셀 파티션을 생성합니다.
      4. Part > Create Cut: Extrude를 클릭합니다. 생성된 데이텀 평면 중 하나에서 호(arc-1)와 두 선을 지정하여 표본의 상단 표면 아래에 있는 용접 비드 부분에 대한 스케치를 작성합니다. 비드의 치수는 표 1에 나와 있습니다. 스케치를 돌출시켜 비드 길이의 깊이로 절단을 작성합니다.
      5. Part > Create Solid: Extrude를 클릭합니다. 작성된 데이텀 평면 중 하나에 두 개의 호(arc-1 및 acr-2)와 한 개의 선을 지정하여 용접 비드에 대한 스케치를 작성합니다. Keep Internal Boundaries(내부 경계 유지)를 선택하여 비드 길이만큼 스케치를 돌출시킵니다.
      6. 부품(Part >)을 클릭하여 데이텀 평면을 생성: 주평면에서 오프셋(Create Datum Plane: Offset from Principal Plane)을 클릭합니다. 메쉬 미세 조정 영역의 형상을 기반으로 미세 메쉬 영역을 정의하기 위해 4개의 데이텀 평면을 생성합니다. 미세한 메쉬 영역은 시편의 상단 중앙에 위치합니다.
      7. 부품 > 파티션 셀: 데이텀 평면 사용(Part Partition Cell: Use Datum Plane)을 클릭합니다. 1.2.1.6단계에서 생성한 4개의 데이텀 평면을 사용하여 표본의 셀 파티션을 생성합니다.
    2. 표 2에 따라 속성 모듈에서 스테인리스강 AISI 316LN의 재질을 정의합니다.
      1. 속성을 클릭하여 재질을 생성>. Definition density(밀도는 General 메뉴)에서 지정합니다. 온도 종속 데이터를 사용하여 Thermal 메뉴에서 전도성과 비열을 정의합니다.
    3. 아래 설명된 대로 모델에 재료를 지정합니다.
      1. Property > Create Section을 클릭합니다. 1.2.2단계에서 정의한 재질을 사용하여 균일한 솔리드 단면을 작성합니다.
      2. Property > Assign 섹션을 클릭합니다. 1.2.3.1단계에서 정의한 섹션을 사용하여 모델을 할당합니다.
    4. 아래 설명된 대로 단계 모듈에서 단계를 정의합니다.
      1. 단계 생성(Step > Create Step)을 클릭합니다. 시간 주기 26.43과 고정 시간 증분 0.1을 사용하여 용접이라는 열 전달 단계(형상의 비선형성 고려 안 함)를 만듭니다.
      2. 기간이 70이고 초기, 최소 및 최대 증분 크기가 각각 0.1, 0.05 및 5인 가변 시간 증분을 사용하여 Cooling-1이라는 열 전달 단계(형상의 비선형성 없음 고려)를 작성합니다.
      3. 기간이 2000이고 초기, 최소 및 최대 증분 크기가 각각 5, 1 및 100인 가변 시간 증분을 사용하여 Cooling-2라는 열 전달 단계(형상의 비선형성 고려)를 작성합니다.
        참고: 냉각 단계의 시간 범위 선택은 시뮬레이션에 매우 중요하며 분석가가 신중하게 결정해야 합니다.
    5. 아래 설명된 대로 모델 속성을 설정합니다.
      1. Model > Edit Attribute를 클릭합니다. 절대 영도 온도를 -273.15로 설정합니다. 슈테판-볼츠만 상수를 5.67E-11로 설정합니다.
    6. Step> Create Field Output을 클릭하여 전체 모델에 대한 노드 온도 요청을 설정합니다. Assembly > Create Instance를 클릭하여 종속 인스턴스를 생성합니다.
    7. 상호 작용 모듈에서 상호 작용을 만듭니다.
      1. Interaction( 상호 작용)을 클릭하여 표면 필름 조건> 상호 작용> 생성합니다. 대칭 평면을 제외한 모델의 모든 표면에서 필름 계수가 15이고 싱크 온도가 20인 표면 필름 조건 상호 작용을 생성합니다. 시작 단계를 용접으로 설정합니다.
      2. Interaction > 클릭하여 표면 복사> Interaction 을 생성합니다. 대칭 평면을 제외한 모델의 모든 표면에서 방사율이 0.7이고 주변 온도가 20인 표면 복사 상호 작용을 작성합니다. 시작 단계를 용접으로 설정합니다.
    8. 하중(Load) 모듈에서 하중을 정의합니다.
      1. Load > Create Load > Thermal > Body heat flux를 클릭합니다. 용접 단계에서 사용자 정의 본체 열 플럭스 하중을 작성하고 두 냉각 단계에서 비활성화합니다.
      2. Load > Create predefined field > Other > Field를 클릭합니다. 20의 실내 온도를 나타내기 위해 초기부터 미리 정의된 온도 필드를 만듭니다.
    9. 아래 설명된 대로 Mesh 모듈에서 메시를 생성합니다.
      참고: 요소 유형, 전체 메쉬 크기 및 미세 메쉬 크기는 각 해석의 특정 요구 사항에 따라 결정해야 합니다.
      1. Mesh > Object: Part > Seed Part를 클릭합니다. 글로벌 크기 0.0024로 부품의 시드를 지정합니다. Mesh > Seed Edges를 클릭합니다. bead depth와 bead width의 가장자리를 3의 숫자로 seed합니다.
      2. arc-2의 가장자리를 숫자 3으로 시드합니다. 비드 길이의 가장자리를 0.0015 크기로 시드합니다.
      3. Mesh( 메쉬)를 클릭하여 Assign Mesh Controls(메쉬 컨트롤> 할당합니다. 비드 영역에 대해 Tet 형상 요소와 자유 기술을 사용합니다. Mesh( 메쉬)를 클릭하여 Element Type(요소 유형> 할당합니다. 요소 유형을 DC3D10 및 메쉬 파트로 설정합니다.
      4. Mesh > Seed Edges를 클릭합니다. 미세 메쉬 영역 내에서 X축과 동일선상에 있는 가장자리를 0.0015 크기로 시드합니다. 미세 메쉬 영역 내에서 Y축과 동일선상에 있는 가장자리를 0.0011 크기만큼 시드합니다. 미세 메시 영역 내에서 Z축과 동일선상에 있는 가장자리를 0.00075 크기로 시드합니다.
      5. Mesh( 메쉬)를 클릭하여 Assign Mesh Control(메쉬 제어> 할당)을 클릭합니다. 영역의 나머지 부분에 대한 메쉬 제어를 지정합니다. 육각형 요소 및 스윕 기법을 사용합니다. Mesh( 메쉬)를 클릭하여 Element Type(요소 유형> 할당합니다. 요소 유형을 DC3D20 및 메쉬 파트로 설정합니다.
    10. Job > Create Job을 클릭합니다. Thermal_analysis라는 작업을 작성하고 DFLUX 사용자 서브루틴을 부착합니다.
    11. 매크로 기록을 중지합니다. Thermal_recording.py라는 파이썬 파일이 작업 디렉토리에 생성됩니다.
    12. Job > Job Manager(작업 관리자)를 클릭하여 제출> 클릭합니다. 작업을 제출합니다. Thermal_analysis.odb라는 결과 파일이 생성됩니다.
  3. File > Macro Manager> 클릭하십시오. 매크로 관리자를 열고 Mechanical_recording이라는 작업 매크로를 만듭니다.
  4. 아래 설명된 대로 기계 해석 설정을 수행합니다.
    1. 1.2.1단계를 반복하여 용접 시편에 대한 모델 형상을 작성합니다.
    2. 표 2 및 표 3에 따라 속성 모듈에서 스테인리스강 AISI 316LN의 재질을 정의합니다.
      1. 속성을 클릭하여 재질을 생성>. Definition density(밀도는 General 메뉴)에서 지정합니다. Mechanical 메뉴에서 온도 종속 데이터를 사용하여 탄성 속성을 정의합니다.
      2. Mechanical 메뉴에서 온도 의존 데이터를 사용하여 플라스틱 속성을 정의합니다. 결합 경화 모델을 선택하고 매개변수를 데이터 유형으로 선택합니다. 백스트레스의 수와 필드 변수의 수를 2와 0으로 설정합니다.
      3. 어닐링 온도의 하위 옵션을 추가합니다. 어닐링 온도를 1050으로 설정합니다. Mechanical 메뉴에서 온도 의존 데이터를 사용하여 등방성 팽창을 정의합니다.
    3. 1.2.3단계를 반복하여 모형에 재료를 지정합니다.
    4. 아래 설명된 대로 단계 모듈에서 단계를 정의합니다.
      1. 단계 > 단계 생성을 클릭합니다. 시간 주기가 26.43이고 고정 시간 증분이 0.1인 용접을 위한 정적 단계(형상의 비선형성 고려)를 생성합니다.
      2. 기간이 70인 Cooling-1에 대한 정적 단계(형상의 비선형성 고려)를 작성하고 초기, 최소 및 최대 증분 크기가 각각 0.1, 0.05 및 5인 가변 시간 증분을 생성합니다.
      3. 2000초의 기간으로 Cooling-2에 대한 정적 단계(형상의 비선형성 고려)를 작성하고 초기, 최소 및 최대 증분 크기가 각각 5, 1 및 100인 가변 시간 증분을 생성합니다.
    5. Step > Create Field Output(필드 출력 생성)을 클릭합니다. 전체 모델에 대한 응력 구성요소 및 불변 요청을 설정합니다. Assembly > Create Instance를 클릭합니다. 종속 인스턴스를 만듭니다.
    6. 아래 설명된 대로 경계 조건을 설정합니다.
      1. 하중( Load)>을 클릭하여 변위/회전(Displacement/Rotation)> 기계적인 > 경계 조건을 생성합니다. 대칭 평면과 위쪽 표면의 왼쪽 정점을 U1 및 U3에서 구속되도록 설정합니다.
      2. 대칭 평면과 위쪽 표면에서 U3에서 구속할 올바른 정점을 설정합니다.
      3. 로드>(Load)를 클릭하여 기계적인 > 대칭/반대칭/Encastre> 경계 조건을 생성합니다. 대칭 조건을 대칭 평면으로 설정합니다.
    7. 아래 설명된 대로 미리 정의된 필드를 설정합니다.
      1. Load( 로드)를 클릭하여 Create Predefined Field(미리 정의된 필드를 생성>. 초기 단계부터 시작하여 실내 온도 20을 나타내는 미리 정의된 온도 필드를 만듭니다.
      2. 용접 단계부터 시작하여 미리 정의된 온도 필드를 만듭니다. 배포 리소스는 결과 또는 출력 데이터베이스 파일에서 가져옵니다. 1.2.12단계에서 생성된 결과 파일의 루트가 되도록 루트를 추가하고 시작 단계, 증가 시작 및 종료 단계를 각각 1, 1, 1로 설정합니다.
      3. Cooling-1 단계부터 미리 정의된 온도 필드를 만듭니다. 배포 리소스는 결과 또는 출력 데이터베이스 파일에서 가져옵니다. 1.2.12단계에서 생성된 결과 파일의 루트를 추가하고 시작 단계, 증분 시작 및 종료 단계를 각각 2, 1, 2로 설정합니다.
      4. Cooling-2 단계부터 미리 정의된 온도 필드를 만듭니다. 배포 리소스는 결과 또는 출력 데이터베이스 파일에서 가져옵니다. 루트를 1.2.12단계에서 생성된 결과 파일의 루트로 추가하고 시작 단계, 증가 시작, 종료 단계를 각각 3, 1, 3으로 설정합니다.
    8. 1.2.9단계를 반복하되 요소 유형을 C3D8R로 지정합니다. Mechanical_analysis라는 작업을 만듭니다. 매크로 기록을 중지합니다. Mechanical_recording.py라는 Python 파일이 작업 디렉터리에 생성됩니다.
    9. 작업을 제출합니다. Mechanical_analysis.odb라는 결과 파일을 생성할 수 있습니다.
  5. 아래 설명된 대로 사후 처리를 수행합니다.
    참고: 후처리 단계에서는 물리 필드를 추출하여 실험 결과와 비교합니다. 구체적인 추출 과정은 사용 가능한 실험 데이터에 따라 다릅니다. 이 연구는 온도장, 융합 경계 및 응력장의 추출을 보여주며, 이는 각각 열전대 판독값, 비드 형상 측정 및 잔류 응력 데이터와 비교할 수 있습니다. 상세한 비교 결과는 관련 출판물24호에서 확인할 수 있다.
    1. 아래 설명된 대로 열전달 결과를 추출합니다.
      1. 파일 > 데이터베이스 열기를 클릭합니다. Thermal_analysis.odb를 엽니다. Plug-ins > Tools를 클릭하여 가장 가까운 노드를 찾을 >. 플러그인에서 가장 가까운 노드 찾기 도구를 사용하여 Thermal couple 5 및 Thermal couple 9의 점에 대한 노드 레이블을 찾습니다.
        참고: 열전쌍 5는 시편의 상단 표면과 중간 길이 단면의 교차선에 위치합니다. 대칭 평면에서 11.5mm 떨어져 있습니다. 열전대 9는 하단 평면, 대칭 평면 및 중간 길이 단면의 교차점에 위치합니다.
      2. 시각화를 클릭하여 XY 데이터 > ODB 필드 출력을 생성합니다>. 고유한 노드 온도 이력을 추출합니다.
      3. Visualization(시각화)을 클릭하여 View Cut 활성화/비활성화(Activate/Deactivate View Cut)>. X 평면의 절단 뷰를 활성화합니다. 프레임 선택기를 조정하고 융합 경계가 가장 큰 값에 도달할 때 융합 단면을 캡처합니다.
    2. 아래 설명된 대로 기계적 결과를 추출합니다.
      1. 매크로 관리자를 열고 data_extracting이라는 작업 매크로를 만듭니다. 열다 Mechanical_analysis.odb입니다.
      2. Tools > Path > Create > Node 목록을 클릭합니다. BD 선에 대한 경로를 만듭니다(BD 선은 중간 길이의 샘플 두께를 가로질러 실행됨).
      3. 시각화를 클릭하여 XY 데이터 > 경로를 생성합니다>. 변형되지 않은 모델 쉐이프의 경로에서 XY 데이터를 작성합니다.
      4. 매크로 기록을 중지합니다. data_extracting.py라는 파이썬 파일이 작업 디렉토리에 생성됩니다.
    3. 열 및 기계 결과를 실험 데이터와 비교합니다. 시뮬레이션과 실험 모두에 동일한 매개변수와 설정이 사용되었습니다.

2. 모델 스크립팅

참고: 여기에서 용접 속도, 이동 길이 및 순 에너지 입력 속도의 세 가지 용접 매개변수가 매개변수화됩니다.

  1. 민감도 분석을 기반으로 모델을 단순화합니다.
    참고: 모델에서 용접 비드 보강 높이를 포함하거나 제외하는 효과에 대한 민감도 분석에 따르면, 모델에서 용접 비드 보강 높이를 포함하거나 제외하는 것은 BD 라인을 따른 응력 분포에 큰 영향을 미치지 않았습니다. 따라서 시뮬레이션에서 비드를 생성하는 단계는 건너뛸 수 있습니다.
  2. Thermal_recording.py 엽니다. HeatTransferStep을 검색하여 단계를 정의하기 위한 코드를 찾습니다. 용접 단계의 특정 기간 값을 bead_length/용접 속도 표현식으로 대체합니다.
  3. 입력 파일을 만들기 위한 코드를 찾습니다. 특정 이름을 T-Heat_input-welding_speed-travel_length 식으로 대체합니다.
  4. Mechanical_recording.py 엽니다. HeatTransferStep을 검색하여 단계를 정의하기 위한 코드를 찾습니다. 용접 단계의 특정 기간 값을 bead_length/용접 속도 표현식으로 대체합니다.
  5. 입력 파일을 만들기 위한 코드를 찾습니다. 특정 이름을 M-Heat_input-welding_speed-travel_length 식으로 대체합니다.
  6. 포함된 Supplementary Coding File 1의 1-408행을 사용하여 열 및 기계 분석을 위한 입력 파일을 만들기 위한 코드를 결합합니다.
  7. 인수 목록의 형식을 정의하고, 포함된 Supplementary Coding File 1의 라인 410-459를 사용하여 열 및 기계 분석을 위한 입력 파일을 생성하기 위한 함수를 호출합니다. 열 분석을 위한 모든 입력 파일은 Thermal_input_files 폴더에 저장되고 기계 분석을 위한 모든 입력 파일은 작업 디렉토리 아래의 Mechanical_input_files 폴더에 저장됩니다.
  8. 최종 파이썬 파일(Supplementary Coding File 1)을 생성합니다.
    참고: 스크립트의 견고성을 높이기 위해 시퀀스 선택에 사용되는 모든 기본 함수인 getSequenceFromMask가 findAt이라는 좌표 기반 시퀀스 선택 함수로 대체되었습니다.

3. 데이터 생성

  1. Abaqus 명령행에서 Supplementary Coding File 1 을 실행하여 열 해석 및 기계 해석 모두에 대한 입력 파일을 생성합니다. Supplementary Coding File 2 및 Supplementary Coding File 3 을 Thermal_input_files 폴더에 복사합니다.
  2. 명령행에 qsub Run_thermal 입력하여 쉘 스크립트를 실행하여 다른 용접 입력 파일 이름에 따라 DFLUX 서브루틴을 수정하고 작업을 제출합니다.
  3. Supplementary Coding File 4를 Mechanical_input_files 폴더에 복사합니다. 추천 줄에 qsub Run_mechanical 입력하여 다른 용접 입력 파일 이름에 따라 기계 분석을 위한 입력 파일을 수정하고 작업을 제출합니다.
  4. 추가 코딩 파일 5를 Mechanical_input_files 폴더에 복사하고 명령줄에서 이 스크립트를 실행합니다. 그런 다음 대상선에 있는 점에 대한 응력 값이 포함된 csv 파일을 생성합니다.

4. 대리 모델 개발

  1. Supplementary Coding File 6에 포함된 1-17줄을 사용하여 라이브러리를 로드합니다. Supplementary Coding File 6에 포함된 378행을 사용하여 난수 시드값을 수정합니다.
  2. Supplementary Coding File 6에 포함된 381-382줄을 사용하여 훈련 데이터셋과 테스트 데이터셋의 경로를 지정합니다.
  3. Supplementary Coding File 6에 포함된 385행을 사용하여 데이터셋을 전처리합니다. 전처리에는 균일한 간격의 샘플링, 정규화 및 훈련, 테스트 세트 분할이 포함됩니다.
  4. 포함된 Supplementary Coding File 6 (Optional)의 387-397행을 사용하여 베이지안 최적화를 사용하여 하이퍼파라미터 튜닝을 수행합니다.
  5. 포함된 Supplementary Coding File 6 (선택 사항)의 399-401줄을 사용하여 GridsearchCV를 사용하여 교차 검증을 통해 하이퍼파라미터 튜닝을 수행합니다.
  6. 대리 모델을 구축하고 포함된 Supplementary Coding File 6의 404-405줄을 사용하여 테스트 데이터 세트에서 예측합니다.
  7. 포함된 Supplementary Coding File 6의 라인 406-410을 사용하여 예측에 대한 MSE를 계산하고 인쇄합니다.
  8. 포함된 Supplementary Coding File 6의 414-416행을 사용하여 대리 모델을 저장합니다.
  9. 포함된 Supplementary Coding File 6의 419-420행을 사용하여 테스트 데이터셋의 시뮬레이션 데이터에 대한 ANN 예측을 플로팅합니다.
  10. 포함된 Supplementary Coding File 6의 423행을 사용하여 테스트 데이터셋에 대한 일반 성능 맵을 플로팅합니다.

Results

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

일련의 FE 시뮬레이션은 아크 이동 길이, 아크 진행 속도 및 순 에너지 입력 속도의 다양한 조합을 사용하여 실행되었습니다. 훈련 세트의 경우 호 이동 길이에 사용된 값 범위는 40mm, 50mm, 60mm, 70mm 및 80mm였습니다. 아크 전진 속도에 사용된 값의 범위는 2mm/s, 2.5mm/s, 3mm/s, 3.5mm/s 및 4mm/s였습니다. 순 에너지 입력 속도에 사용된 값의 범위는 1000W, 1500W, 2000W, 2500W, 3000W였습니다. 테스트 세트의 경우 아크 이동 길이에 사용된 값 범위는 40mm, 50mm, 60mm, 70mm 및 80mm였습니다. 아크 전진 속도에 사용된 값의 범위는 2.25mm/s, 2.75mm/s, 3.25mm/s 및 3.75mm/s였습니다. 순 에너지 입력 속도에 사용된 값의 범위는 1250W, 1750W, 2250W 및 2750W였습니다. 이러한 205개 시뮬레이션의 BD 라인을 따른 종방향 응력이 수집되어 그림 2에 표시됩니다. 이 결과는이전에 25에 발표되었습니다. 특히, 워크플로우의 효과를 입증하기 위해 해당 연구에서 사례 연구 결과가 사용됩니다. 본 연구는 용접 시뮬레이션에 적용된 특정 설정에 대한 포괄적인 설명을 제공하고 일반 용접 시뮬레이션에 사용된 Python 스크립팅 방법론을 자세히 설명함으로써 이전 조사를 넘어 확장됩니다.

개발된 ANN 모델을 적용하여 테스트 세트에 대한 예측을 수행했습니다. 모델 예측과 FE 시뮬레이션 간의 불일치는 그림 3에 나와 있습니다. 1680개의 테스트 포인트 중 시뮬레이션된 유한 요소 해석과 ANN 예측 응력 값 간의 대부분의 차이(759개 발생)는 0-2MPa 범위 내에 있으며 데이터의 45.2%를 차지합니다. 차이가 증가함에 따라 빈도가 감소하며, 10MPa보다 큰 차이를 보여주는 데이터 포인트는 거의 없습니다. 그림 4 에는 서로 다른 수준의 시뮬레이션된 응력에 대한 시뮬레이션된 응력과 예측된 응력 간의 절대 불일치 분포를 보여주는 상자 그림이 표시되어 있습니다. 각 상자는 시뮬레이션된 응력 수준의 특정 구간 내에 있는 잔차의 사분위수 범위를 나타내며, 상자 안의 선은 중앙값을 나타냅니다. 보조 y축의 히스토그램은 각 스트레스 수준 빈 내의 학습 데이터 포인트 수를 표시하여 모델 학습에 사용되는 데이터 분포에 대한 추가 컨텍스트를 제공합니다. 그림에서 볼 수 있듯이 학습 데이터 포인트가 더 적은 스트레스 수준 빈은 테스트 데이터 세트에서 더 높은 최대 불일치를 나타내는 경향이 있습니다. 이러한 영역에서의 성능은 이러한 스트레스 수준에 사용할 수 있는 학습 데이터의 양을 증가시켜 잠재적으로 향상될 수 있습니다.

예측 성능을 정량화하기 위해 평균 제곱 오차(MSE)가 사용되었으며 MSE 성능 지표에 대한 표현식은 다음과 같습니다.

figure-results-1

여기서 yi 는 i번째 샘플 점에 대한 표준화를 역전시키기 전의 응력 값이고, figure-results-2 는 i번째 샘플에 대한 표준화를 역전시키기 전의 예측된 응력 값이며, n은 총 샘플 수입니다.

ANN의 응력 예측은 MSE가 0.0024로 FE 시뮬레이션 결과와 매우 유사했습니다. 선택한 4개의 테스트 케이스에 대한 예측이 그림 5에 표시되어 있습니다. 이 네 가지 테스트 케이스에 대한 열 입력은 각각 333 J/mm, 538 J/mm, 692 J/mm 및 1222 J/mm입니다. 이 네 가지 사례 중에서 ANN 예측은 일반적으로 FE 시뮬레이션 결과와 잘 일치하는 것으로 나타났습니다. 그러나 용접 속도가 50mm의 이동 길이와 2750W의 순 에너지 입력 속도에서 2.25mm/s인 경우 또는 용접 속도가 40mm의 이동 길이와 1250W의 순 에너지 입력 속도에서 3.75mm/s인 시나리오에서는 BD 라인의 하단(약 17mm 깊이)에서 상대적으로 큰 불일치가 관찰됩니다. 이러한 불일치는 이 영역을 제어하는 규칙의 복잡성 증가에 기인할 수 있으며, 이로 인해 이러한 특정 매개변수 공간 영역 내에서 더 복잡한 매니폴드가 발생합니다. 가능한 해결책은 이 영역에서 학습 데이터 세트의 밀도를 높이는 것입니다.

figure-results-3
그림 1: 워크플로우. 제안된 워크플로에는 기본 FE 모델 구축, 스크립팅, 데이터 생성 및 대리 모델 개발의 4단계(파란색 블록으로 표시)가 있습니다. 주황색 블록은 각 단계의 입력을 나타내고 녹색 블록은 각 단계의 출력을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-4
그림 2: 생성된 데이터 세트. 총 205세트의 종방향 응력 데이터가 표시되어 있으며, 각 세트는 이동 길이, 순 에너지 입력 속도 및 용접 속도의 고유한 조합에 해당합니다. 각 세트 내에서 BD 라인을 따라 서로 다른 노드에 대해 20개의 데이터 포인트가 플롯됩니다. 세트를 구별하기 위해 각 세트는 순 열 입력 속도에 해당하는 다른 색상으로 표시됩니다. 이 값은 순 에너지 투입 속도를 용접 속도로 나누어 계산할 수 있습니다. 이 수치는25에서 수정되었습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-5
그림 3: FE 시뮬레이션 결과와 ANN 예측 간의 불일치 빈도. 테스트 데이터 세트의 FE 시뮬레이션 결과와 ANN 예측의 차이는 10가지 수준으로 분류됩니다. 플롯 내 주석은 테스트 케이스의 각 차이 수준에 대한 발생 빈도와 백분율을 나타냅니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-6
그림 4: 다양한 스트레스 수준에 걸친 평균 절대 잔차 및 훈련 데이터 세트의 분포. 상자 그림은 서로 다른 수준의 시뮬레이션된 응력에 대한 시뮬레이션된 응력과 예측된 응력 간의 절대 불일치 분포를 설명합니다. 각 상자 안의 주황색 선은 중앙값을 나타내며 절대 불일치의 중간점을 나타냅니다. 각 상자의 높이는 데이터의 중간 50%(25번째 백분위수에서 75번째 백분위수까지)에 걸쳐 있는 사분위수 범위에 해당하며, 이는 불일치의 변동성을 반영합니다. 수염은 상자에서 확장되어 불일치의 최소값과 최대값을 표시합니다. 파란색 히스토그램은 훈련 데이터셋의 각 스트레스 수준에 해당하는 훈련 데이터 점의 수를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

figure-results-7
그림 5: 시뮬레이션 결과와 ANN 예측 결과 간의 비교. 이 그림에는 (A) 용접 속도가 3.75mm/s, 이동 길이가 40mm, 순 에너지 입력 속도가 1250W인 4개의 테스트 사례가 나와 있습니다. (B) 용접 속도는 3.25mm/s, 이동 길이는 60mm, 순 에너지 입력 속도는 1750W입니다. (C) 용접 속도는 3.25mm/s, 이동 길이는 50mm, 순 에너지 입력 속도는 2250W입니다. (D) 용접 속도는 2.25mm/s, 이동 길이는 50mm, 순 에너지 입력 속도는 2750W입니다. 모든 테스트 사례에서 가장 눈에 띄는 불일치는 파란색 상자로 강조 표시되며, 이는 테스트 사례(D)의 상단 표면에서 17mm 깊이에서 19.4MPa의 차이를 보여줍니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭하십시오.

표 1: 용접 시편, 미세 조정 메쉬 영역 및 비드에 대한 형상 정보. 직사각형 용접 시편과 미세 조정 메쉬 영역의 길이, 너비 및 깊이가 테이블에 나열되어 있습니다. 용접 비드의 치수는 스케치로 표시됩니다. 모델링 프로세스에서는 모델의 절반만 생성되었으므로 너비를 절반으로 줄여야 합니다. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 2: AISI 316LN의 재료 특성14. 밀도 및 푸아송 비는 온도와 무관한 것으로 취급되고 다른 물리적 특성은 온도에 따라 취급됩니다. 이 표를 다운로드하려면 여기를 클릭하십시오.

표 3: AISI 316LN의 플라스틱 기계적 특성24. 온도의 함수로서의 AISI 316LN 스테인리스강의 기계적 특성; 0 소성 변형에서 항복 응력; 운동학적 경화 매개변수(C1, 감마 1, C2, 감마 2); 등방성 경화 매개변수(Q-inf); 및 경화 매개 변수 (b). 이 표를 다운로드하려면 여기를 클릭하십시오.

보충 코딩 파일 1: Create_input_files.py 이 파일을 다운로드하려면 여기를 클릭하십시오.

추가 코딩 파일 2: Run_thermal 이 파일을 다운로드하려면 여기를 클릭하십시오.

추가 코딩 파일 3: DFLUX.for 이 파일을 다운로드하려면 여기를 클릭하십시오.

보충 코딩 파일 4:Run_Mechanical 이 파일을 다운로드하려면 여기를 클릭하십시오.

추가 코딩 파일 5: extract_data.py 이 파일을 다운로드하려면 여기를 클릭하십시오.

추가 코딩 파일 6: ANN_development.py 이 파일을 다운로드하려면 여기를 클릭하십시오.

Discussion

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

본 연구에서는 유한요소 시뮬레이션에서 데이터 생성을 자동화하고 인공 신경망과 같은 머신러닝 기반 대리 모델을 학습시켜 용접 공정의 중요한 결과를 예측하는 워크플로우를 제시한다. 첫째, 프로토콜에는 신뢰할 수 있는 결과를 위한 일관된 프레임워크를 구축하기 위해 표준 용접 유한 요소 시뮬레이션을 구축하는 것이 포함됩니다. 시뮬레이션 결과는 정확성을 보장하기 위해 실험 데이터에 대해 분석 및 검증됩니다. 둘째, 시뮬레이션의 전처리 및 후처리를 수행할 수 있는 스크립트는 매크로 기능을 사용하여 기록된 스크립트를 기반으로 개발됩니다. 셋째, 생성된 스크립트를 사용하여 대규모 데이터 세트를 생성합니다. 마지막으로, 대리 모델을 개발 및 테스트하여 탁월한 성능을 입증합니다. 이 방법론은 데이터 세트 생성 프로세스의 효율성에 기여하여 반복적인 수동 구성의 필요성을 제거합니다. 데이터 기반 대리 모델 개발에서 데이터 세트 생성의 중추적인 역할을 인식하고, 요약된 워크플로는 대리 모델 개발 프로세스를 가속화하는 역할을 합니다. 결과적으로, 제시된 방법론은 용접 시뮬레이션의 맥락에서 데이터 기반 대리 모델의 개발을 촉진하는 데 유용한 리소스입니다.

프로토콜에서 몇 가지 중요한 단계는 최종 대리 모델의 성능에 큰 영향을 미칩니다. 1.2.9단계에서는 안정적인 수렴과 정확한 시뮬레이션 결과를 얻을 수 있도록 용접 모델에 충분히 미세한 메쉬 요소가 포함되어 있는지 확인하는 것이 중요합니다. 1.5.3단계에서 표준 유한 요소 모델을 보정하면 열원 모델 매개변수 선택의 적절성이 향상되고 시뮬레이션의 정확도가 향상됩니다. 4.4단계 및 4.5단계에서는 최적의 모델 구성을 식별하여 대리 모델의 성능을 향상시키는 데 적절한 하이퍼 매개 변수 튜닝이 중요합니다.

개발된 ANN 대리 모델의 성능을 평가한 결과, 전반적으로 우수한 성능을 보인 것으로 나타났다. 이 연구에서 개발된 대리 모델의 정확도는 매우 제한된 데이터19,23에 기초한 이전 시도보다 더 크다. 사례 연구에서 개발된 대리 모델은 단일 용접 비드 온 플레이트 구성에서 종방향 응력을 예측하기 위해 특별히 설계되었으며, 용접 속도, 이동 길이 및 순 에너지 입력 속도의 세 가지 주요 용접 매개변수를 통합합니다. 모델의 입력과 출력 모두 적응력이 높다는 점에 유의하는 것이 중요합니다. 예를 들어, 추가 용접 매개변수 또는 재료 속성을 입력에 통합할 수 있으며, 출력은 모든 잔류 응력 구성 요소 또는 변위를 포함하도록 확장할 수 있으므로 더 광범위한 응용 분야를 위한 다목적 프레임워크를 제공할 수 있습니다.

Surrogate 모델을 구축하는 데 사용되는 알고리즘은 작업에 따라 수정할 수도 있습니다. ANN에는 외삽에 대한 몇 가지 제한 사항이 있습니다. ANN과 달리 SVM(Support Vector Machine)과 같은 다른 기계 학습 알고리즘은 학습 데이터의 구조에 제한을 받지 않으며 더 나은 외삽 기능을 가지고 있습니다. 이전 연구에서는 18,19,20건에서 SVM을 사용하여 잔류 응력을 예측하려고 시도했지만 어느 정도 성공을 거두었습니다. 그러나 SVM 하이퍼파라미터를 조정하는 것이 더 어려울 수 있으며 SVM이 ANN에 비해 보간 작업에서 항상 잘 수행되는 것은 아닐 수 있다는 점에 유의해야 합니다. ANN의 또 다른 한계는 ANN을 직접 사용하면 엔지니어가 우려하는 신뢰 구간을 생성할 수 없다는 것입니다. 따라서 Gaussian Process Regression26 및 Bayesian Neural Networks27과 같은 다른 알고리즘을 고려할 수 있습니다. 또한 ANN 모델은 잔류 응력을 예측하는 데 효과적이지만 해석 가능성이 부족합니다. 이러한 해석 가능성의 부족은 모델의 의사 결정 프로세스를 이해하는 것이 중요한 엔지니어링 응용 분야에서 단점이 될 수 있습니다. 모델의 해석 가능성은 의사 결정 트리와 같은 더 많은 설명 모델을 통합하여 향상시킬 수 있습니다.

결론적으로, 본 연구에서 제안된 워크플로우는 데이터셋을 빠르고 쉽게 생성할 수 있게 하여 일반 또는 특정 용접 시뮬레이션 대리 모델의 개발을 크게 가속화할 수 있습니다.

Disclosures

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

저자는 공개할 내용이 없습니다.

Acknowledgements

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

이 프로젝트는 핵융합 산업 프로그램(Fusion Industry Programme)을 통해 영국 원자력청(UK Atomic Energy Authority)의 지원을 받았습니다. 핵융합 산업 프로그램은 영국 핵융합 생태계의 성장을 촉진하고 미래의 글로벌 핵융합 발전소 시장을 준비하고 있습니다. 핵융합 산업 프로그램에 대한 자세한 내용은 온라인에서 확인할 수 있습니다: https://ccfe.ukaea.uk/programmes/fusion-industry-programme/. 저자는 맨체스터 대학교(University of Manchester)의 컴퓨팅 공유 시설(Computational Shared Facility)에 액세스할 수 있도록 Research IT에서 제공한 지원에 진심으로 감사를 표합니다. A.N. Vasileiou는 EPSRC, United Kingdom Prosperity Partnership(보조금 번호: EP/V038079/1)과 영국 맨체스터 대학교의 Dalton Nuclear Institute가 자금을 지원하는 'SINDRI - Synergistic Utilization of Informatics and Data-centric Integrity Engineering' 프로젝트의 지원에 감사를 표합니다. 저자들은 NeT-TG1 벤치마크 데이터를 제공한 유럽연합 집행위원회(European Commission) - 공동 연구 센터(JRC)의 NeT-European NeTwork와 Carsten Ohms에 감사를 표합니다.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AbaqusDassault Systems2020
Intel Fortran CompilerIntel Corporation17.0.7
Keras오픈 소스2.6.0
Python오픈 소스3.8.18

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