Methodenartikel

Ontwikkeling van surrogaatmodellen voor digitale experimenten in lassen

DOI:

10.3791/67576

⸱

28 maart 2025

 ,  ,  , 
1School of Engineering, University of Manchester

In dit artikel

Samenvatting

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

Dit protocol schetst een algemene workflow voor het bouwen van een kunstmatig neuraal netwerk voor lassimulatie met behulp van datasets die automatisch worden gegenereerd via Python-scripts met macrofuncties. De workflow wordt gevalideerd aan de hand van een benchmarkcase met single-pass lassen in rechte lijn. De voorspellende nauwkeurigheid van het surrogaatmodel vertoont een sterke overeenkomst met eindige-elementensimulaties.

Samenvatting

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

De maakindustrie is sterk afhankelijk van lasprocessen om materialen samen te voegen en integrale componenten te vormen in verschillende sectoren. Veel aspecten zullen de kwaliteit van de las beïnvloeden en uiteindelijk de integriteit van de structuur van het lasnaad. Door lassen geïnduceerde restspanning, een gevolg van de thermische cycli die inherent zijn aan deze processen, heeft een aanzienlijke invloed op de structurele integriteit en prestaties van gefabriceerde componenten. Het begrijpen en voorspellen van deze restspanning is cruciaal voor het verbeteren van de betrouwbaarheid en duurzaamheid van gelaste constructies. Het snel beoordelen van een lasopstelling in digitale experimenten brengt echter aanzienlijke uitdagingen met zich mee, aangezien een traditionele simulatie tijdrovend kan zijn. Dit onderzoek schetst de toepassing van een workflow om een kunstmatig neuraal netwerkgebaseerd surrogaatmodel te construeren om door lassen geïnduceerde restspanning te voorspellen. Het model is gebouwd met behulp van gegevens die automatisch worden gegenereerd uit eindige-elementensimulaties via Python-scripts op basis van macrofuncties. In tegenstelling tot traditionele methoden die gebaseerd zijn op handmatige voorverwerking en eindige-elementensimulaties, vermindert deze aanpak de tijd en moeite die nodig zijn voor het instellen van simulaties en gegevensextractie aanzienlijk, waardoor de algehele efficiëntie wordt verbeterd. Door ervoor te zorgen dat alle simulatiestappen consistent worden uitgevoerd door middel van macrofuncties, elimineert de methode door de mens veroorzaakte variabiliteit, wat leidt tot een betere reproduceerbaarheid. Bovendien maakt de automatisering van het genereren van gegevens het mogelijk om uitgebreide datasets te creëren die nodig zijn voor het trainen van machine learning-modellen, waardoor de beperkingen van arbeidsintensieve traditionele technieken worden overwonnen. De workflow bevat vier hoofdstappen: bouw een standaard eindige-elementensimulatie van lassen en valideer de eindige-elementensimulatieresultaten aan de hand van experimentele gegevens; ontwikkel scripts voor het genereren van grote datasets met behulp van een macrofunctie die de voor- en nabewerkingsstappen van de eindige-elementensimulatie vastlegt; de scripts gebruiken om de benodigde gegevens te genereren; Ontwikkel surrogaatmodellen en test hun prestaties. Het kunstmatige neurale netwerk vertoonde een hoge nauwkeurigheid bij het voorspellen van stressniveaus, nauw aansluitend bij de simulatieresultaten op de testdataset en een relatieve gemiddelde kwadratische fout van 0,0024.

Inleiding

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

Bij het uitvoeren van een digitaal experiment voor de laspraktijk is restspanning een belangrijk resultaat, aangezien dit een cruciaal aspect is van de beoordeling van de structurele integriteit. Door lassen veroorzaakte restspanning wordt veroorzaakt door de combinatie van hoge temperaturen, snelle afkoeling en de daaruit voortvloeiende niet-uniforme thermische gradiënten en mechanische beperkingen tijdens het lasproces1. Het metaal behoudt spanning, zelfs nadat de interne temperatuurgradiënt is afgenomen als gevolg van plastische vervorming en externe klemming. Restspanning kan een aanzienlijke invloed hebben op het gedrag en de prestaties van componenten, met name die welke onderhevig zijn aan cyclische belasting of hoge spanning. Het kan barsten veroorzaken 2,3 en de algehele levensduur van vermoeidheid beïnvloeden4.

Om de betrouwbaarheid van de karakterisering van de verdeling van de restspanning bij lassen te verbeteren, hebben groepen zoals het European Network on Neutron Techniques Standardization for Structural Integrity (NeT)5 een reeks round-robin-activiteiten gehouden om experimenten uit te voeren en eindige-elementen (FE) simulaties geïmplementeerd voor verschillende lasscenario's, zoals single las bead-on-plate las6 en multiple-pass slotlas 7, 8. okt. Verschillende experimentele meettechnieken worden gebruikt om de door lassen geïnduceerde restspanning te kwantificeren, waaronder neutronendiffractie9, contourmethode, röntgendiffractie, diepgatboring10 en incrementeel boren van middengaten11. Naast experimentele metingen wordt ook eindige-elementensimulatie gebruikt om het restspanningsveld te reconstrueren. Gilles et al.12 gebruikten het model van de oppervlaktewarmtebron in het eindige-elementenmodel om de lassen van de kraal op de plaat te simuleren; Ze voerden ook gevoeligheidsanalyses uit van het ontwerp van mazen en warmtebronmodellen. Shan et al.13voerden een thermisch-mechanische sequentieel gekoppelde analyse uit om de verdeling van de restspanning na het lassen te voorspellen; Ze gebruikten een bewegend warmtebronmodel met een element geboorte-of-doodtechniek om de verdeling van de warmteflux te karakteriseren. Bate et al.14beschreven hoe een warmtebronmodelkalibratie moet worden uitgevoerd op een vereenvoudigd 2D-model van het sample om de betrouwbaarheid van de thermische analyse van het lassen te garanderen. Coules et al.15 presenteerden een methode voor het reconstrueren van restspanningsvelden in een onverenigbare regio door metingen uit verschillende nabijgelegen regio's te combineren. Het artikel benadrukte het potentieel van deze methode voor het verbeteren van de nauwkeurigheid van restspanningsmetingen, met name in situaties waarin metingen in het gewenste gebied niet mogelijk zijn. Bouchard6stelde een benchmark voor bead-on-plate lassimulatie voor en bood een definitie van thermische en restspanningsprestatiedoelen die konden worden gebruikt voor de evaluatie van de lassimulatiebenadering. Smith et al.16 bespraken de verschillende modelleringsmethoden voor lassimulatie en presenteerden gevoeligheidsanalyses van veel modelleringsparameters voor lassimulaties, waaronder gaasontwerp, eigenschappen van warmtebronnen, warmte-input en constitutief model. De nauwkeurigheid van de simulatieresultaten hangt grotendeels af van de aannames en vereenvoudigingen van de analisten. Bovendien worden sommige details voor simulatie-instellingen in de eerder gepubliceerde artikelen vaak verwaarloosd, wat het moeilijk maakt om simulaties te repliceren.

Naast FE-simulatie is er een reeks machine learning-algoritmen geïmplementeerd voor stressvoorspelling, waaronder fuzzy neuraal netwerk17, ondersteuning voor vectorregressie 18,19,20 adaptief neuro-fuzzy netwerk 21,22 kunstmatig neuraal netwerk23. Het gebruik van vooraf getrainde machine learning-algoritmen vermindert de tijd die nodig is voor stressvoorspelling aanzienlijk in vergelijking met eindige-elementenanalyse. In plaats van te modelleren op basis van wiskunde en natuurkunde en vervolgens differentiaalvergelijkingen op te lossen, bouwt surrogaatmodelontwikkeling direct relaties op tussen input en output. Toch vereist deze datagestuurde methodologie conventioneel een aanzienlijke hoeveelheid trainingsgegevens. Ondanks deze vereiste is er momenteel een gebrek aan gepubliceerd onderzoek dat het proces van het automatiseren van het genereren van dergelijke gegevens in detail uitlegt.

Het algemene doel hier is om een gestroomlijnde workflow te ontwikkelen voor het automatiseren van het genereren van gegevens uit eindige-elementensimulaties en het gebruik van de gegenereerde gegevens om op machine learning gebaseerde surrogaatmodellen, zoals kunstmatige neurale netwerken (ANN's), te trainen voor het voorspellen van kritieke resultaten in complexe fysieke processen. Figuur 1 toont een stroomdiagram op hoog niveau dat de stappen in de workflow samenvat. Dit werk presenteert alle instellingen om een thermisch-mechanische lassimulatie in Abaqus uit te voeren. Door gebruik te maken van de macro-opnamefunctie worden alle bewerkingen voor voor- en nabewerking in FE-simulatie vastgelegd in scripts, waardoor de gegevensgeneratieprocessen worden geautomatiseerd. In dit werk wordt ook beschreven hoe de gegenereerde gegevens kunnen worden gebruikt om een ANN-surrogaatmodel te trainen.

Protocol

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

1. Bouwen en vastleggen van een standaardmodel

  1. Open Abaqus en klik op Bestand > Set Work Directory om een werkmap in te stellen. Klik op Bestand > Macro Manager > werk en maak een werkmacro met de naam Thermal_recording.
  2. Voer de instelling van de thermische analyse uit zoals hieronder beschreven.
    1. Maak een model voor het lassen van samples. Hier wordt een benchmarkbehuizing met een enkele laskraal-op-plaatstructuur als voorbeeld gebruikt; de grootte van de rechthoekige grondplaat, de lasrups en het gebied van de gaasverfijning worden weergegeven in tabel 1.
      1. Klik op Deel > Deel maken. Maak een 3D vervormbaar halfmodel van het preparaat door een schets van een vierkant op het XY-vlak te extruderen volgens de geometrie in tabel 1.
      2. Klik op Deel > Referentievlak maken: Verschuiving van Hoofdvlak. Maak twee referentievlakken voor het beschrijven van het begin- en eindpunt voor het lassen door de offsets van het YZ-vlak op te geven op basis van de rupslengte in tabel 1. Maak twee referentievlakken voor het beschrijven van de rupsdiepte en rupsbreedte voor het lassen door de offsets van het XY-vlak en XZ-vlak op te geven op basis van de rupsdiepte en -breedte die in tabel 1 worden gegeven. De kraal bevindt zich in het midden van het bovenoppervlak, met de lengte uitgelijnd met de lengterichting van het preparaat.
      3. Klik op deel > partitiecel: gebruik het referentievlak. Maak celpartities van het monster met behulp van de vier referentievlakken die in stap 1.2.1.2 zijn gemaakt.
      4. Klik op Deel > Snede maken: Extruderen. Maak een schets voor het deel van de lasrups dat zich onder het bovenoppervlak van het monster bevindt door een boog (boog-1) en twee lijnen op een van de gemaakte referentievlakken op te geven. De afmetingen van de kraal zijn weergegeven in Tabel 1. Maak een snede met de diepte van de kraallengte door de schets te extruderen.
      5. Klik op Deel > Solid maken: extruderen. Maak een schets voor de lasrups door twee bogen (boog-1 en acr-2) en één lijn op een van de gemaakte referentievlakken op te geven. Extrudeer de schets op de lengte van de kraal door Interne grenzen behouden te selecteren.
      6. Klik op Deel > Referentievlak maken: Verschuiving van Hoofdvlak. Maak vier referentievlakken voor het definiëren van het fijnmazige gebied op basis van de geometrie van het netverfijningsgebied. Het fijnmazige gebied bevindt zich bovenaan in het midden van het exemplaar.
      7. Klik op deel > partitiecel: gebruik het referentievlak. Maak celpartities van het monster met behulp van de vier referentievlakken die in stap 1.2.1.6 zijn gemaakt.
    2. Definieer het materiaal van roestvrij staal AISI 316LN in de module Eigenschappen volgens tabel 2.
      1. Klik op Eigenschap > Materiaal maken. Definieer de dichtheid in het menu Algemeen. Definieer geleidbaarheid en specifieke warmte in het menu Thermisch met behulp van temperatuurafhankelijke gegevens.
    3. Wijs materiaal toe aan het model zoals hieronder beschreven.
      1. Klik op Eigenschap > sectie Maken. Maak een homogene doorsnede met het materiaal dat in stap 1.2.2 is gedefinieerd.
      2. Klik op Eigenschap > sectie Toewijzen. Wijs het model toe met de secties die zijn gedefinieerd in stap 1.2.3.1.
    4. Definieer stappen in de stappenmodule zoals hieronder beschreven.
      1. Klik op Stap > Stap maken. Maak een warmteoverdrachtsstap (houd geen rekening met niet-lineariteit van de geometrie) met de naam lassen met een tijdsperiode van 26,43 en een vast tijdsinterval van 0,1.
      2. Maak een warmteoverdrachtsstap (houd geen rekening met niet-lineariteit van de geometrie) met de naam Koeling-1 met een tijdsperiode van 70 en een adaptieve tijdsstap met initiële, minimale en maximale stapgroottes van respectievelijk 0,1, 0,05 en 5.
      3. Maak een warmteoverdrachtsstap (houd geen rekening met niet-lineariteit van de geometrie) met de naam Koeling-2 met een tijdsperiode van 2000 en een adaptieve tijdsstap met initiële, minimale en maximale stapgroottes van respectievelijk 5, 1 en 100.
        OPMERKING: De selectie van de tijdspanne voor afkoelstappen is cruciaal voor de simulatie en moet zorgvuldig worden bepaald door de analisten.
    5. Stel modelkenmerken in zoals hieronder beschreven.
      1. Klik op Model > Bewerken Attribuut. Stel de temperatuur van het absolute nulpunt in op -273,15. Stel de constante van Stefan-Boltzmann in op 5.67E-11.
    6. Klik op Stap> Velduitvoer maken om een nodale temperatuurverzoek voor het hele model in te stellen. Klik op Assembly > Instance maken om een afhankelijk exemplaar te maken.
    7. Maak interacties aan in de module Interactie.
      1. Klik op Interactie > Interactie maken > Conditie van de oppervlaktefilm. Creëer een interactie van de oppervlaktefilmconditie met een filmcoëfficiënt van 15 en een zinktemperatuur van 20 op alle oppervlakken van het model behalve het symmetrische vlak. Stel de startstap in als lassen.
      2. Klik op Interactie > Interactie > oppervlaktestraling te creëren. Creëer een oppervlaktestralingsinteractie met een emissiviteit van 0,7 en een omgevingstemperatuur van 20 op alle oppervlakken van het model behalve het symmetrische vlak. Stel de startstap in als lassen.
    8. Definieer belastingen in de module Belasting.
      1. Klik op Belasting > Belasting > thermische > lichaamswarmteflux te creëren. Creëer een door de gebruiker gedefinieerde lichaamswarmtefluxbelasting vanaf de lasstap en activeer deze in de twee koelstappen.
      2. Klik op Laden > Vooraf gedefinieerd veld maken > Ander > veld. Maak een vooraf gedefinieerd temperatuurveld vanaf de initiaal om de kamertemperatuur van 20 weer te geven.
    9. Maak mesh in de Mesh-module zoals hieronder beschreven.
      OPMERKING: Het elementtype, de globale maaswijdte en de fijne maaswijdte moeten worden bepaald op basis van de specifieke vereisten van elke analyse.
      1. Klik op mesh > object: deel > seed-deel. Zaai het deel door de globale grootte van 0,0024. Klik op Mesh > Seed-randen. Zaai de randen van de kraaldiepte en de kraalbreedte op nummer 3.
      2. Zaai de rand van boog-2 door nummer 3. Zaai de rand van de kraallengte met een grootte van 0,0015.
      3. Klik op Mesh > Mesh besturingselementen toewijzen. Gebruik Tet-vormelement en vrije techniek voor het kraalgebied. Klik op Mesh > Elementtype toewijzen. Stel het elementtype in op DC3D10 en het mesh-gedeelte.
      4. Klik op Mesh > Seed-randen. Zaai de randen collinaal met de X-as binnen het fijnmazige gebied met een grootte van 0,0015. Zaai de randen die collineair zijn ten opzichte van de Y-as binnen het fijnmazige gebied met een grootte van 0,0011. Zaai de randen collinaal naar de Z-as binnen het fijnmazige gebied met een grootte van 0,00075.
      5. Klik op Mesh > Assign Mesh controlss. Wijs mesh-besturingselement toe voor de rest van de regio. Gebruik een hex-vormelement en een veegtechniek. Klik op mesh > Elementtype toewijzen. Stel het elementtype in op DC3D20 en het mesh-gedeelte.
    10. Klik op Taak > Taak maken. Maak een taak met de naam Thermal_analysis, voeg de DFLUX-gebruikerssubroutine toe.
    11. Stop macro-opname. Een python-bestand met de naam Thermal_recording.py zou worden gegenereerd in de werkmap.
    12. Klik op Taak > Taakbeheer > Verzenden. Dien de taak in. Er wordt een resultaatbestand met de naam Thermal_analysis.odb gegenereerd.
  3. Klik op Bestand > Macro Manager > aan de slag. Open Macrobeheer en maak een werkende macro met de naam Mechanical_recording.
  4. Voer de instelling van de mechanische analyse uit zoals hieronder beschreven.
    1. Herhaal stap 1.2.1 om een modelgeometrie voor het lassample te maken.
    2. Definieer het materiaal van roestvrij staal AISI 316LN in de eigenschappenmodule volgens tabel 2 en tabel 3.
      1. Klik op Eigenschap > Materiaal maken. Definieer de dichtheid in het menu Algemeen. Definieer elastische eigenschappen in het menu Mechanisch met behulp van temperatuurafhankelijke gegevens.
      2. Definieer kunststofeigenschappen in het menu Mechanisch met behulp van temperatuurafhankelijke gegevens. Selecteer het gecombineerde hardingsmodel en selecteer parameters als gegevenstype . Stel het aantal backstresses en het aantal veldvariabelen in op 2 en 0.
      3. Voeg subopties van gloeitemperatuur toe. Stel de gloeitemperatuur in op 1050. Definieer isotrope expansie in het menu Mechanisch met behulp van temperatuurafhankelijke gegevens.
    3. Herhaal stap 1.2.3 om materiaal aan het model toe te wijzen.
    4. Definieer stappen in de stappenmodule zoals hieronder beschreven.
      1. Klik op Stap > Stap maken. Maak een statische stap (houd rekening met niet-lineariteit van de geometrie) voor lassen met een tijdsperiode van 26,43 en een vaste tijdsstap van 0,1.
      2. Maak een statische stap (houd rekening met niet-lineariteit van de geometrie) voor Cooling-1 met een tijdsperiode van 70 en een adaptief tijdsinterval met initiële, minimale en maximale stapgroottes van respectievelijk 0,1, 0,05 en 5.
      3. Maak een statische stap (houd rekening met niet-lineariteit van de geometrie) voor Cooling-2 met een tijdsperiode van 2000 s en een adaptieve tijdsstap met initiële, minimale en maximale stapgroottes van respectievelijk 5, 1 en 100.
    5. Klik op Stap > Velduitvoer maken. Stel stresscomponenten en invarianten in voor het hele model. Klik op Assembly > instantie maken. Maak een afhankelijk exemplaar.
    6. Stel randvoorwaarden in zoals hieronder beschreven.
      1. Klik op Belasting > randvoorwaarden te maken > mechanische > verplaatsing/rotatie. Stel de linker hoekpunten in op het symmetrische vlak en op het bovenoppervlak om te worden beperkt in U1 en U3.
      2. Stel de juiste hoekpunten in op het symmetrievlak en op het bovenoppervlak dat moet worden beperkt in U3.
      3. Klik op Belasting > randvoorwaarden te maken > mechanische > symmetrie/antisymmetrie/encastre. Stel de symmetrische voorwaarden in op het symmetrievlak.
    7. Stel vooraf gedefinieerde velden in zoals hieronder beschreven.
      1. Klik op Laden > vooraf gedefinieerd veld maken. Maak een vooraf gedefinieerd temperatuurveld vanaf de eerste stap om de kamertemperatuur van 20 weer te geven.
      2. Maak een vooraf gedefinieerd temperatuurveld vanaf de lasstap. De distributiebron komt uit het resultaten- of uitvoerdatabasebestand. Voeg de hoofdmap toe aan die van het resultaatbestand dat in stap 1.2.12 is gegenereerd en stel de beginstap, beginstap en eindstap in op respectievelijk 1, 1, 1.
      3. Maak een vooraf gedefinieerd temperatuurveld vanaf stap Koeling-1. De distributiebron is afkomstig uit het resultaten- of uitvoerdatabasebestand. Voeg de hoofdmap toe aan die van het resultaatbestand dat in stap 1.2.12 is gegenereerd en stel de beginstap, beginstap en eindstap in op respectievelijk 2, 1, 2.
      4. Maak een vooraf gedefinieerd temperatuurveld vanaf de stap Koeling-2. De distributiebron is afkomstig van resultaten of uitvoerdatabasebestanden. Voeg de hoofdmap toe aan die van het resultaatbestand dat in stap 1.2.12 is gegenereerd en stel de beginstap, beginstap en eindstap in op respectievelijk 3, 1, 3.
    8. Herhaal stap 1.2.9, maar wijs het elementtype toe als C3D8R. Maak een taak met de naam Mechanical_analysis. Stop macro-opname. Een Python-bestand met de naam Mechanical_recording.py zou worden gegenereerd in de werkmap.
    9. Dien de taak in. Er kan een resultaatbestand met de naam Mechanical_analysis.odb worden gegenereerd.
  5. Voer nabewerking uit zoals hieronder beschreven.
    OPMERKING: In de nabewerkingsfase worden fysische velden geëxtraheerd en vergeleken met experimentele resultaten. Het specifieke extractieproces is afhankelijk van de beschikbare experimentele gegevens. Deze studie demonstreert de extractie van het temperatuurveld, de fusiegrens en het spanningsveld, die kunnen worden vergeleken met respectievelijk thermokoppelmetingen, kraalvormmetingen en restspanningsgegevens. Gedetailleerde vergelijkingsresultaten zijn beschikbaar in de bijbehorende publicatie24.
    1. Extraheer thermische resultaten zoals hieronder beschreven.
      1. Klik op Bestand > Database openen. Openen Thermal_analysis.odb. Klik op plug-ins > tools > zoek het dichtstbijzijnde knooppunt. Zoek het knooppuntlabel voor het punt van Thermisch koppel 5 en Thermisch koppel 9 met behulp van de tool Dichtstbijzijnde knooppunt zoeken in de plug-ins.
        OPMERKING: Thermisch koppel 5 bevindt zich op de snijlijn van het bovenoppervlak van het monster en de middellange doorsnede. Het is 11,5 mm verwijderd van het symmetrievlak. Thermisch koppel 9 bevindt zich op het snijpunt van het onderste vlak, het symmetrievlak en de middellange doorsnede.
      2. Klik op Visualisatie > XY-gegevens maken > ODB-velduitvoer. Extraheer de unieke geschiedenis van de knooptemperatuur.
      3. Klik op Visualisatie > View Cut activeren/deactiveren. Activeer de snijweergave van het X-vlak. Pas de framekiezer aan en leg de fusiedoorsnede vast wanneer de fusiegrens de grootste bereikt.
    2. Extraheer mechanische resultaten zoals hieronder beschreven.
      1. Open Macrobeheer en maak een werkmacro met de naam data_extracting. Openen Mechanical_analysis.odb.
      2. Klik op Extra > pad > maak > knooppuntenlijst. Maak paden voor de BD-lijn (de BD-lijn loopt over de dikte van het monster in het midden).
      3. Klik op Visualisatie > XY-gegevens maken > pad. Maak XY-gegevens op basis van paden op niet-vervormde modelvorm.
      4. Stop macro-opname. Een python-bestand met de naam data_extracting.py zou worden gegenereerd in de werkmap.
    3. Vergelijk thermische en mechanische resultaten met experimentele gegevens. Voor zowel de simulatie als de experimenten werden dezelfde parameters en instellingen gebruikt.

2. Scripting van het model

OPMERKING: Hier worden drie lasparameters, lassnelheid, rijlengte en netto energie-invoersnelheid, geparametriseerd.

  1. Vereenvoudig het model op basis van gevoeligheidsanalyse.
    OPMERKING: Volgens een gevoeligheidsanalyse van het effect van het opnemen of uitsluiten van de hoogte van de lasrupswapening in het model, had het al dan niet opnemen van de hoogte van de lasrupsversterking in het model geen significante invloed op de spanningsverdeling langs de BD-lijn. Daarom kunnen de stappen voor het maken van de kraal in de simulatie worden overgeslagen.
  2. Open Thermal_recording.py. Vind de codes voor het definiëren van de stap door te zoeken op HeatTransferStep. Vervang de specifieke tijdsperiodewaarde voor de lasstap door de uitdrukking bead_length/lassnelheid.
  3. Zoek de codes voor het maken van het invoerbestand. Vervang de specifieke naam door de expressie T-Heat_input-welding_speed-travel_length.
  4. Open Mechanical_recording.py. Vind de codes voor het definiëren van de stap door te zoeken op HeatTransferStep. Vervang de specifieke tijdsperiodewaarde voor de lasstap door de uitdrukking bead_length/lassnelheid.
  5. Zoek de codes voor het maken van het invoerbestand. Vervang de specifieke naam door de expressie M-Heat_input-welding_speed-travel_length.
  6. Combineer de code voor het maken van invoerbestanden voor thermische en mechanische analyse met behulp van regels 1-408 in het meegeleverde aanvullende coderingsbestand 1.
  7. Definieer de formaten van de argumentenlijst en roep de functies aan voor het maken van invoerbestanden voor thermische en mechanische analyses met behulp van de regels 410-459 in het meegeleverde aanvullende coderingsbestand 1. Alle invoerbestanden voor thermische analyses zouden worden opgeslagen in Thermal_input_files map en alle invoerbestanden voor mechanische analyses zouden worden opgeslagen in Mechanical_input_files map onder de werkmap.
  8. Genereer het uiteindelijke python-bestand (aanvullend coderingsbestand 1).
    OPMERKING: Om de robuustheid van het script te vergroten, zijn alle standaardfuncties die worden gebruikt voor het selecteren van de sequentie, genaamd getSequenceFromMask, vervangen door een op coördinaten gebaseerde sequentieselectiefunctie, genaamd findAt.

3. Genereren van gegevens

  1. Voer Aanvullend Coderingsbestand 1 uit in de Abaqus command line om invoerbestanden te genereren voor zowel thermische analyses als mechanische analyses. Kopieer aanvullend coderingsbestand 2 en aanvullend coderingsbestand 3 naar de map Thermal_input_files.
  2. Typ qsub Run_thermal in de opdrachtregel om shell-scripts uit te voeren om de DFLUX-subroutine aan te passen aan de verschillende namen van lasinvoerbestanden en taken te verzenden.
  3. Kopieer aanvullend coderingsbestand 4 naar de map Mechanical_input_files. Typ qsub Run_mechanical in de aanbevelingsregel om invoerbestanden voor mechanische analyse te wijzigen op basis van verschillende namen van lasinvoerbestanden en om taken te verzenden.
  4. Kopieer aanvullend coderingsbestand 5 naar de map Mechanical_input_files en voer dit script uit op de opdrachtregel. Genereer vervolgens csv-bestanden met een stresswaarde voor punten in de doellijn.

4. Ontwikkeling van surrogaatmodellen

  1. Laad bibliotheken met behulp van de regels 1-17 die zijn opgenomen in aanvullend coderingsbestand 6. Repareer de willekeurige seed met behulp van regel 378, opgenomen in Aanvullend Coderingsbestand 6.
  2. Geef het pad van de trainingsdataset en testdataset op met behulp van de regels 381-382 die zijn opgenomen in aanvullend coderingsbestand 6.
  3. Verwerk de dataset voor met behulp van regel 385 die is opgenomen in aanvullend coderingsbestand 6. De voorverwerking omvat gelijkmatig verdeelde bemonstering, normalisatie en training en splitsing van testsets.
  4. Voer hyperparameterafstemming uit met behulp van Bayesiaanse optimalisatie met behulp van regels 387-397 in het meegeleverde aanvullende coderingsbestand 6 (optioneel).
  5. Voer hyperparameterafstemming uit met kruisvalidatie met behulp van GridsearchCV met behulp van regels 399-401 in het meegeleverde aanvullende coderingsbestand 6 (optioneel).
  6. Bouw een surrogaatmodel en voorspel op de testdataset met behulp van regels 404-405 in het meegeleverde aanvullende coderingsbestand 6.
  7. Bereken en print de MSE voor de voorspelling met behulp van regels 406-410 in het meegeleverde aanvullende coderingsbestand 6.
  8. Sla het surrogaatmodel op met behulp van regels 414-416 in het meegeleverde aanvullende coderingsbestand 6.
  9. Zet ANN-voorspellingen af tegen de simulatiegegevens op de testdataset met behulp van de regels 419-420 in het meegeleverde aanvullende coderingsbestand 6.
  10. Teken een algemene prestatiekaart op de testdataset met behulp van regel 423 in het meegeleverde aanvullende coderingsbestand 6.

Resultaten

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

Er werd een reeks FE-simulaties uitgevoerd met behulp van verschillende combinaties van boogreislengte, boogvoortgangssnelheid en netto energie-invoersnelheid. Voor de trainingsset werd het bereik van de waarden gebruikt voor de slaglengte van de boog 40 mm, 50 mm, 60 mm, 70 mm en 80 mm. Het bereik van de waarden die werden gebruikt voor de boogvervroegingssnelheid was 2 mm/s, 2,5 mm/s, 3 mm/s, 3,5 mm/s en 4 mm/s. Het bereik van de waarden die werden gebruikt voor de netto energie-inputsnelheid was 1000 W, 1500 W, 2000 W, 2500 W en 3000 W. Voor de testset was het bereik van de waarden die werden gebruikt voor de lengte van de boogverplaatsing 40 mm, 50 mm, 60 mm, 70 mm en 80 mm. Het bereik van de waarden die werden gebruikt voor de snelheid van de boogvervroeging was 2,25 mm/s, 2,75 mm/s, 3,25 mm/s en 3,75 mm/s. Het bereik van de waarden die werden gebruikt voor de netto energie-inputsnelheid was 1250 W, 1750 W, 2250 W en 2750 W. Longitudinale spanningen langs de BD-lijn van die 205 simulaties worden verzameld en weergegeven in figuur 2. Dit resultaat werd eerder gepubliceerd in25. Met name de resultaten van de casestudy worden in dat onderzoek gebruikt om de effectiviteit van de workflow te onderbouwen. Het huidige onderzoek gaat verder dan eerdere onderzoeken door een uitgebreide uitleg te geven van de specifieke instellingen die in de lassimulatie zijn toegepast en de Python-scriptmethodologie die wordt gebruikt voor de algemene lassimulatie in detail te beschrijven.

Het ontwikkelde ANN-model werd toegepast om voorspellingen te doen op de testset. De discrepantie tussen de modelvoorspelling en de FE-simulatie wordt weergegeven in figuur 3. Van de 1680 testpunten vallen de meeste verschillen (759 voorvallen) tussen de gesimuleerde eindige-elementenanalyse en de door ANN voorspelde stresswaarden binnen het bereik van 0-2 MPa, goed voor 45,2% van de gegevens. De frequentie neemt af naarmate het verschil groter wordt, waarbij zeer weinig datapunten verschillen van meer dan 10 MPa vertonen. In figuur 4 wordt een boxplot weergegeven om de verdeling van absolute discrepanties tussen de gesimuleerde stress en de voorspelde stress voor verschillende niveaus van gesimuleerde stress te laten zien. Elke doos vertegenwoordigt het interkwartielbereik van de residuen binnen een specifieke bak met gesimuleerde stressniveaus, waarbij de lijn in de doos de mediaanwaarde aangeeft. Het histogram op de secundaire y-as toont het aantal trainingsgegevenspunten binnen elke stressniveaubak en biedt extra context over de gegevensdistributie die wordt gebruikt voor het trainen van het model. Zoals te zien is in de figuur, vertonen stressniveaubakken met minder trainingsdatapunten doorgaans hogere maximale discrepanties in de testdataset. De prestaties in deze regio's kunnen mogelijk worden verbeterd door de hoeveelheid beschikbare trainingsgegevens voor deze stressniveaus te vergroten.

Mean Square Error (MSE) werd gebruikt om de voorspellende prestaties te kwantificeren, en de uitdrukking voor MSE-prestatie-indicatoren is:

figure-results-1

waarbij yi de stresswaarde is vóór het omkeren van de standaardisatie voor het i-de steekproefpunt, figure-results-2 de voorspelde stresswaarde vóór het omkeren van de standaardisatie voor het i-de monster, en n het totale aantal monsters is.

De voorspelling van stress door de ANN lag zeer dicht bij de FE-simulatieresultaten, met een MSE van 0,0024. Voorspellingen voor vier geselecteerde testgevallen worden weergegeven in figuur 5; de warmte-input voor die vier testgevallen is respectievelijk 333 J/mm, 538 J/mm, 692 J/mm en 1222 J/mm. Van al deze vier gevallen komen de ANN-voorspellingen goed overeen met de FE-simulatieresultaten in het algemeen. In scenario's met een lassnelheid van 2,25 mm/s met een verplaatsingslengte van 50 mm en een netto energie-invoersnelheid van 2750 W of een lassnelheid van 3,75 mm/s met een rijlengte van 40 mm en een netto energie-invoersnelheid van 1250 W, worden echter relatief grote verschillen waargenomen aan de onderkant van de BD-lijn (bijna 17 mm diepte). Deze discrepanties kunnen worden toegeschreven aan de toegenomen complexiteit van de regels die dit gebied beheersen, wat resulteert in een meer ingewikkelde variëteit binnen deze specifieke parameterruimtegebieden. Een mogelijke oplossing zou zijn om de dichtheid van de trainingsdataset op dit gebied te vergroten.

figure-results-3
Figuur 1: Werkstroom. De voorgestelde workflow bestaat uit vier stappen (aangegeven in blauwe blokken): baseline FE-modelbouw, scripting, gegevensgeneratie en ontwikkeling van surrogaatmodellen. Oranje blokken vertegenwoordigen de invoer van elke stap en groene blokken vertegenwoordigen de uitvoer van elke stap. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-4
Figuur 2: Gegenereerde dataset. In totaal worden 205 sets longitudinale spanningsgegevens geïllustreerd, die elk overeenkomen met een unieke combinatie van verplaatsingslengte, netto energie-invoersnelheid en lassnelheid. Binnen elke set worden 20 datapunten uitgezet voor verschillende knooppunten langs de BD-lijn. Om onderscheid te maken tussen sets, wordt elke set weergegeven door een andere kleur, die overeenkomt met de netto warmte-inbrengsnelheid. Deze waarde kan worden berekend door de netto energie-input te delen door de lassnelheid. Dit cijfer is gewijzigd van25. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-5
Figuur 3: Frequentie van de discrepantie tussen FE-simulatieresultaten en ANN-voorspellingen. De verschillen tussen de FE-simulatieresultaten en ANN-voorspellingen in de testdataset zijn onderverdeeld in 10 niveaus. De annotaties in de plot geven de frequentie en het percentage voorvallen aan voor elk verschilniveau in de testgevallen. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-6
Figuur 4: Verdeling van de gemiddelde absolute residuen en trainingsdataset over verschillende stressniveaus. De boxplot beschrijft de verdeling van absolute discrepanties tussen de gesimuleerde stress en de voorspelde stress voor verschillende niveaus van gesimuleerde stress. De oranje lijn in elk vak geeft de mediaan aan, die het middelpunt van de absolute verschillen aangeeft. De hoogte van elk vak komt overeen met het interkwartielbereik, dat de middelste 50% van de gegevens beslaat (van het 25e tot het 75e percentiel), wat de variabiliteit van de discrepanties weerspiegelt. De snorharen steken uit de doos om de minimale en maximale waarden van de afwijking aan te geven. Het blauwe histogram toont het aantal trainingsgegevenspunten dat overeenkomt met elk stressniveau in de trainingsgegevensset. Klik hier om een grotere versie van deze figuur te bekijken.

figure-results-7
Figuur 5: Vergelijking tussen simulatieresultaten en voorspelde ANN-resultaten. In deze afbeelding worden vier testgevallen weergegeven, met (A) de lassnelheid is 3,75 mm/s, de verplaatsingslengte is 40 mm en de netto energie-invoersnelheid is 1250 W; (B) de lassnelheid is 3,25 mm/s, de rijlengte is 60 mm en de netto energie-invoersnelheid is 1750 W; (C) de lassnelheid is 3,25 mm/s, de rijweg is 50 mm en de netto energie-invoersnelheid is 2250 W; en (D) de lassnelheid is 2,25 mm/s, de rijweg is 50 mm en de netto energie-invoersnelheid is 2750 W. De meest opvallende discrepantie in alle testgevallen wordt gemarkeerd met een blauw vak, dat een verschil van 19,4 MPa aangeeft op een diepte van 17 mm ten opzichte van het bovenoppervlak in de testbehuizing (D). Klik hier om een grotere versie van deze figuur te bekijken.

Tabel 1: Geometrie-informatie voor lasmonster, verfijningsgaasgebied en rups. De lengte, breedte en diepte van het rechthoekige lasmonster en het gebied van de verfijningsmazen worden in de tabel vermeld. De afmetingen van de lasrups worden geïllustreerd met een schets. In het modelleerproces moet de breedte worden gehalveerd, aangezien slechts de helft van het model is gemaakt. Klik hier om deze tabel te downloaden.

Tabel 2: Materiaaleigenschappen van AISI 316LN14. Dichtheid en Poisson-verhouding worden behandeld als temperatuuronafhankelijk en de andere fysische eigenschappen worden behandeld als temperatuurafhankelijk. Klik hier om deze tabel te downloaden.

Tabel 3: Plastische mechanische eigenschappen van AISI 316LN24. Mechanische eigenschappen van AISI 316LN roestvrij staal als functie van de temperatuur; opbrengstspanning bij nul plastische spanning; kinematische hardingsparameters (C1, Gamma 1, C2, Gamma 2); isotrope verhardingsparameter (Q-inf); en verhardingsparameter (b). Klik hier om deze tabel te downloaden.

Aanvullend coderingsbestand 1: Create_input_files.py Klik hier om dit bestand te downloaden.

Aanvullend coderingsbestand 2: Run_thermal Klik hier om dit bestand te downloaden.

Aanvullend coderingsbestand 3: DFLUX.for Klik hier om dit bestand te downloaden.

Aanvullend coderingsbestand 4:Run_Mechanical Klik hier om dit bestand te downloaden.

Aanvullend coderingsbestand 5: extract_data.py Klik hier om dit bestand te downloaden.

Aanvullend coderingsbestand 6: ANN_development.py Klik hier om dit bestand te downloaden.

Discussie

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

Deze studie presenteert een workflow voor het automatiseren van het genereren van gegevens uit eindige-elementensimulaties en het trainen van op machine learning gebaseerde surrogaatmodellen, zoals kunstmatige neurale netwerken, om kritieke resultaten in lasprocessen te voorspellen. Ten eerste omvat het protocol het bouwen van een standaard eindige-elementensimulatie van lassen om een consistent kader voor betrouwbare resultaten vast te stellen. De simulatieresultaten worden geanalyseerd en gevalideerd aan de hand van experimentele gegevens om nauwkeurigheid te garanderen. Ten tweede worden scripts ontwikkeld die de voor- en nabewerking van de simulatie kunnen uitvoeren op basis van opgenomen scripts met behulp van de macrofunctie. Ten derde worden grote datasets gegenereerd met behulp van gegenereerde scripts. Ten slotte wordt een surrogaatmodel ontwikkeld en getest, dat de uitzonderlijke prestaties ervan aantoont. Deze methodologie draagt bij aan de efficiëntie van het proces voor het genereren van datasets, waardoor repetitieve handmatige configuraties niet meer nodig zijn. De geschetste workflow erkent de cruciale rol van het genereren van datasets bij de ontwikkeling van datagestuurde surrogaatmodellen en dient om het ontwikkelingsproces van surrogaatmodellen te versnellen. De gepresenteerde methodologie is dan ook een waardevolle bron voor het faciliteren van de ontwikkeling van datagestuurde surrogaatmodellen in de context van lassimulaties.

In het protocol hebben verschillende kritieke stappen een aanzienlijke invloed op de prestaties van het uiteindelijke surrogaatmodel. In stap 1.2.9 is het essentieel om ervoor te zorgen dat het lasmodel voldoende fijnmazige elementen bevat om een stabiele convergentie en nauwkeurige simulatieresultaten te bereiken. In stap 1.5.3 verbetert het kalibreren van het standaard eindige-elementenmodel de geschiktheid van de selectie van de parameters van het warmtebronmodel en verbetert het de nauwkeurigheid van de simulatie. In stap 4.4 en 4.5 is een goede afstemming van hyperparameters cruciaal voor het identificeren van de optimale modelconfiguratie, waardoor de prestaties van het surrogaatmodel worden verbeterd.

De prestaties van het ontwikkelde ANN-surrogaatmodel werden geëvalueerd en er werd vastgesteld dat het over het algemeen goed presteerde. De nauwkeurigheid van het surrogaatmodel dat in dit werk is ontwikkeld, is groter dan eerdere pogingen, die gebaseerd waren op zeer beperkte gegevens19,23. In de casestudy is het ontwikkelde surrogaatmodel speciaal ontworpen voor het voorspellen van longitudinale spanning in een enkele lasrups-op-plaatconfiguratie, waarbij drie belangrijke lasparameters zijn opgenomen: lassnelheid, rijlengte en netto energie-invoersnelheid. Het is belangrijk op te merken dat zowel de invoer als de uitvoer van het model in hoge mate aanpasbaar zijn. Zo kunnen bijvoorbeeld extra lasparameters of materiaaleigenschappen in de ingangen worden opgenomen en kunnen de uitgangen worden uitgebreid tot alle resterende spanningscomponenten of verplaatsingen, waardoor een veelzijdig kader ontstaat voor een breder scala aan toepassingen.

Wat betreft het algoritme dat wordt gebruikt voor het bouwen van het surrogaatmodel, het kan ook worden aangepast op basis van de taken. ANN's hebben enkele beperkingen voor extrapolatie. In tegenstelling tot ANN's worden andere machine learning-algoritmen, zoals support vector machines (SVM's), niet beperkt door de structuur van de trainingsgegevens en hebben ze een beter vermogen tot extrapolatie. Eerdere studies 18,19,20 hebben met enig succes geprobeerd SVM's te gebruiken om reststress te voorspellen. Het is echter belangrijk op te merken dat het een grotere uitdaging kan zijn om SVM-hyperparameters af te stemmen en dat SVM's niet altijd goed presteren bij interpolatietaken in vergelijking met ANN's. Een andere beperking van ANN's is dat direct gebruik van ANN's geen geloofsinterval kan genereren, wat ingenieurs zorgen baart. Daarom kunnen andere algoritmen, zoals Gaussiaanse procesregressie26 en Bayesiaanse neurale netwerken27, worden overwogen. Bovendien, hoewel het ANN-model goed presteert bij het voorspellen van restspanningen, mist het interpreteerbaarheid. Dit gebrek aan interpreteerbaarheid kan een nadeel zijn in technische toepassingen waar inzicht in het besluitvormingsproces van het model cruciaal is. De interpreteerbaarheid van het model kan worden verbeterd door meer verklarende modellen te integreren, zoals beslissingsbomen.

Concluderend maakt de voorgestelde workflow in deze studie het mogelijk om snel en eenvoudig datasets te genereren, wat de ontwikkeling van algemene of specifieke lassimulatiesurrogaatmodellen aanzienlijk kan versnellen.

Openbaarmakingen

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

De auteurs hebben niets te onthullen.

Dankbetuigingen

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

Dit project is gesteund door de Britse Atomic Energy Authority via het Fusion Industry Programme. Het Fusion Industry Programme stimuleert de groei van het Britse fusie-ecosysteem en bereidt het voor op de toekomstige wereldwijde markt voor fusie-energiecentrales. Meer informatie over het Fusion Industry Programme is online te vinden: https://ccfe.ukaea.uk/programmes/fusion-industry-programme/. De auteurs betuigen hun oprechte dankbaarheid voor de ondersteuning van Research IT bij de toegang tot de Computational Shared Facility van de Universiteit van Manchester. A.N. Vasileiou erkent de steun van het project 'SINDRI - Synergistic Utilisation of Informatics and Data-centric Integrity Engineering', gefinancierd door de EPSRC, United Kingdom Prosperity Partnership (subsidienummer: EP/V038079/1), en van het Dalton Nuclear Institute van de Universiteit van Manchester, Verenigd Koninkrijk. De auteurs zijn dankbaar voor het NeT-Europese NeTwork en Carsten Ohms van de Europese Commissie - Joint Research Centre (JRC) voor het verstrekken van de NeT-TG1 benchmarkgegevens.

Materialen

Lijst van materialen gebruikt in dit artikel
NaamBedrijfCatalogusnummerOpmerkingen
AbaqusDassault Systems2020
Intel Fortran CompilerIntel Corporation17.0.7
KerasOpen Source2.6.0
PythonOpen Source3.8.18

Referenties

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

Herprints en machtigingen

Toestemming aanvragen om de tekst of afbeeldingen van dit JoVE-artikel te hergebruiken

Toestemming aanvragen

Trefwoorden

Surrogate ModelWelding SimulationResidual Stress PredictionArtificial Neural NetworkFinite Element SimulationData AutomationPython ScriptingMacro FunctionsMachine Learning ModelsStructural Integrity

Gerelateerde artikelen