Name: Opracowanie modelu zastępczego dla eksperymentów cyfrowych w spawalnictwie (Wideo) | JoVE Journal
Uploaded: 2025-03-28T13:30:00.000+00:00
Duration: 9 min 17 s
Description: Poznaj metodę tworzenia sztucznej sieci neuronowej do symulacji spawania przy użyciu zautomatyzowanych zbiorów danych Python. Protokół zapewnia wysoką dokładność predykcji naprężeń szczątkowych w spawalnictwie.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Ten projekt został wsparty przez Brytyjski Urząd Energii Atomowej poprzez Program Przemysłu Termojądrowego. Program Przemysłu Termojądrowego stymuluje rozwój brytyjskiego ekosystemu syntezy jądrowej i przygotowuje go do przyszłego globalnego rynku elektrowni termojądrowych. Więcej informacji na temat programu Fusion Industry można znaleźć na stronie internetowej: https://ccfe.ukaea.uk/programmes/fusion-industry-programme/. Autorzy wyrażają szczerą wdzięczność za wsparcie udzielone przez Research IT w dostępie do Computational Shared Facility na Uniwersytecie w Manchesterze. A.N. Vasileiou dziękuje za wsparcie ze strony projektu "SINDRI - Synergistic Utilisation of Informatics and Data-centric Integrity Engineering", finansowanego przez EPSRC, United Kingdom Prosperity Partnership (numer grantu: EP/V038079/1), a także przez Dalton Nuclear Institute Uniwersytetu w Manchesterze, Zjednoczone Królestwo. Autorzy dziękują NeT-European NeTwork i Carstenowi Ohmsowi ze Wspólnego Centrum Badawczego Komisji Europejskiej (JRC) za udostępnienie danych porównawczych NeT-TG1.

<ol><li>Francis, J. A., Bhadeshia, H., Withers, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Welding+residual+stresses+in+ferritic+power+plant+steels%5BTitle%5D)+AND+%22Mater+Sci+Technol%22%5BJournal%5D)">Welding residual stresses in ferritic power plant steels.</a> Mater Sci Technol. 23 (9), 1009-1020 (2007).</li>
<li>Withers, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Residual+stress+and+its+role+in+failure%5BTitle%5D)+AND+%22Rep+Prog+Phys%22%5BJournal%5D)">Residual stress and its role in failure.</a> Rep Prog Phys. 70 (12), 2211(2007).</li>
<li>Hornbach, D. J., Preve´y, P. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effect+of+prior+cold+work+on+tensile+residual+stress+development+in+nuclear+weldments%5BTitle%5D)+AND+%22J.+Press+Vessel+Technol%22%5BJournal%5D)">The effect of prior cold work on tensile residual stress development in nuclear weldments.</a> J. Press Vessel Technol. 124 (3), 359-365 (2002).</li>
<li>Zondi, M. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Factors+that+affect+welding-induced+residual+stress+and+distortions+in+pressure+vessel+steels+and+their+mitigation+techniques%3A+a+review%5BTitle%5D)+AND+%22J+Press+Vessel+Technol%22%5BJournal%5D)">Factors that affect welding-induced residual stress and distortions in pressure vessel steels and their mitigation techniques: a review.</a> J Press Vessel Technol. 136 (4), 040801(2014).</li>
<li>Ohms, C., Wimpory, R. C., Katsareas, D. E., Youtsos, A. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NET+TG1%3A+Residual+stress+assessment+by+neutron+diffraction+and+finite+element+modeling+on+a+single+bead+weld+on+a+steel+plate%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">NET TG1: Residual stress assessment by neutron diffraction and finite element modeling on a single bead weld on a steel plate.</a> Int J Press Vessels Piping. 86 (1), 63-72 (2009).</li>
<li>Bouchard, P. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+NeT+bead-on-plate+benchmark+for+weld+residual+stress+simulation%5BTitle%5D)+AND+%22Int+J+Press+Vessel+Piping%22%5BJournal%5D)">The NeT bead-on-plate benchmark for weld residual stress simulation.</a> Int J Press Vessel Piping. 86 (1), 31-42 (2009).</li>
<li>Hofmann, M., Wimpory, R. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((NET+TG1%3A+Residual+stress+analysis+on+a+single+bead+weld+on+a+steel+plate+using+neutron+diffraction+at+the+new+engineering+instrument+%27STRESS-SPEC%27%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">NET TG1: Residual stress analysis on a single bead weld on a steel plate using neutron diffraction at the new engineering instrument 'STRESS-SPEC'.</a> Int J Press Vessels Piping. 86 (1), 122-125 (2009).</li>
<li>Smith, M. C., Smith, A., Ohms, C., Wimpory, R. A review of the NeT TG4 international weld residual stress benchmark. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aSmith%2C+MC+%22ASME+Press+Vessels+Piping+Conf+2015%22">ASME Press Vessels Piping Conf 2015</a>. 6B, (2015).</li>
<li>Akrivos, V., Smith, M. C. Material characterization on the nickel-based alloy 600/82 NeT-TG6 benchmark weldments. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aAkrivos%2C+V+%22Proc+ASME+Press+Vessels+Piping+Conf+2019%22">Proc ASME Press Vessels Piping Conf 2019</a>. Uddin, M., Brongers, M., Messner, M. 6B, (2019).</li>
<li>Wimpory, R. C., Ohms, C., Hofmann, M., Schneider, R., Youtsos, A. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Statistical+analysis+of+residual+stress+determinations+using+neutron+diffraction%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">Statistical analysis of residual stress determinations using neutron diffraction.</a> Int J Press Vessels Piping. 86 (1), 48-62 (2009).</li>
<li>Ficquet, X., Smith, D. J., Truman, C. E., Kingston, E. J., Dennis, R. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Measurement+and+prediction+of+residual+stress+in+a+bead-on-plate+weld+benchmark+specimen%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">Measurement and prediction of residual stress in a bead-on-plate weld benchmark specimen.</a> Int J Press Vessels Piping. 86 (1), 20-30 (2009).</li>
<li>Gilles, P., El-Ahmar, W., Jullien, J. F. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Robustness+analyses+of+numerical+simulation+of+fusion+welding+NeT-TG1+application%3A%26%2334%3BSingle+weld-bead-on-plate.%26%2334%3B%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">Robustness analyses of numerical simulation of fusion welding NeT-TG1 application:&#34;Single weld-bead-on-plate.&#34;.</a> Int J Press Vessels Piping. 86 (1), 3-12 (2009).</li>
<li>Shan, X., Davies, C. M., Wangsdan, T., O'dowd, N. P., Nikbin, K. M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Thermo-mechanical+modelling+of+a+single-bead-on-plate+weld+using+the+finite+element+method%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">Thermo-mechanical modelling of a single-bead-on-plate weld using the finite element method.</a> Int J Press Vessels Piping. 86 (1), 110-121 (2009).</li>
<li>Bate, S. K., Charles, R., Warren, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Finite+element+analysis+of+a+single+bead-on-plate+specimen+using+SYSWELD%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">Finite element analysis of a single bead-on-plate specimen using SYSWELD.</a> Int J Press Vessels Piping. 86 (1), 73-78 (2009).</li>
<li>Coules, H. E., Smith, D. J., Venkata, K. A., Truman, C. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+method+for+reconstruction+of+residual+stress+fields+from+measurements+made+in+an+incompatible+region%5BTitle%5D)+AND+%22Int+J+Solids+Str%22%5BJournal%5D)">A method for reconstruction of residual stress fields from measurements made in an incompatible region.</a> Int J Solids Str. 51 (10), 1980-1990 (2014).</li>
<li>Smith, M. C., Smith, A. C., Wimpory, R., Ohms, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+review+of+the+NeT+Task+Group+1+residual+stress+measurement+and+analysis+round+robin+on+a+single+weld+bead-on-plate+specimen%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">A review of the NeT Task Group 1 residual stress measurement and analysis round robin on a single weld bead-on-plate specimen.</a> Int J Press Vessels Piping. 120, 93-140 (2014).</li>
<li>Na, M. G., Kim, J. W., Lim, D. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+residual+stress+for+dissimilar+metals+welding+at+nuclear+power+plants+using+fuzzy+neural+network+models%5BTitle%5D)+AND+%22Nucl+Eng+Technol%22%5BJournal%5D)">Prediction of residual stress for dissimilar metals welding at nuclear power plants using fuzzy neural network models.</a> Nucl Eng Technol. 39 (4), 337-348 (2007).</li>
<li>Na, M. G., Kim, J. W., Lim, D. H., Kang, Y. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Residual+stress+prediction+of+dissimilar+metals+welding+at+NPPs+using+support+vector+regression%5BTitle%5D)+AND+%22Nucl+Eng+Design%22%5BJournal%5D)">Residual stress prediction of dissimilar metals welding at NPPs using support vector regression.</a> Nucl Eng Design. 238 (7), 1503-1510 (2008).</li>
<li>Edwin Raja Dhas, J., Kumanan, S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Evolutionary+fuzzy+SVR+modeling+of+weld+residual+stress%5BTitle%5D)+AND+%22Appl+Soft+Comput+J%22%5BJournal%5D)">Evolutionary fuzzy SVR modeling of weld residual stress.</a> Appl Soft Comput J. 42, 423-430 (2016).</li>
<li>Koo, Y. D., Yoo, K. H., Na, M. G. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Estimation+of+residual+stress+in+welding+of+dissimilar+metals+at+nuclear+power+plants+using+cascaded+support+vector+regression%5BTitle%5D)+AND+%22Nucl+Eng+Technol%22%5BJournal%5D)">Estimation of residual stress in welding of dissimilar metals at nuclear power plants using cascaded support vector regression.</a> Nucl Eng Technol. 49 (4), 817-824 (2017).</li>
<li>Kitano, H., Nakamura, T. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Predicting+residual+weld+stress+distribution+with+an+adaptive+neuro-fuzzy+inference+system%5BTitle%5D)+AND+%22Int+J+Automat+Technol%22%5BJournal%5D)">Predicting residual weld stress distribution with an adaptive neuro-fuzzy inference system.</a> Int J Automat Technol. 12 (3), 290-296 (2018).</li>
<li>Mathew, J., Griffin, J., Alamaniotis, M., Kanarachos, S., Fitzpatrick, M. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+welding+residual+stresses+using+machine+learning%3A+Comparison+between+neural+networks+and+neuro-fuzzy+systems%5BTitle%5D)+AND+%22Appl+Soft+Comput+J%22%5BJournal%5D)">Prediction of welding residual stresses using machine learning: Comparison between neural networks and neuro-fuzzy systems.</a> Appl Soft Comput J. 70, 131-146 (2018).</li>
<li>Liu, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Prediction+of+welding+residual+stress+and+deformation+in+electro-gas+welding+using+artificial+neural+network%5BTitle%5D)+AND+%22Mater+Today+Comm%22%5BJournal%5D)">Prediction of welding residual stress and deformation in electro-gas welding using artificial neural network.</a> Mater Today Comm. 29 (May), 102786(2021).</li>
<li>Muransky, O., Hamelin, C. J., Smith, M. C., Bendeich, P. J., Edwards, L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+effect+of+plasticity+theory+on+predicted+residual+stress+fields+in+numerical+weld+analyses%5BTitle%5D)+AND+%22Computat+Mater+Sci%22%5BJournal%5D)">The effect of plasticity theory on predicted residual stress fields in numerical weld analyses.</a> Computat Mater Sci. 54, 125-134 (2012).</li>
<li>Miao, Z., Margetts, L., Vasileiou, A. N., Yin, H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Surrogate+model+development+using+simulation+data+to+predict+weld+residual+stress%3A+A+case+study+based+on+the+NeT-TG1+benchmark%5BTitle%5D)+AND+%22Int+J+Press+Vessels+Piping%22%5BJournal%5D)">Surrogate model development using simulation data to predict weld residual stress: A case study based on the NeT-TG1 benchmark.</a> Int J Press Vessels Piping. 206, 105014(2023).</li>
<li>Seeger, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Gaussian+processes+for+machine+learning%5BTitle%5D)+AND+%22Int+J+Neural+Sys%22%5BJournal%5D)">Gaussian processes for machine learning.</a> Int J Neural Sys. 14 (02), 69-106 (2004).</li>
<li>Chen, S. J., Zhang, Z. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temperature+prediction+of+friction+stir+welding+based+on+Bayesian+neural+network%5BTitle%5D)+AND+%22Appl+Mech+Mater%22%5BJournal%5D)">Temperature prediction of friction stir welding based on Bayesian neural network.</a> Appl Mech Mater. 48, 1208-1212 (2011).</li>
</ol>

Autorzy nie mają nic do ujawnienia.

W niniejszym badaniu przedstawiono przepływ pracy służący do automatyzacji generowania danych z symulacji elementów skończonych i trenowania modeli zastępczych opartych na uczeniu maszynowym, takich jak sztuczne sieci neuronowe, w celu przewidywania krytycznych wyników w procesach spawania. Po pierwsze, protokół obejmuje zbudowanie standardowej symulacji elementów skończonych spoiny w celu ustanowienia spójnych ram dla wiarygodnych wyników. Wyniki symulacji są analizowane i weryfikowane na podstawie danych eksperymentalnych w celu zapewnienia dokładności. Po drugie, skrypty, które mogą wykonywać preprocessing i postprocessing symulacji, są opracowywane na podstawie nagranych skryptów za pomocą funkcji makro. Po trzecie, duże zestawy danych są generowane przy użyciu wygenerowanych skryptów. Na koniec opracowywany i testowany jest model zastępczy, który demonstruje jego wyjątkową wydajność. Metodologia ta przyczynia się do zwiększenia wydajności procesu generowania zbiorów danych, eliminując potrzebę powtarzalnych konfiguracji ręcznych. Uznając kluczową rolę generowania zbiorów danych w opracowywaniu modeli zastępczych opartych na danych, nakreślony przepływ pracy służy przyspieszeniu procesu opracowywania modeli zastępczych. W związku z tym przedstawiona metodologia stanowi cenne źródło ułatwiające opracowywanie modeli zastępczych opartych na danych w kontekście symulacji spawania.
W protokole kilka krytycznych etapów znacząco wpływa na wydajność końcowego modelu zastępczego. W kroku 1.2.9 należy upewnić się, że model spoiny zawiera wystarczająco drobne elementy siatki, aby uzyskać stabilną zbieżność i dokładne wyniki symulacji. W kroku 1.5.3 kalibracja standardowego modelu elementów skończonych zwiększa adekwatność wyboru parametrów modelu źródła ciepła i poprawia dokładność symulacji. W krokach 4.4 i 4.5 prawidłowe dostrajanie hiperparametrów ma kluczowe znaczenie dla identyfikowania optymalnej konfiguracji modelu, zwiększając w ten sposób wydajność modelu zastępczego.
Oceniono wydajność opracowanego modelu zastępczego SSN i stwierdzono, że ogólnie działa on dobrze. Dokładność modelu zastępczego opracowanego w tej pracy jest większa niż w poprzednich próbach, które opierały się na bardzo ograniczonych danych19,23. W studium przypadku opracowany model zastępczy został specjalnie zaprojektowany do przewidywania naprężeń wzdłużnych w konfiguracji pojedynczego ściegu spoiny na płycie, obejmującej trzy kluczowe parametry spawania: prędkość spawania, długość przesuwu i szybkość poboru energii netto. Ważne jest, aby pamiętać, że zarówno dane wejściowe, jak i wyjściowe modelu są wysoce elastyczne. Na przykład, dodatkowe parametry spawania lub właściwości materiału mogą być włączone do danych wejściowych, a wyjścia mogą być rozszerzone tak, aby obejmowały wszystkie składowe naprężeń szczątkowych lub przemieszczenia, oferując wszechstronne ramy dla szerszego zakresu zastosowań.
Jeśli chodzi o algorytm używany do budowy modelu zastępczego, jest on również modyfikowalny w zależności od zadań. Sieci SSN mają pewne ograniczenia dotyczące ekstrapolacji. W przeciwieństwie do SSN, inne algorytmy uczenia maszynowego, takie jak maszyny wektorów nośnych (SVM), nie są ograniczone strukturą danych treningowych i mają lepszą zdolność ekstrapolacji. Poprzednie badania 18,19,20 próbowały wykorzystać SVM do przewidywania stresu szczątkowego z pewnym powodzeniem. Należy jednak pamiętać, że dostrojenie hiperparametrów SVM może być trudniejsze, a maszyny SVM mogą nie zawsze dobrze radzić sobie w zadaniach interpolacji w porównaniu do SSN. Innym ograniczeniem SSN jest to, że bezpośrednie użycie SSN nie może generować przedziału przekonań, co jest przedmiotem troski inżynierów. Dlatego można rozważyć inne algorytmy, takie jak regresja procesu gaussowskiego26 i bayesowskie sieci neuronowe27. Ponadto, chociaż model SSN dobrze radzi sobie z przewidywaniem naprężeń szczątkowych, brakuje mu możliwości interpretacji. Ten brak możliwości interpretacji może być wadą w zastosowaniach inżynierskich, w których zrozumienie procesu podejmowania decyzji w modelu ma kluczowe znaczenie. Interpretowalność modelu można poprawić, integrując więcej modeli objaśniających, takich jak drzewa decyzyjne.
Podsumowując, zaproponowany przepływ pracy w tym badaniu umożliwia szybkie i łatwe generowanie zestawów danych, co może znacznie przyspieszyć rozwój ogólnych lub szczegółowych modeli zastępczych symulacji spawania.

Podczas przeprowadzania cyfrowego eksperymentu dla praktyki spawalniczej, naprężenie szczątkowe jest kluczowym wynikiem, ponieważ jest to krytyczny aspekt oceny integralności strukturalnej. Naprężenia szczątkowe wywołane spawaniem są spowodowane połączeniem wysokich temperatur, szybkiego chłodzenia i wynikających z tego niejednorodnych gradientów termicznych i ograniczeń mechanicznych podczas procesu spawania1. Metal utrzymuje naprężenia nawet po ustąpieniu wewnętrznego gradientu temperatury w wyniku odkształcenia plastycznego i zewnętrznego mocowania. Naprężenia szczątkowe mogą mieć znaczący wpływ na zachowanie i wydajność komponentów, szczególnie tych, które są poddawane cyklicznym obciążeniom lub dużym naprężeniom. Może to powodować pękanie2,3 i wpływać na ogólną trwałość zmęczeniową4.
W celu poprawy wiarygodności charakterystyki rozkładu naprężeń szczątkowych spawania, grupy takie jak European Network on Neutron Techniques Standardization for Structural Integrity (NeT)5 przeprowadziły serię działań okrężnych w celu przeprowadzenia eksperymentów i wdrożyły symulacje elementów skończonych (FE) dla różnych scenariuszy spawania, takich jak spoina jednofazowa na płycie6 i wieloprzebiegowa spoina szczelinowa7,8. Do ilościowego określenia naprężeń szczątkowych wywołanych spoiną stosuje się różne techniki pomiarów eksperymentalnych, w tym dyfrakcję neutronów9, metodę konturową, dyfrakcję promieniowania rentgenowskiego, wiercenie głębokich otworów10 i przyrostowe wiercenie otworów środkowych11. Oprócz pomiarów eksperymentalnych, symulacja elementów skończonych jest również wykorzystywana do rekonstrukcji pola naprężeń szczątkowych. Gilles et al.12 wykorzystali model powierzchniowego źródła ciepła w modelu elementów skończonych do symulacji spoiny ściegu na płycie; Przeprowadzili również analizy wrażliwości konstrukcji siatek i modeli źródeł ciepła. Shan et al.13przeprowadzili termiczno-mechaniczną sekwencyjnie sprzężoną analizę w celu przewidzenia rozkładu naprężeń szczątkowych po spawaniu; Wykorzystali model ruchomego źródła ciepła z techniką narodzin lub śmierci pierwiastka, aby scharakteryzować rozkład strumienia ciepła. Bate et al.14opisali, jak przeprowadzić kalibrację modelu źródła ciepła na uproszczonym modelu 2D próbki, aby zapewnić wiarygodność analizy termicznej spawania. Coules et al.15 przedstawili metodę rekonstrukcji pól naprężeń szczątkowych w niekompatybilnym regionie poprzez połączenie pomiarów z kilku pobliskich regionów. W artykule podkreślono potencjał tej metody w zakresie poprawy dokładności pomiarów naprężeń szczątkowych, szczególnie w sytuacjach, gdy pomiary w pożądanym obszarze nie są możliwe. Bouchard6zaproponował punkt odniesienia dla symulacji spoin ściegowych na płycie i zaproponował definicję docelowych parametrów wydajności naprężeń termicznych i szczątkowych, które można wykorzystać do oceny podejścia do symulacji spoin. Smith et al.16 dokonali przeglądu różnych metod modelowania symulacji spoin i przedstawili analizy wrażliwości wielu parametrów modelowania symulacji spawania, w tym projektowania siatki, charakterystyki źródła ciepła, dopływu ciepła i modelu konstytutywnego. Dokładność wyników symulacji w dużej mierze zależy od założeń i uproszczeń analityków. Ponadto niektóre szczegóły dotyczące ustawień symulacji we wcześniej opublikowanych artykułach są często pomijane, co utrudnia replikację symulacji.
Oprócz symulacji FE, zaimplementowano szereg algorytmów uczenia maszynowego do przewidywania stresu, w tym rozmytą sieć neuronową17, regresja wektora wsparcia18,19,20 adaptacyjna sieć neuro-rozmyta21,22 sztuczna sieć neuronowa23. Zastosowanie wstępnie wytrenowanych algorytmów uczenia maszynowego znacznie skraca czas potrzebny na przewidywanie naprężeń w porównaniu z analizą metodą elementów skończonych. Zamiast modelowania w oparciu o matematykę i fizykę, a następnie rozwiązywania równań różniczkowych, rozwój modelu zastępczego bezpośrednio buduje relacje między danymi wejściowymi i wyjściowymi. Niemniej jednak ta metodologia oparta na danych tradycyjnie wymaga znacznej ilości danych treningowych. Pomimo tego wymogu, obecnie brakuje opublikowanych badań szczegółowo wyjaśniających proces automatyzacji generowania takich danych.
Ogólnym celem tutaj jest opracowanie usprawnionego przepływu pracy do automatyzacji generowania danych z symulacji elementów skończonych i wykorzystania wygenerowanych danych do trenowania modeli zastępczych opartych na uczeniu maszynowym, takich jak sztuczne sieci neuronowe (ANN), do przewidywania krytycznych wyników w złożonych procesach fizycznych. Rysunek 1 przedstawia wysokopoziomowy schemat blokowy, który podsumowuje kroki w przepływie pracy. W pracy przedstawiono wszystkie ustawienia do przeprowadzenia symulacji spawania cieplno-mechanicznego w firmie Abaqus. Dzięki wykorzystaniu funkcji nagrywania makr, wszystkie operacje przetwarzania wstępnego i końcowego w symulacji FE są rejestrowane w skryptach, automatyzując w ten sposób procesy generowania danych. W tej pracy opisano również, jak używać wygenerowanych danych do trenowania modelu zastępczego SSN.

<table><tbody><tr><td>Abaqus</td><td>Dassault Systems</td><td>2020</td><td></td></tr><tr><td>Kompilator Intel Fortran Intel</td><td>Corporation</td><td>17.0.7</td><td></td></tr><tr><td>Keras</td><td>Open Source</td><td>2.6.0</td><td></td></tr><tr><td>Python</td><td>Open Source</td><td>3.8.18</td><td></td></tr></tbody></table>

opracowanie modelu zastępczego dla eksperymentów cyfrowych w spawalnictwie

Surrogate Model Development for Digital Experiments in Welding

Przemysł wytwórczy w dużym stopniu opiera się na procesach spawania do łączenia materiałów, tworząc integralne komponenty w różnych sektorach. Wiele aspektów wpłynie na jakość spoiny i ostatecznie wpłynie na integralność struktury spawanej. Naprężenia szczątkowe wywołane spawaniem, będące konsekwencją cyklicznych zmian termicznych nieodłącznie związanych z tymi procesami, znacząco wpływają na integralność strukturalną i wydajność wytwarzanych elementów. Zrozumienie i przewidywanie tego naprężenia szczątkowego ma kluczowe znaczenie dla zwiększenia niezawodności i trwałości konstrukcji spawanych. Jednak szybka ocena konfiguracji spawania w eksperymentach cyfrowych stanowi poważne wyzwanie, ponieważ tradycyjna symulacja może być czasochłonna. Badania te przedstawiają zastosowanie przepływu pracy do skonstruowania sztucznego modelu zastępczego opartego na sieci neuronowej do przewidywania naprężeń szczątkowych wywołanych spawaniem. Model jest budowany przy użyciu danych generowanych automatycznie z symulacji elementów skończonych za pomocą skryptów Pythona opartych na funkcjach makr. W przeciwieństwie do tradycyjnych metod, które opierają się na ręcznym przetwarzaniu wstępnym i symulacjach metodą elementów skończonych, podejście to znacznie skraca czas i wysiłek wymagany do konfiguracji symulacji i ekstrakcji danych, zwiększając ogólną wydajność. Zapewniając, że wszystkie etapy symulacji są wykonywane w sposób spójny za pomocą makrofunkcji, metoda eliminuje zmienność wywołaną przez człowieka, co prowadzi do poprawy odtwarzalności. Co więcej, automatyzacja generowania danych umożliwia tworzenie obszernych zbiorów danych niezbędnych do trenowania modeli uczenia maszynowego, pokonując ograniczenia pracochłonnych technik tradycyjnych. Proces roboczy składa się z czterech głównych kroków: zbudowanie standardowej symulacji elementów skończonych spoiny i zweryfikowanie wyników symulacji elementów skończonych na podstawie danych eksperymentalnych; opracowywanie skryptów do generowania dużych zbiorów danych przy użyciu funkcji makra, która rejestruje etapy przetwarzania wstępnego i końcowego symulacji elementów skończonych; użyj skryptów, aby wygenerować wymagane dane; Opracuj modele zastępcze i przetestuj ich wydajność. Sztuczna sieć neuronowa wykazała się wysoką dokładnością w przewidywaniu poziomów stresu, ściśle pokrywając się z wynikami symulacji na testowym zbiorze danych i względnym błędem średniokwadratowym wynoszącym 0,0024.

Przeprowadzono serię symulacji MES z wykorzystaniem różnych kombinacji długości przemieszczenia łuku, prędkości posuwu łuku oraz wypadkowej szybkości doprowadzania energii. W zbiorze treningowym zakres wartości zastosowanych dla długości przemieszczenia łuku wynosił 40 mm, 50 mm, 60 mm, 70 mm i 80 mm. Zakres wartości zastosowanych dla prędkości posuwu łuku wynosił 2 mm/s, 2,5 mm/s, 3 mm/s, 3,5 mm/s i 4 mm/s. Zakres wartości zastosowanych dla wypadkowej szybkości doprowadzania energii wynosił 1000 W, 1500 W, 2000 W, 2500 W i 3000 W. W zbiorze testowym zakres wartości zastosowanych dla długości przemieszczenia łuku wynosił 40 mm, 50 mm, 60 mm, 70 mm i 80 mm. Zakres wartości zastosowanych dla prędkości posuwu łuku wynosił 2,25 mm/s, 2,75 mm/s, 3,25 mm/s i 3,75 mm/s. Zakres wartości zastosowanych dla wypadkowej szybkości doprowadzania energii wynosił 1250 W, 1750 W, 2250 W i 2750 W. Naprężenia wzdłużne wzdłuż linii BD dla tych 205 symulacji zostały zebrane i przedstawione na Rysunku 2. Wynik ten został wcześniej opublikowany w25. W szczególności, wyniki studium przypadku zostały wykorzystane w tamtej pracy do potwierdzenia skuteczności przepływu pracy. Niniejsze badanie wykracza poza wcześniejsze analizy, dostarczając szczegółowego wyjaśnienia konkretnych ustawień zastosowanych w symulacji spawania oraz szczegółowo opisując metodologię skryptowania w języku Python wykorzystaną do ogólnej symulacji spawania.
Opracowany model ANN zastosowano do przeprowadzenia predykcji na zbiorze testowym. Rozbieżność między predykcją modelu a symulacją FE przedstawiono na Rysunku 3. Spośród 1680 punktów testowych większość różnic (759 przypadków) między wartościami naprężeń symulowanymi metodą analizy elementów skończonych a wartościami przewidzianymi przez ANN mieści się w zakresie 0-2 MPa, co stanowi 45,2% danych. Częstotliwość maleje wraz ze wzrostem różnicy, a bardzo niewiele punktów danych wykazuje różnice większe niż 10 MPa. Na Rysunku 4 przedstawiono wykres pudełkowy obrazujący rozkład bezwzględnych rozbieżności między naprężeniem symulowanym a przewidzianym dla różnych poziomów naprężenia symulowanego. Każde pudełko reprezentuje rozstęp międzykwartylowy reszt w konkretnym przedziale poziomów naprężeń symulowanych, a linia wewnątrz pudełka wskazuje wartość mediany. Histogram na pomocniczej osi y pokazuje liczbę punktów danych treningowych w każdym przedziale poziomów naprężeń, dostarczając dodatkowych informacji o rozkładzie danych wykorzystanych do uczenia modelu. Jak pokazano na rysunku, przedziały poziomów naprężeń z mniejszą liczbą punktów danych treningowych mają tendencję do wykazywania wyższych maksymalnych rozbieżności w zbiorze testowym. Wydajność w tych obszarach mogłaby zostać potencjalnie poprawiona poprzez zwiększenie ilości dostępnych danych treningowych dla tych poziomów naprężeń.
Do ilościowego określenia zdolności prognostycznej wykorzystano średni błąd kwadratowy (MSE), a wzór na wskaźniki wydajności MSE jest następujący:
<img alt="Wzór na średni błąd kwadratowy, MSE, analiza statystyczna, równanie dokładności przewidywania danych." src="/files/ftp_upload/67576/67576eq01.jpg" style="margin: auto;" data-altupdatedat="1788304762000" data-alt="Równanie 1">
gdzie yi to wartość naprężenia przed odwróceniem standaryzacji dla i-tego punktu próbki, <img alt="Metoda najmniejszych kwadratów, symbol równania ŷ, używany w analizie błędów regresji dla wartości przewidywanych." src="/files/ftp_upload/67576/67576eq02.jpg" style="margin: auto;" data-altupdatedat="1788304762000" data-alt="Równanie 2"> to przewidywana wartość naprężenia przed odwróceniem standaryzacji dla i-tej próbki, a n to całkowita liczba próbek.
Przewidywania sieci ANN w zakresie naprężeń były bardzo zbliżone do wyników symulacji FE, przy MSE wynoszącym 0,0024. Przewidywania dla czterech wybranych przypadków testowych przedstawiono na Rysunku 5; doprowadzone ciepło dla tych czterech przypadków wynosi odpowiednio 333 J/mm, 538 J/mm, 692 J/mm oraz 1222 J/mm. W każdym z tych czterech przypadków przewidywania ANN wykazują ogólnie dobrą zgodność z wynikami symulacji FE. Jednakże w scenariuszach, gdy prędkość spawania wynosi 2,25 mm/s przy długości spoiny 50 mm i wypadkowej mocy doprowadzanej energii 2750 W, lub gdy prędkość spawania wynosi 3,75 mm/s przy długości spoiny 40 mm i wypadkowej mocy doprowadzanej energii 1250 W, obserwuje się stosunkowo duże rozbieżności u dołu linii BD (w pobliżu głębokości 17 mm). Rozbieżności te mogą wynikać ze zwiększonej złożoności reguł rządzących tym obszarem, co prowadzi do powstania bardziej skomplikowanej rozmaitości w tych konkretnych obszarach przestrzeni parametrów. Możebnym rozwiązaniem byłoby zwiększenie gęstości zbioru danych treningowych w tym obszarze.
<img alt="Schemat procesu modelu elementów skończonych z programowaniem, generowaniem danych i opracowywaniem modelu zastępczego." class="xfigimg" src="/files/ftp_upload/67576/67576fig01.jpg" data-altupdatedat="1788304762000" data-alt="Rycina 1"> 
Rycina 1: Schemat procedury. Zaproponowany schemat składa się z czterech kroków (oznaczonych niebieskimi blokami): budowy bazowego modelu FE, programowania, generowania danych oraz opracowywania modelu zastępczego. Pomarańczowe bloki reprezentują dane wejściowe każdego kroku, a zielone bloki reprezentują dane wyjściowe każdego kroku. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig01large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
<img alt="Wykres 3D symulowanej zmienności naprężeń wzdłużnych w zależności od wypadkowego doprowadzenia ciepła; wykres analizy termicznej." class="xfigimg" src="/files/ftp_upload/67576/67576fig02.jpg" data-altupdatedat="1788304762000" data-alt="Rycina 2"> 
Rycina 2: Wygenerowany zbiór danych. Przedstawiono łącznie 205 zestawów danych dotyczących naprężeń wzdłużnych, z których każdy odpowiada unikalnej kombinacji długości przesuwu, wypadkowej szybkości doprowadzania energii i prędkości spawania. W każdym zestawie naniesiono 20 punktów danych dla różnych węzłów wzdłuż linii BD. Aby odróżnić poszczególne zestawy, każdy z nich został oznaczony innym kolorem, który odpowiada wypadkowej szybkości doprowadzenia ciepła. Wartość tę można obliczyć, dzieląc wypadkową szybkość doprowadzania energii przez prędkość spawania. Rycina została zmodyfikowana na podstawie opracowania25. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig02large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.</a>
<img alt="Histogram przedstawiający rozkład różnic naprężeń (MPa), analiza danych, wartości symulowane i przewidziane." class="xfigimg" src="/files/ftp_upload/67576/67576fig03.jpg" data-altupdatedat="1788304762000" data-alt="Rysunek 3"> 
Rysunek 3: Częstotliwość występowania rozbieżności między wynikami symulacji FE a przewidywaniami ANN. Różnice między wynikami symulacji FE a przewidywaniami ANN w zbiorze testowym zostały podzielone na 10 poziomów. Adnotacje na wykresie wskazują częstotliwość i procent występowania każdego poziomu różnicy w przypadkach testowych. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig03large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić większą wersję tego rysunku.</a>
<img alt="Wykres symulowanej analizy naprężeń; wykresy pudełkowe rozbieżności w funkcji liczby danych treningowych." class="xfigimg" src="/files/ftp_upload/67576/67576fig04.jpg" data-altupdatedat="1788304762000" data-alt="Rysunek 4"> 
Rysunek 4: Rozkład średnich reszt bezwzględnych i zbioru danych treningowych dla różnych poziomów naprężeń. Wykres pudełkowy przedstawia rozkład bezwzględnych rozbieżności pomiędzy naprężeniem symulowanym a przewidywanym dla różnych poziomów naprężeń symulowanych. Pomarańczowa linia wewnątrz każdego pudełka reprezentuje medianę, wskazując punkt środkowy rozbieżności bezwzględnych. Wysokość każdego pudełka odpowiada rozstępowi międzykwartylnemu, który obejmuje środkowe 50% danych (od 25. do 75. percentyla), odzwierciedlając zmienność rozbieżności. Wąsy rozciągają się od pudełka, pokazując minimalne i maksymalne wartości rozbieżności. Niebieski histogram przedstawia liczbę punktów danych treningowych odpowiadających każdemu poziomowi naprężeń w zbiorze treningowym. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig04large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
<img alt="Analiza naprężeń wzdłużnych, symulacja a przewidywania sieci ANN, odległość od powierzchni, wykresy porównawcze." class="xfigimg" src="/files/ftp_upload/67576/67576fig05.jpg" data-altupdatedat="1788304762000" data-alt="Rysunek 5"> 
Rysunek 5: Porównanie wyników symulacji z wynikami przewidzianymi przez sieć ANN. Na rysunku przedstawiono cztery przypadki testowe: (A) prędkość spawania 3,75 mm/s, długość spawu 40 mm i wypadkowa szybkość doprowadzenia energii 1250 W; (B) prędkość spawania 3,25 mm/s, długość spawu 60 mm i wypadkowa szybkość doprowadzenia energii 1750 W; (C) prędkość spawania 3,25 mm/s, długość spawu 50 mm i wypadkowa szybkość doprowadzenia energii 2250 W; oraz (D) prędkość spawania 2,25 mm/s, długość spawu 50 mm i wypadkowa szybkość doprowadzenia energii 2750 W. Najbardziej znacząca rozbieżność we wszystkich przypadkach testowych została zaznaczona niebieską ramką, wykazując różnicę 19,4 MPa na głębokości 17 mm od górnej powierzchni w przypadku testowym (D). <a href="https://www.jove.com/files/ftp_upload/67576/67576fig05large.jpg" target="_blank">Kliknij tutaj, aby wyświetlić powiększoną wersję tego rysunku.</a>
Tabela 1: Informacje o geometrii próbki spoiny, obszaru zagęszczonej siatki oraz spoiny.W tabeli wymieniono długość, szerokość i głębokość prostokątnej próbki spoiny oraz obszaru zagęszczonej siatki. Wymiary spoiny zostały przedstawione na szkicu. W procesie modelowania szerokość należy podzielić przez dwa, ponieważ utworzono tylko połowę modelu. <a href="https://www.jove.com/files/ftp_upload/67576/Table%201_RE.xlsx" target="_blank">Kliknij tutaj, aby pobrać tę tabelę.</a>
Tabela 2: Właściwości materiałowe stali AISI 316LN14. Gęstość oraz współczynnik Poissona są traktowane jako niezależne od temperatury, natomiast pozostałe właściwości fizyczne są traktowane jako zależne od temperatury. <a href="https://www.jove.com/files/ftp_upload/67576/Table2_RE.xlsx" target="_blank">Kliknij tutaj, aby pobrać tę tabelę.</a>
Tabela 3: Właściwości plastyczne AISI 316LN24. Właściwości mechaniczne stali nierdzewnej AISI 316LN w funkcji temperatury; granica plastyczności przy zerowym odkształceniu plastycznym; parametry utwardzania kinematycznego (C1, Gamma 1, C2, Gamma 2); parametr utwardzania izotropowego (Q-inf) oraz parametr utwardzania (b). <a href="https://www.jove.com/files/ftp_upload/67576/Table3_RE.xlsx" target="_blank">Prosimy kliknąć tutaj, aby pobrać tę tabelę.</a>
Uzupełniający plik z kodem 1: Create_input_files.py <a href="https://www.jove.com/files/ftp_upload/67576/Create_input_files.zip" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>
Uzupełniający plik z kodem 2: Run_thermal <a href="https://www.jove.com/files/ftp_upload/67576/Run_Thermal.zip" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>
Plik uzupełniający z kodem 3: DFLUX.for <a href="https://www.jove.com/files/ftp_upload/67576/DFLUX.zip" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>
Plik uzupełniający z kodem 4:Run_Mechanical <a href="https://www.jove.com/files/ftp_upload/67576/Run_Mechanical.zip" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>
Plik uzupełniający z kodem 5: extract_data.py <a href="https://www.jove.com/files/ftp_upload/67576/extract_data.zip" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>
Plik uzupełniający z kodem 6: ANN_development.py <a href="https://www.jove.com/files/ftp_upload/67576/ANN_development.zip" target="_blank">Kliknij tutaj, aby pobrać ten plik.</a>

Ten protokół przedstawia ogólny proces budowy sztucznej sieci neuronowej do symulacji spawania przy użyciu zestawów danych generowanych automatycznie przez skrypty Pythona z funkcjami makr. Przebieg pracy jest weryfikowany w odniesieniu do przypadku porównawczego obejmującego spawanie jednoprzebiegowe w linii prostej. Dokładność predykcyjna modelu zastępczego wykazuje silną zgodność z symulacjami elementów skończonych.

Opracowanie modelu zastępczego dla eksperymentów cyfrowych w spawalnictwie

The manufacturing industry heavily relies on welding processes to join materials, forming integral components across various sectors. Many aspects will ...

Zakres moich badań koncentruje się na opracowywaniu wydajnych modeli zastępczych z wykorzystaniem uczenia maszynowego, w szczególności sztucznych sieci neuronowych do przewidywania naprężeń szczątkowych wywołanych spawaniem. Skupiamy się przede wszystkim na tym, jak zautomatyzować generowanie danych do symulacji spawania w celu zwiększenia wydajności. Ustaliliśmy, że automatyzacja generowania danych za pomocą skryptów i funkcji makr języka Python znacznie skraca czas konfiguracji symulacji, umożliwiając tworzenie dużych zbiorów danych.Ponadto nasz model obwodu oparty na sztucznej sieci neuronowej dokładnie przewiduje naprężenia szczątkowe wywołane spawaniem, osiągając względny błąd średniokwadratowy równy 0,0024. osiągając względny błąd średniokwadratowy równy 0,0024. Nasz protokół oferuje korzyści poprzez automatyzację generowania danych za pomocą skryptów Pythona i funkcji makr, redukując czas i wysiłek wymagany do konfiguracji symulacji i ekstrakcji danych.Zapewnia to spójność i umożliwia tworzenie obszernego zestawu danych do trenowania modeli uczenia maszynowego. Aby rozpocząć, otwórz Abaqus i kliknij plik, a następnie ustaw katalog roboczy, aby ustawić katalog roboczy. Następnie kolejno kliknij plik macromanager pracy i utwórz makro o nazwie nagrywanie termiczne.Utwórz model dla próbek spawalniczych. Jako przykład można użyć pojedynczego ściegu spoiny w przypadku wzorcowym konstrukcji płyty. Kliknij część, a następnie utwórz część.Utwórz odkształcalny połówkę modelu 3D próbki, wyciągając kwadratowy szkic na płaszczyźnie XY. Teraz kliknij część, przejdź do opcji Utwórz płaszczyznę odniesienia i wybierz odsunięcie od płaszczyzny głównej. Umożliwia zdefiniowanie punktu początkowego i końcowego spawania, określając odsunięcia od płaszczyzny YZ na podstawie długości ściegu.Następnie utwórz dwie dodatkowe płaszczyzny odniesienia dla głębokości i szerokości ściegu, określając odsunięcia odpowiednio od płaszczyzny XY i płaszczyzny XZ. Kliknij część i wybierz opcję użycia płaszczyzny odniesienia komórki partycji, aby utworzyć partycje komórki próbki przy użyciu czterech płaszczyzn odniesienia. Następnie kliknij część i wybierz opcję Utwórz wyciągnięcie bryły.Utwórz szkic na jednej z płaszczyzn odniesienia, aby zdefiniować część ściegu spoiny pod górną powierzchnią próbki. Użyj łuku i dwóch linii podążających za wymiarami ściegu. Wyciągnij szkic na głębokość długości ściegu, aby utworzyć cięcie.Następnie wyciągnij szkic do długości ściegu, wybierając opcję Zachowaj obwiednie wewnętrzne. Kliknij element, a następnie wybierz opcję Utwórz płaszczyznę odniesienia i odsuń od płaszczyzny głównej. Naszkicuj ścieg spoiny, używając dwóch łuków w jednej linii na jednej z płaszczyzn odniesienia.Kliknij część, wybierz komórkę partycji i użyj płaszczyzny odniesienia, aby utworzyć partycje komórki próbki przy użyciu czterech płaszczyzn odniesienia do znalezienia. Aby zdefiniować materiał ze stali nierdzewnej AISI 316 LN, kliknij właściwość i utwórz materiał, a następnie zdefiniuj gęstość w menu ogólnym oraz przewodność i ciepło właściwe w menu termicznym na podstawie danych zależnych od temperatury. Następnie przypisz materiał do modelu.Kliknij właściwość, a następnie utwórz przekrój, aby utworzyć jednorodny przekrój bryły ze zdefiniowanym materiałem. Kliknij właściwość, przypisz przekrój, aby przypisać utworzony przekrój do modelu. Teraz kliknij krok, a następnie krok tworzenia, aby utworzyć krok wymiany ciepła o nazwie spawanie z okresem czasu 26,43 i stałym przyrostem czasu 0,1, zapewniając brak nieliniowości geometrii.Utwórz kolejny krok wymiany ciepła o nazwie chłodzenie z okresem czasu 70, używając adaptacyjnych przyrostów czasu z początkowymi, minimalnymi i maksymalnymi rozmiarami przyrostów ustawionymi odpowiednio na 0,1, 0,05 i 5. ustawionymi odpowiednio na 0,1, 0,05 i 5. Na koniec utwórz krok wymiany ciepła o nazwie chłodzenie dwa z okresem czasu 2 000 przy użyciu adaptacyjnych przyrostów czasu z początkowymi, minimalnymi i maksymalnymi rozmiarami przyrostów ustawionymi odpowiednio na 5, 1 i 100.Aby ustawić atrybuty modelu, kliknij model, edytuj atrybut. aby uzyskać dostęp do ustawień atrybutów. Ustaw temperaturę zera bezwzględnego na 273,15.Ustaw temperaturę zera bezwzględnego na 273,15. Określ stałą Stefana-Boltzmanna jako 5,67 x 10 do potęgi 11. Kliknij krok i utwórz dane wyjściowe pola, aby ustawić żądanie temperatury węzłowej dla całego modelu.Następnie kliknij na assembly i utwórz instancję, aby utworzyć instancję zależną. Następnie kolejno kliknij interakcję, utwórz interakcję i warunek warstwy powierzchniowej, aby utworzyć interakcję stanu warstwy powierzchniowej ze współczynnikiem warstwy 15 i temperaturą opadania 20 na wszystkich powierzchniach modelu z wyjątkiem płaszczyzny symetrycznej. Ustaw krok początkowy jako spawanie.Teraz kolejno kliknij interakcję, utwórz interakcję i promieniowanie powierzchniowe, aby utworzyć interakcję promieniowania powierzchniowego o emisyjności 0,7 i temperaturze otoczenia 20 na wszystkich powierzchniach modelu z wyjątkiem płaszczyzny symetrycznej. Ustaw krok początkowy jako spawanie, zdefiniuj obciążenia w module obciążenia. Kliknij obciążenie, utwórz obciążenie termiczne i strumień ciepła ciała, aby utworzyć zdefiniowane przez użytkownika obciążenie strumienia ciepła ciała, które rozpoczyna się na etapie spawania i jest nieaktywne podczas dwóch etapów chłodzenia.Następnie kliknij Załaduj, utwórz predefiniowane pole, inne i pole, aby utworzyć predefiniowane pole temperatury, zaczynając od początkowego kroku, aby reprezentować temperaturę pokojową 20. Aby utworzyć siatkę w module siatki, kliknij siatkę, wybierz obiekt, który ma być częścią i część źródłową, aby zasiać część o globalnym rozmiarze 0,0024. Kliknij siatkę, a następnie krawędzie zasiewu, aby zasiać krawędzie głębokości ściegu i szerokości ściegu przez liczbę 3.Zasiać krawędź łuku liczbą 3, a krawędź długości ściegu rozmiarem 0,0015. Następnie kliknij siatkę, przypisz kontrolki siatki i użyj elementu kształtu TET z techniką swobodną dla obszaru koralików. Kliknij siatkę, przypisz typ elementu i ustaw typ elementu na DC 3D 10, a następnie utwórz siatkę elementu.Użyj siatki, a następnie krawędzi zasiadkowych, aby zasiać krawędzie współliniowe do osi X w obszarze siatki drobnoziarnistej o rozmiarze 0,0015, krawędzi osi Y o rozmiarze 0,0011 i krawędzi osi Z o rozmiarze 0,00075. i krawędzi osi Z o rozmiarze 0,00075. Teraz kliknij siatkę, a następnie przypisane kontrolki siatki, aby przypisać kontrolę siatki do pozostałego regionu, używając elementu w kształcie szesnastkowym z techniką przeciągnięcia.Następnie kliknij na siatkę, przypisz typ elementu i ustaw typ elementu na DC 3D 20, a następnie utwórz siatkę części. Kliknij na job, create job, aby utworzyć zadanie o nazwie thermal analysis i dołączyć podprogram użytkownika D flux. Zatrzymaj nagrywanie makra.Upewnij się, że plik języka Python o nazwie abaqusMacros. py został wygenerowany w katalogu roboczym. Na koniec kliknij zadanie, menedżer zadań i prześlij.Zostanie wygenerowany plik wynikowy o nazwie ThermalAnalysis. odb. Naprężenia podłużne wzdłuż linii BD wykazywały stałą zmienność w różnych kombinacjach długości łuku, prędkości posuwu łuku i szybkości poboru energii netto, przy czym naprężenia osiągały szczyt bliżej powierzchni i zmniejszały się na większych głębokościach.Większość rozbieżności między symulacją elementów skończonych a przewidywaniami sztucznych sieci neuronowych mieściła się w zakresie od 0 do 2 megapaskal, co stanowiło 45,2% danych testowych. Przedziały poziomu stresu z mniejszą liczbą punktów danych treningowych wykazywały wyższe maksymalne rozbieżności w testowym zestawie danych, co widać w bezwzględnych resztach określonych przedziałów. Przewidywania dotyczące sztucznych sieci neuronowych były ściśle zgodne z wynikami symulacji elementów skończonych z błędem średniokwadratowym wynoszącym 0,0024.

surrogate-model-development-for-digital-experiments-in-welding

Research

JoVE Journal

Engineering

Inżynieria

Celem tego protokołu jest stworzenie trójwymiarowego odpowiednika skóry o pełnej grubości, który przypomina naturalną skórę. Dzięki specjalnie skonstruowanemu zautomatyzowanemu urządzeniu do nawijania można generować precyzyjne i powtarzalne rany przy zachowaniu bezpłodności.

Generowanie trójwymiarowego ekwiwalentu skóry o pełnej grubości i automatycznego nawijania

Opisana jest prosta procedura ultradźwiękowego zgrzewania próbek z kompozytu termoplastycznego do podstawowych testów mechanicznych. Kluczowymi cechami tego procesu spawania ultradźwiękowego są zastosowanie płaskich rozdzielaczy energii w celu uproszczenia przygotowania procesu oraz wykorzystanie danych procesowych do szybkiego zdefiniowania optymalnych warunków obróbki.

Zgrzewanie ultradźwiękowe termoplastycznych kompozytów kompozytowych do mechanicznej charakterystyki połączeń spawanych poprzez badanie ścinaniem na pojedyncze zakładki

Przedstawiono eksperymentalny protokół do oprzyrządowanego formowania na ciepło odlewanych stopów aluminium przy użyciu specjalnie zaprojektowanego urządzenia na skalę przemysłową. Omówiono rozważania eksperymentalne, w tym efekty termiczne i mechaniczne, a także podobieństwa z pełnoskalowym przetwarzaniem kół samochodowych.

Procedura doświadczalna przędzenia na ciepło elementów odlewanych z aluminium

Przepływ pracy do tworzenia trójwymiarowych (3D) wirtualnych modeli hybrydowych został zaprojektowany na podstawie zestawu danych tomografii komputerowej wiązki stożkowej i wewnątrzustnych skanów optycznych, wykorzystujących metody segmentacji obrazów radiograficznych i modelowanie powierzchni o dowolnym kształcie. Modele cyfrowe są wykorzystywane do wirtualnego planowania zabiegów chirurgicznych rekonstrukcyjnych zębodołu zębodołowego.

Przygotowanie cyfrowego modelu hybrydowego do wirtualnego planowania zabiegów chirurgicznych rekonstrukcyjnych zębodołu zębodołowego

Ta praca opisuje system eksperymentów online, który zapewnia wizualizację eksperymentów, w tym wizualizację teorii, koncepcji i formuł, wizualizację procesu eksperymentalnego za pomocą trójwymiarowych (3D) wirtualnych stanowisk testowych oraz wizualizację systemu kontroli i monitorowania za pomocą widżetów, takich jak wykresy i kamery.

Interaktywny i zwizualizowany system eksperymentów online dla edukacji i badań inżynierskich

Ta praca przedstawia trójwymiarowy wirtualny eksperyment symulacyjny dla deformacji i uszkodzenia materiału, który dostarcza wizualizacji procesów eksperymentalnych. Dzięki zestawowi eksperymentów użytkownicy mogą zapoznać się ze sprzętem i nauczyć się obsługi w wciągającym i interaktywnym środowisku edukacyjnym.

Wirtualny eksperyment symulacyjny mechaniki: deformacja i uszkodzenie materiału na podstawie skaningowej mikroskopii elektronowej

Poprzez włączenie projektowania doświadczeń interakcji i analizy wymagań użytkownika, wprowadzamy innowacyjny skrobak do komórek, który poprawia testy gojenia się ran komórkowych pod względem odtwarzalności, niezawodności, praktyczności, integralności komórkowej i doświadczenia użytkownika.

Narzędzie do automatycznego tworzenia stabilnych i powtarzalnych przerw bezkomórkowych w celu poprawy wiarygodności testu gojenia się ran komórkowych

Rany stanowią globalne wyzwanie zdrowotne. W ramach tego badania opracowano standaryzowaną kabinę fotograficzną wykorzystującą planimetrię cyfrową w celu zminimalizowania zmienności pomiaru rany. Monitorowanie ran u myszy przez 14 dni wykazało początkowy wzrost powierzchni i obwodu rany, po którym następowało stopniowe zamykanie. Metodologia ta może pomóc w ocenie kinetyki zamykania ran w modelach przedklinicznych.

Planimetria cyfrowa do oceny kinetyki zamykania ran w modelu mysim

Opisano proces pozyskiwania danych metrologicznych ściegów spoiny w czasie zbliżonym do rzeczywistego i automatycznego przygotowania wynikowej geometrii do analizy elementów skończonych.

Automatyczne laserowe przechwytywanie geometrii do analizy elementów skończonych ściegów spoiny

Solidna konstrukcja elektrostatycznych siłowników MEMS z obrzeżami pola skutkuje z natury niskimi warunkami tłumienia filmu ściskającego i długimi czasami stabilizacji podczas wykonywania operacji przełączania przy użyciu konwencjonalnego polaryzacji krokowej. Poprawa czasu przełączania w czasie rzeczywistym dzięki przebiegom dynamicznym prądu stałego skraca czas ustalania siłowników MEMS z polem obwódkowym podczas przechodzenia między stanami góra-dół i dół-dół-górę.

Metoda dynamicznego polaryzowania prądu stałego w czasie rzeczywistym w celu poprawy czasu przełączania w mocno niedotłumionych elektrostatycznych siłownikach MEMS z polem obrzeżnym

Poznaj metodę tworzenia sztucznej sieci neuronowej do symulacji spawania przy użyciu zautomatyzowanych zbiorów danych Python. Protokół zapewnia wysoką dokładność predykcji naprężeń szczątkowych w spawalnictwie.

Opracowanie modelu zastępczego dla eksperymentów cyfrowych w spawalnictwie

Przeglądaj więcej filmów