Method Article

Разработка суррогатной модели для цифровых экспериментов в сварке

DOI:

10.3791/67576

⸱

March 28th, 2025

 ,  ,  , 
1School of Engineering, University of Manchester

In This Article

Summary

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

В этом протоколе описывается общий рабочий процесс создания искусственной нейронной сети для моделирования сварки с использованием наборов данных, автоматически сгенерированных с помощью скриптов Python с функциями макросов. Рабочий процесс проверен в соответствии с эталонным случаем, включающим однопроходную прямолинейную сварку. Точность прогнозирования суррогатной модели демонстрирует сильное согласие с моделированием методом конечных элементов.

Abstract

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

Обрабатывающая промышленность в значительной степени полагается на сварочные процессы для соединения материалов, образуя неотъемлемые компоненты в различных секторах. Многие аспекты влияют на качество сварного шва и, в конечном итоге, влияют на структурную целостность сварного шва. Остаточное напряжение, вызванное сваркой, являющееся следствием термических циклов, присущих этим процессам, значительно влияет на структурную целостность и эксплуатационные характеристики изготавливаемых компонентов. Понимание и прогнозирование этого остаточного напряжения имеет решающее значение для повышения надежности и долговечности сварных конструкций. Однако быстрая оценка сварочной установки в цифровых экспериментах сопряжена со значительными трудностями, поскольку традиционное моделирование может занять много времени. В этом исследовании описывается применение рабочего процесса для создания суррогатной модели на основе искусственной нейронной сети для прогнозирования остаточного напряжения, вызванного сваркой. Модель строится с использованием данных, автоматически сгенерированных в результате моделирования методом конечных элементов с помощью скриптов Python на основе макрофункций. В отличие от традиционных методов, основанных на ручной предварительной обработке и моделировании методом конечных элементов, этот подход значительно сокращает время и усилия, необходимые для настройки моделирования и извлечения данных, повышая общую эффективность. Гарантируя, что все этапы моделирования выполняются согласованно с помощью макрофункций, метод устраняет антропогенную изменчивость, что приводит к улучшению воспроизводимости. Кроме того, автоматизация генерации данных позволяет создавать обширные наборы данных, необходимые для обучения моделей машинного обучения, преодолевая ограничения трудоемких традиционных методов. Рабочий процесс состоит из четырех основных этапов: построение стандартного конечно-элементного моделирования сварного шва и проверка результатов конечно-элементного моделирования по экспериментальным данным; разрабатывать скрипты для генерации больших наборов данных с помощью макрофункции, которая записывает этапы предварительной и постобработки конечно-элементного моделирования; использовать скрипты для генерации необходимых данных; Разрабатывайте суррогатные модели и проверяйте их работоспособность. Искусственная нейронная сеть продемонстрировала высокую точность в прогнозировании уровней стресса, тесно связанную с результатами моделирования на тестовом наборе данных и относительную среднеквадратическую ошибку 0,0024.

Introduction

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

При проведении цифрового эксперимента для сварочных процессов остаточное напряжение является ключевым результатом, поскольку оно является критически важным аспектом оценки структурной целостности. Остаточное напряжение, вызванное сваркой, вызвано сочетанием высоких температур, быстрого охлаждения и возникающих в результате неравномерных температурных градиентов и механических ограничений в процессе сварки1. Металл выдерживает напряжение даже после того, как внутренний градиент температур спадает в результате пластической деформации и внешнего зажима. Остаточное напряжение может оказывать значительное влияние на поведение и производительность компонентов, особенно тех, которые подвергаются циклическому нагружению или высоким нагрузкам. Это может вызвать растрескивание 2,3 и повлиять на общую усталостную долговечность4.

Чтобы повысить надежность определения характеристик распределения остаточных напряжений при сварке, такие группы, как Европейская сеть по стандартизации нейтронных методов для обеспечения структурной целостности (NeT)5 , провели серию круговых мероприятий для проведения экспериментов и внедрили моделирование методом конечных элементов (КЭ) для различных сценариев сварки, таких как сварной шов с одним сварным швом на пластине6 и многопроходный щелевой сварной шов7. 8. Для количественной оценки остаточного напряжения, вызванного сварным швом, используются различные методы экспериментальных измерений, включая дифракцию нейтронов9, контурный метод, рентгеновскую дифракцию, сверление глубоких отверстий10 и инкрементальное сверление центральных отверстий11. В дополнение к экспериментальным измерениям, для реконструкции поля остаточных напряжений также используется моделирование методом конечных элементов. Gilles et al.12 использовали модель поверхностного источника тепла в модели конечных элементов для моделирования сварного шва на пластине; Они также провели анализ чувствительности сетки и моделей источников тепла. Shan et al.13провели термомеханический анализ последовательных связей для прогнозирования распределения остаточных напряжений после сварки; Они использовали модель движущегося источника тепла с методом рождения или смерти элемента для характеристики распределения теплового потока. Bate et al.14описали, как выполнить калибровку модели источника тепла на упрощенной 2D-модели образца для обеспечения надежности термического анализа сварки. Coules et al.15 представили метод реконструкции полей остаточных напряжений в несовместимой области путем объединения измерений из нескольких близлежащих областей. В статье подчеркивается потенциал этого метода для повышения точности измерений остаточных напряжений, особенно в ситуациях, когда измерения в желаемой области невозможны. В Bouchard6был предложен эталон для моделирования сварных швов на пластине и предложено определение целевых показателей тепловых и остаточных напряжений, которые можно использовать для оценки подхода к моделированию сварных швов. Smith et al.16 рассмотрели различные методы имитационного моделирования сварных швов и представили анализ чувствительности многих параметров имитационного моделирования сварки, включая конструкцию сетки, характеристики источника тепла, тепловложение и конститутивную модель. Точность результатов моделирования во многом зависит от предположений и упрощений аналитиков. Кроме того, некоторые детали настроек моделирования в ранее опубликованных работах часто игнорируются, что затрудняет воспроизведение симуляций.

В дополнение к моделированию КЭ был реализован ряд алгоритмов машинного обучения для прогнозирования напряжений, который включает в себя нечеткую нейронную сеть17, регрессию опорного вектора 18,19,20, адаптивную нейро-нечеткую сеть 21,22, искусственную нейронную сеть23. Использование предварительно обученных алгоритмов машинного обучения значительно сокращает время, необходимое для прогнозирования напряжений, по сравнению с методом конечных элементов. Вместо моделирования, основанного на математике и физике, а затем решения дифференциальных уравнений, разработка суррогатной модели напрямую выстраивает отношения между входами и выходами. Тем не менее, эта методология, основанная на данных, обычно требует значительного объема обучающих данных. Несмотря на эту необходимость, в настоящее время существует нехватка опубликованных исследований, подробно объясняющих процесс автоматизации генерации таких данных.

Общая цель здесь заключается в разработке оптимизированного рабочего процесса для автоматизации генерации данных из моделирования методом конечных элементов и использования сгенерированных данных для обучения суррогатных моделей на основе машинного обучения, таких как искусственные нейронные сети (ИНС), для прогнозирования критических результатов в сложных физических процессах. На рисунке 1 представлена высокоуровневая блок-схема, которая обобщает этапы рабочего процесса. В данной работе представлены все настройки для проведения термомеханического моделирования сварки в Abaqus. Благодаря использованию функции записи макросов все операции предварительной и последующей обработки в моделировании КЭ записываются в скрипты, тем самым автоматизируя процессы генерации данных. В этой работе также описывается, как использовать сгенерированные данные для обучения суррогатной модели ИНС.

Protocol

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

1. Построение и запись типовой модели

  1. Откройте Abaqus и нажмите « Файл» > «Установить рабочий каталог », чтобы установить рабочий каталог. Нажмите « Файл» > Менеджере макросов > работу и создайте рабочий макрос с именем Thermal_recording.
  2. Выполните настройку термического анализа, как описано ниже.
    1. Создание модели для сварочных образцов. В данном случае в качестве примера используется эталонный случай с одной структурой сварного шва на пластине; Размер прямоугольной опорной плиты, сварного шва и области измельчения сетки показаны в таблице 1.
      1. Нажмите на Деталь > Создать деталь. Создайте 3D деформируемую полумодель образца путем выдавливания эскиза квадрата на плоскости XY в соответствии с геометрией, приведенной в таблице 1.
      2. Щелкните Деталь > Создать опорную плоскость: смещение от главной плоскости. Создайте две опорные плоскости для описания начальной и конечной точек сварки, указав смещения от плоскости YZ на основе длины шва, приведенной в таблице 1. Создайте две опорные плоскости для описания глубины и ширины сварного шва для сварки, указав смещения от плоскости XY и плоскости XZ на основе глубины и ширины шва, приведенных в таблице 1. Бусина расположена в центре верхней поверхности, при этом ее длина выровнена по продольному направлению образца.
      3. Нажмите на Part > Partition Cell: Используйте опорную плоскость. Создайте разделы ячеек образца с помощью четырех опорных плоскостей, созданных на шаге 1.2.1.2.
      4. Нажмите на Деталь > Создать вырез: Выдавить. Создайте эскиз для части сварного шва, которая находится под верхней поверхностью образца, указав дугу (дуга-1) и две линии на одной из созданных опорных плоскостей. Размеры борта приведены в таблице 1. Создайте вырез с глубиной длины шва путем выдавливания эскиза.
      5. Нажмите на Деталь > Создать твердое тело: Выдавить. Создайте эскиз сварного шва, указав две дуги (arc-1 и acr-2) и одну линию на одной из созданных опорных плоскостей. Выдавите эскиз по длине шва, выбрав "Сохранить внутренние границы".
      6. Нажмите на Деталь > Создать опорную плоскость: Смещение от главной плоскости. Создание четырех опорных плоскостей для определения области мелкой сетки на основе геометрии области уточнения сетки. Область мелкоячеистой сетки расположена в верхней части центра образца.
      7. Нажмите на Part > Partition Cell: Использовать опорную плоскость. Создайте разделы ячеек образца с помощью четырех опорных плоскостей, созданных на шаге 1.2.1.6.
    2. Определите материал нержавеющей стали AISI 316LN в модуле Свойства согласно таблице 2.
      1. Нажмите на Свойство > Создать материал. Задайте плотность в меню Общие. Определите проводимость и удельную теплоемкость в меню «Тепловость», используя данные, зависящие от температуры.
    3. Назначьте материал модели, как описано ниже.
      1. Нажмите на раздел «Свойство» > «Создать». Создайте однородное твердотельное сечение с материалом, определенным на шаге 1.2.2.
      2. Нажмите на раздел «Свойство > Назначить». Назначьте модель с сечениями, определенными на шаге 1.2.3.1.
    4. Определите шаги в модуле шагов, как описано ниже.
      1. Нажмите на Шаг > Создать шаг. Создайте шаг теплопередачи (не учитывайте нелинейность геометрии) с именем сварка с периодом времени 26,43 и фиксированным шагом времени 0,1.
      2. Создайте шаг теплопередачи (не учитывайте нелинейность геометрии) с именем Cooling-1 с периодом времени 70 и адаптивным приращением времени с начальным, минимальным и максимальным размерами шага 0,1, 0,05 и 5 соответственно.
      3. Создайте шаг теплопередачи (не учитывайте нелинейность геометрии) с именем Cooling-2 с периодом времени 2000 и адаптивным шагом времени с начальным, минимальным и максимальным размерами шага 5, 1 и 100 соответственно.
        ПРИМЕЧАНИЕ: Выбор временного интервала для этапов охлаждения имеет решающее значение для моделирования и должен быть тщательно определен аналитиками.
    5. Задайте атрибуты модели, как описано ниже.
      1. Нажмите на Модель > Редактировать атрибут. Установите абсолютный ноль температуры на -273,15. Установите константу Стефана-Больцмана равной 5,67E-11.
    6. Нажмите на Шаг> Создать выход поля , чтобы задать запрос узловой температуры для всей модели. Нажмите « Сборка» > «Создать экземпляр », чтобы создать зависимый экземпляр.
    7. Создавайте взаимодействия в модуле «Взаимодействие».
      1. Нажмите « Взаимодействие» > «Создать взаимодействие > состоянием пленки поверхности». Создаем условия взаимодействия поверхностной пленки с коэффициентом пленки 15 и температурой поглотителя 20 на всех поверхностях модели, кроме симметричной плоскости. В качестве начального шага установите сварку.
      2. Нажмите « Взаимодействие» > «Создать взаимодействие > излучением поверхности». Создайте взаимодействие поверхностного излучения с излучательной способностью 0,7 и температурой окружающей среды 20 на всех поверхностях модели, кроме симметричной плоскости. В качестве начального шага установите сварку.
    8. Определите нагрузки в модуле Нагрузка.
      1. Нажмите « Нагрузка» > «Создать нагрузку > теплового потока > тела». Создайте заданную пользователем нагрузку теплового потока тела на этапе сварки и активируйте ее на двух этапах охлаждения.
      2. Нажмите « Загрузить» > «Создать предопределенное поле» > «Другое > поле». Создайте предопределенное поле температуры, начиная с начального, чтобы представить комнатную температуру 20.
    9. Создайте сетку в модуле Сетка , как описано ниже.
      ПРИМЕЧАНИЕ: Тип элемента, общий размер сетки и размер мелкой ячеи должны определяться исходя из конкретных требований каждого анализа.
      1. Нажмите на Сетка > Объект: Часть > Исходная часть. Инициируем часть по глобальному размеру 0.0024. Кликните по сетке > краям семян. Засейте края глубины и ширины валика на число 3.
      2. Засейте край дуги-2 под номером 3. Затравите край бусины длиной 0,0015.
      3. Нажмите на Mesh > назначить элементы управления сеткой. Используйте элемент формы Тет и свободную технику для области валика. Нажмите на сетку > назначить тип элемента. Установите тип элемента DC3D10 и часть сетки.
      4. Нажмите на сетку > края семян. Засейте ребра коллинеарно по оси X в области мелкой сетки размером 0,0015. Засейте ребра, которые коллинеарны по оси Y в области мелкой сетки размером 0,0011. Засейте ребра, коллинеарно относящиеся к оси Z, в пределах области мелкой сетки размером 0,00075.
      5. Нажмите на Mesh > Назначить Mesh Controls. Назначьте управление сеткой для остальной части области. Используйте шестигранный фигурный элемент и технику развертки. Нажмите на сетку > назначить тип элемента. Задайте тип элемента DC3D20 и часть сетки.
    10. Нажмите на Задание > Создать задание. Создайте задание с именем Thermal_analysis, присоедините пользовательскую подпрограмму DFLUX.
    11. Остановите запись макросов. Файл Python с именем Thermal_recording.py будет сгенерирован в рабочем каталоге.
    12. Нажмите на Job > Job Manager > Отправить. Отправьте задание. Будет сгенерирован результирующий файл с именем Thermal_analysis.odb.
  3. Нажмите на Файл > Менеджер макросов > работайте. Откройте Диспетчер макросов и создайте рабочий макрос с именем Mechanical_recording.
  4. Выполните настройку механического анализа, как описано ниже.
    1. Повторите шаг 1.2.1 для создания геометрии модели для образца сварного шва.
    2. Определите материал нержавеющей стали AISI 316LN в модуле свойств в соответствии с таблицами 2 и 3.
      1. Нажмите на Свойство > Создать материал. Задайте плотность в меню Общие. Определите упругие свойства в меню Механические с использованием данных, зависящих от температуры.
      2. Определите пластические свойства в меню Механические с использованием данных, зависящих от температуры. Выберите Комбинированная модель упрочнения и выберите параметры в качестве типа данных . Установите количество обратных напряжений и количество переменных поля равными 2 и 0.
      3. Добавьте подопции Температура отжига. Установите температуру отжига на 1050. Определите изотропное расширение в меню Механические, используя данные, зависящие от температуры.
    3. Повторите шаг 1.2.3, чтобы назначить материал модели.
    4. Определите шаги в модуле шагов, как описано ниже.
      1. Нажмите на Шаг > Создать шаг. Создайте статический шаг (учитывайте нелинейность геометрии) для сварки с периодом времени 26,43 и фиксированным шагом времени 0,1.
      2. Создание статического шага (с учетом нелинейности геометрии) для Cooling-1 с периодом времени 70 и адаптивным шагом времени с начальным, минимальным и максимальным размерами шага 0,1, 0,05 и 5 соответственно.
      3. Создадим статический шаг (учитывайте нелинейность геометрии) для Cooling-2 с временным периодом 2000 с и адаптивным временным шагом с начальным, минимальным и максимальным размерами шага 5, 1 и 100 соответственно.
    5. Нажмите на Шаг > Создать вывод поля. Задайте запрос компонент напряжений и инвариантов для всей модели. Нажмите « Сборка» > «Создать экземпляр». Создайте зависимый экземпляр.
    6. Задайте граничные условия, как описано ниже.
      1. Нажмите кнопку "Нагрузить" > создать граничные условия > механических > перемещения/вращения. Задайте левые вершины на симметричной плоскости и на верхней поверхности, которые должны быть ограничены в U1 и U3.
      2. Задайте правильные вершины на плоскости симметрии и на верхней поверхности, которые должны быть ограничены в U3.
      3. Нажмите кнопку Нагрузка > создать граничные условия > Механические > Симметрия/Антисимметрия/Энкастр. Задайте условия симметричности в плоскости симметрии.
    7. Установите предопределенные поля, как описано ниже.
      1. Нажмите на кнопку Загрузить > Создать предопределенное поле. Создайте предопределенное поле температуры, начиная с начального шага, чтобы представить комнатную температуру 20.
      2. Создайте предопределенное поле температуры, начиная с этапа сварки. Ресурс распределения находится в файле результатов или выходной базе данных. Добавьте корень в качестве корня файла результатов, созданного на шаге 1.2.12, и установите начальный шаг, начальный шаг и конечный шаг равными 1, 1, 1 соответственно.
      3. Создайте предопределенное поле температуры, начиная с шага Охлаждение-1. Ресурс распространения может быть получен из файла результатов или выходной базы данных. Добавьте корень в качестве корня файла результатов, созданного на шаге 1.2.12, и установите начальный шаг, начальный шаг и конечный шаг равными 2, 1, 2 соответственно.
      4. Создайте предопределенное поле температуры, начиная с шага Охлаждение-2. Ресурсом распространения являются результаты или выходные файлы базы данных. Добавьте корень как корень файла результатов, сгенерированного на шаге 1.2.12, и установите начальный шаг, начальный шаг, конечный шаг равным 3, 1, 3 соответственно.
    8. Повторите шаг 1.2.9, но назначьте тип элемента C3D8R. Создайте задание с именем Mechanical_analysis. Остановите запись макросов. Файл Python с именем Mechanical_recording.py будет сгенерирован в рабочем каталоге.
    9. Отправьте задание. Можно создать файл результатов с именем Mechanical_analysis.odb.
  5. Выполните постобработку, как описано ниже.
    ПРИМЕЧАНИЕ: На этапе постобработки извлекаются физические поля и сравниваются с экспериментальными результатами. Конкретный процесс экстракции зависит от имеющихся экспериментальных данных. В этом исследовании демонстрируется выделение температурного поля, границы термоядерного синтеза и поля напряжений, которые можно сравнить с показаниями термопары, измерениями формы шва и данными об остаточных напряжениях соответственно. Подробные результаты сравнения доступны в соответствующей публикации24.
    1. Извлеките тепловые результаты, как описано ниже.
      1. Нажмите « Файл» > «Открыть базу данных». Откройте Thermal_analysis.odb. Нажмите на Плагины > Инструменты > найти ближайший узел. Найдите узловую метку для точки Термическая пара 5 и Термическая пара 9 с помощью инструмента Найти ближайший узел в плагинах.
        ПРИМЕЧАНИЕ: Термопара 5 расположена на линии пересечения верхней поверхности образца и поперечного сечения средней длины. Он находится на расстоянии 11,5 мм от плоскости симметрии. Термопара 9 расположена в точке пересечения нижней плоскости, плоскости симметрии и поперечного сечения средней длины.
      2. Нажмите « Визуализация» > Создать данные XY > выходных данных поля ODB. Извлечение уникальной истории узловой температуры.
      3. Нажмите на Визуализация > активировать/деактивировать просмотр вырезания. Активируйте вид выреза плоскости X. Отрегулируйте селектор кадров и захватите сечение слияния, когда граница слияния достигнет наибольшего значения.
    2. Извлеките механические результаты, как описано ниже.
      1. Откройте Диспетчер макросов и создайте рабочий макрос с именем data_extracting. Открытый Mechanical_analysis.odb.
      2. Нажмите на Инструменты > Путь > Создать > список узлов. Создание контуров для линии BD (линия BD проходит по толщине образца в средней длине).
      3. Нажмите на Визуализация > Создать данные XY > пути. Создание данных XY из контуров на недеформированной форме модели.
      4. Остановите запись макросов. Файл Python с именем data_extracting.py будет сгенерирован в рабочем каталоге.
    3. Сравните тепловые и механические результаты с экспериментальными данными. Одни и те же параметры и настройки использовались как для моделирования, так и для экспериментов.

2. Написание скриптов модели

ПРИМЕЧАНИЕ: Здесь параметризуются три параметра сварки: скорость сварки, длина хода и полезная потребляемая энергия.

  1. Упрощение модели на основе анализа чувствительности.
    ПРИМЕЧАНИЕ: Согласно анализу чувствительности влияния включения или исключения высоты армирования сварного шва в модели, включение или исключение высоты армирования сварного шва в модели не оказало существенного влияния на распределение напряжений вдоль линии BD. Таким образом, шаги по созданию бусины в симуляции можно пропустить.
  2. Откройте Thermal_recording.py. Найдите коды для определения шага с помощью поиска HeatTransferStep. Подставьте конкретное значение периода времени для этапа сварки выражением bead_length/скорость сварки.
  3. Найдите коды для создания входного файла. Замените конкретное название выражением T-Heat_input-welding_speed-travel_length.
  4. Откройте Mechanical_recording.py. Найдите коды для определения шага с помощью поиска HeatTransferStep. Подставьте конкретное значение периода времени для этапа сварки выражением bead_length/скорость сварки.
  5. Найдите коды для создания входного файла. Замените конкретное название выражением M-Heat_input-welding_speed-travel_length.
  6. Объедините код для создания входных файлов для термического и механического анализа с помощью строк 1-408 в прилагаемом дополнительном файле кодирования 1.
  7. Определите форматы списка аргументов и вызовите функции создания входных файлов для термического и механического анализа с помощью строк 410-459 в прилагаемом файле дополнительного кодирования 1. Все входные файлы для термического анализа будут храниться в Thermal_input_files папке, а все входные файлы для механического анализа будут храниться в Mechanical_input_files папке в рабочем каталоге.
  8. Сгенерируйте окончательный файл python (Supplementary Coding File 1).
    ПРИМЕЧАНИЕ: Чтобы повысить надежность скрипта, все стандартные функции, используемые для выбора последовательности, с именем getSequenceFromMask, были заменены на функцию выбора последовательности на основе координат, называемую findAt.

3. Генерация данных

  1. Запустите Supplementary Coding File 1 в командной строке Abaqus для создания входных файлов как для теплового, так и для механического анализа. Скопируйте Файл дополнительного кодирования 2 и Файл дополнительного кодирования 3 в папку Thermal_input_files.
  2. Введите qsub Run_thermal в командной строке, чтобы запустить сценарии оболочки для изменения подпрограммы DFLUX в соответствии с различными именами входных файлов сварки и отправить задания.
  3. Скопируйте файл дополнительного кодирования 4 в папку Mechanical_input_files. Введите qsub Run_mechanical в строке commend, чтобы изменить входные файлы для механического анализа в соответствии с различными именами входных файлов сварки и отправить задания.
  4. Скопируйте файл дополнительного кодирования 5 в папку Mechanical_input_files и запустите этот скрипт в командной строке. Затем сгенерируйте файлы csv, содержащие значения напряжения для точек на целевой линии.

4. Разработка суррогатной модели

  1. Загрузите библиотеки с помощью строк 1-17, включенных в файл дополнительного кодирования 6. Исправьте случайное начальное значение с помощью строки 378, включенной в файл дополнительного кодирования 6.
  2. Укажите путь к обучающему набору данных и тестовому набору данных с помощью строк 381-382, включенных в файл дополнительного кодирования 6.
  3. Выполните предварительную обработку набора данных с помощью строки 385, включенной в файл дополнительного кодирования 6. Предварительная обработка включает в себя равномерно распределенную выборку, нормализацию и обучение и разделение тестовых наборов.
  4. Выполните настройку гиперпараметров с помощью байесовской оптимизации с помощью строк 387-397 в прилагаемом дополнительном файле кодирования 6 (необязательно).
  5. Выполните настройку гиперпараметров с перекрестной проверкой с помощью GridsearchCV с помощью строк 399-401 в прилагаемом дополнительном файле кодирования 6 (необязательно).
  6. Постройте суррогатную модель и выполните прогнозирование на тестовом наборе данных с помощью строк 404-405 в прилагаемом дополнительном файле кодирования 6.
  7. Рассчитайте и распечатайте MSE для прогноза с помощью строк 406-410 в прилагаемом файле дополнительного кодирования 6.
  8. Сохраните суррогатную модель с помощью строк 414-416 в прилагаемом файле дополнительного кодирования 6.
  9. Постройте прогнозы ИНС относительно данных моделирования на тестовом наборе данных с помощью строк 419-420 в прилагаемом дополнительном файле кодирования 6.
  10. Постройте общую карту производительности на тестовом наборе данных с помощью строки 423 в прилагаемом дополнительном файле кодирования 6.

Results

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

Серия симуляций КЭ была выполнена с использованием различных комбинаций длины хода дуги, скорости продвижения дуги и чистой скорости ввода энергии. Для обучающей выборки диапазон значений, используемых для длины хода дуги, составлял 40 мм, 50 мм, 60 мм, 70 мм и 80 мм. Диапазон значений, используемых для скорости продвижения дуги, составлял 2 мм/с, 2,5 мм/с, 3 мм/с, 3,5 мм/с и 4 мм/с. Диапазон значений, используемых для полезной потребляемой энергии, составлял 1000 Вт, 1500 Вт, 2000 Вт, 2500 Вт и 3000 Вт. Для испытательного набора диапазон значений, используемых для длины хода дуги, составлял 40 мм, 50 мм, 60 мм, 70 мм и 80 мм. Диапазон значений, используемых для скорости опережения дуги, составлял 2,25 мм/с, 2,75 мм/с, 3,25 мм/с и 3,75 мм/с. Диапазон значений, используемых для ввода чистой энергии, составлял 1250 Вт, 1750 Вт, 2250 Вт и 2750 Вт. Продольные напряжения вдоль линии BD этих 205 моделей собраны и показаны на рисунке 2. Этот результат ранее был опубликован в25 году. В частности, результаты кейса используются в этом исследовании для обоснования эффективности рабочего процесса. Настоящее исследование выходит за рамки предыдущих исследований, предоставляя всестороннее объяснение конкретных настроек, применяемых при моделировании сварки, и подробно описывая методологию написания сценариев Python, используемую для общего моделирования сварки.

Разработанная модель ИНС была применена для прогнозирования на тестовом наборе. Расхождение между прогнозированием модели и моделированием КЭ показано на рисунке 3. Из 1680 контрольных точек большинство различий (759 случаев) между смоделированными и прогнозируемыми значениями напряжений методом конечных элементов находятся в диапазоне 0-2 МПа, что составляет 45,2% данных. Частота уменьшается по мере увеличения разницы, при этом очень немногие точки данных показывают различия более 10 МПа. На рисунке 4 показана ящичковая диаграмма, показывающая распределение абсолютных расхождений между моделируемым и прогнозируемым напряжением для различных уровней моделируемого напряжения. Каждый блок представляет собой межквартильный диапазон остатков в пределах определенного бина смоделированных уровней напряжения, а линия внутри прямоугольника указывает на медианное значение. Гистограмма на вторичной оси Y показывает количество точек обучающих данных в каждой ячейке уровня нагрузки, предоставляя дополнительный контекст о распределении данных, используемых для обучения модели. Как показано на рисунке, ячейки уровней напряжения с меньшим количеством обучающих данных обычно демонстрируют более высокие максимальные расхождения в тестовом наборе данных. Производительность в этих областях потенциально может быть улучшена за счет увеличения объема обучающих данных, доступных для этих уровней стресса.

Среднеквадратичная ошибка (MSE) была использована для количественной оценки прогностической эффективности, а выражение для показателей эффективности MSE выглядит следующим образом:

figure-results-1

где yi — значение напряжения до отмены нормализации для i-й точки выборки, figure-results-2 — прогнозируемое значение напряжения до отмены нормализации для i-й выборки, а n — общее количество выборок.

Прогноз напряжения ИНС был очень близок к результатам моделирования КЭ, с MSE 0,0024. Прогнозы по четырем выбранным тестовым случаям показаны на рисунке 5; тепловложение для этих четырех тестовых случаев составляет 333 Дж/мм, 538 Дж/мм, 692 Дж/мм и 1222 Дж/мм соответственно. Среди всех этих четырех случаев прогнозы ИНС показывают хорошее согласие с результатами моделирования КЭ в целом. Однако в сценариях, когда скорость сварки составляет 2,25 мм/с при длине хода 50 мм и расходе полезной энергии 2750 Вт или когда скорость сварки составляет 3,75 мм/с при длине хода 40 мм и расходе полезной энергии 1250 Вт, относительно большие расхождения наблюдаются в нижней части линии BD (глубина около 17 мм). Эти расхождения могут быть связаны с возросшей сложностью правил, управляющих этой областью, что приводит к более сложному многообразию в этих специфических областях пространства параметров. Возможным решением было бы увеличение плотности обучающего набора данных в этой области.

figure-results-3
Рисунок 1: Рабочий процесс. Предлагаемый рабочий процесс состоит из четырех этапов (обозначены синими блоками): построение базовой модели КЭ, написание скриптов, генерация данных и разработка суррогатной модели. Оранжевые блоки представляют входные данные каждого шага, а зеленые блоки представляют выходные данные каждого шага. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-4
Рисунок 2: Сгенерированный набор данных. В общей сложности проиллюстрировано 205 наборов данных о продольных напряжениях, каждый из которых соответствует уникальному сочетанию длины перемещения, полезной скорости ввода энергии и скорости сварки. В каждом наборе наносятся 20 точек данных для различных узлов вдоль линии BD. Чтобы различать наборы, каждый из них представлен разным цветом, который соответствует его чистой скорости тепловложения. Это значение можно рассчитать, разделив полезную потребляемую энергию на скорость сварки. Эта цифра была изменена с25. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-5
Рисунок 3: Частота расхождения между результатами моделирования КЭ и прогнозами ИНС. Различия между результатами моделирования КЭ и прогнозами ИНС в тестовом наборе данных разделены на 10 уровней. Аннотации на графике указывают частоту и процент вхождений для каждого уровня разницы в тестовых примерах. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-6
Рисунок 4: Распределение средних абсолютных остатков и обучающего набора данных по разным уровням стресса. Ящичковая диаграмма описывает распределение абсолютных расхождений между моделируемым и прогнозируемым напряжением для различных уровней моделируемого напряжения. Оранжевая линия внутри каждого прямоугольника представляет медиану, указывающую среднюю точку абсолютных расхождений. Высота каждого прямоугольника соответствует межквартильному диапазону, который охватывает средние 50% данных (от 25-го до 75-го процентиля), отражая изменчивость расхождений. Усы выдвигаются из коробки, чтобы показать минимальное и максимальное значения расхождения. Синяя гистограмма показывает количество точек обучающих данных, соответствующих каждому уровню стресса в обучающем наборе данных. Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

figure-results-7
Рисунок 5: Сравнение результатов моделирования с прогнозируемыми результатами ИНС. На этом рисунке показаны четыре тестовых случая: (A) скорость сварки составляет 3,75 мм/с, длина перемещения — 40 мм, а полезная потребляемая энергия — 1250 Вт; (B) скорость сварки составляет 3,25 мм/с, длина хода — 60 мм, а потребляемая чистая энергия — 1750 Вт; (C) скорость сварки составляет 3,25 мм/с, длина хода — 50 мм, а потребляемая чистая энергия — 2250 Вт; и (D) скорость сварки составляет 2,25 мм/с, длина хода — 50 мм, а полезная потребляемая энергия — 2750 Вт. Наиболее заметное расхождение во всех тестовых примерах выделено синим прямоугольником, показывающим разницу в 19,4 МПа на глубине 17 мм от верхней поверхности в тестовом примере (D). Пожалуйста, нажмите здесь, чтобы просмотреть увеличенную версию этой цифры.

Таблица 1: Информация о геометрии образца сварного шва, области сетки измельчения и сварного шва. Длина, ширина и глубина прямоугольного образца сварного шва и области ячеистой сетки указаны в таблице. Размеры сварного шва иллюстрируются эскизом. В процессе моделирования ширина должна быть уменьшена вдвое, так как создана только половина модели. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 2: Свойства материала AISI 316LN14. Плотность и коэффициент Пуассона рассматриваются как не зависящие от температуры, а другие физические свойства рассматриваются как зависящие от температуры. Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Таблица 3: Пластические механические свойства AISI 316LN24. Механические свойства нержавеющей стали AISI 316LN в зависимости от температуры; предел текучести при нулевой пластической деформации; параметры кинематического упрочнения (С1, Гамма 1, С2, Гамма 2); параметр изотропного упрочнения (Q-inf); и параметр упрочнения (b). Пожалуйста, нажмите здесь, чтобы скачать эту таблицу.

Файл дополнительного кодирования 1: Create_input_files.py Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Файл дополнительного кодирования 2: Run_thermal Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Файл дополнительного кодирования 3: DFLUX.for Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Файл дополнительного кодирования 4:Run_Mechanical Пожалуйста, нажмите здесь, чтобы скачать этот файл.

Файл дополнительного кодирования 5: extract_data.py Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Файл дополнительного кодирования 6: ANN_development.py Пожалуйста, нажмите здесь, чтобы загрузить этот файл.

Discussion

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

В этом исследовании представлен рабочий процесс для автоматизации генерации данных из моделирования методом конечных элементов и обучения суррогатных моделей на основе машинного обучения, таких как искусственные нейронные сети, для прогнозирования критических результатов сварочных процессов. Во-первых, протокол включает в себя создание стандартного моделирования сварных швов методом конечных элементов для создания согласованной основы для получения надежных результатов. Результаты моделирования анализируются и проверяются на основе экспериментальных данных для обеспечения точности. Во-вторых, скрипты, которые могут выполнять предварительную и постобработку симуляции, разрабатываются на основе записанных скриптов с использованием функции макроса. В-третьих, большие наборы данных генерируются с помощью сгенерированных скриптов. Наконец, разрабатывается и тестируется суррогатная модель, демонстрирующая ее исключительную производительность. Эта методология способствует повышению эффективности процесса создания набора данных, устраняя необходимость в повторяющихся ручных настройках. Признавая ключевую роль генерации наборов данных в разработке суррогатных моделей на основе данных, описанный рабочий процесс служит для ускорения процесса разработки суррогатных моделей. Следовательно, представленная методология является ценным ресурсом для облегчения разработки суррогатных моделей на основе данных в контексте моделирования сварки.

В протоколе несколько критических шагов существенно влияют на производительность окончательной суррогатной модели. На шаге 1.2.9 необходимо убедиться, что модель сварного шва включает в себя достаточно мелких ячеистых элементов для достижения стабильной сходимости и точных результатов моделирования. На шаге 1.5.3 калибровка стандартной конечно-элементной модели повышает правильность выбора параметров модели источника тепла и повышает точность моделирования. На шагах 4.4 и 4.5 правильная настройка гиперпараметров имеет решающее значение для определения оптимальной конфигурации модели, тем самым повышая производительность суррогатной модели.

Была оценена производительность разработанной суррогатной модели ИНС, и было установлено, что в целом она показала хорошие результаты. Точность разработанной в данной работе суррогатной модели выше, чем у предыдущих попыток, которые основывались на весьма ограниченных данных19,23. В данном примере разработанная суррогатная модель специально разработана для прогнозирования продольного напряжения в конфигурации сварного шва на пластине, включающей три ключевых параметра сварки: скорость сварки, длину хода и полезную потребляемую энергию. Важно отметить, что как входные, так и выходные данные модели обладают высокой адаптивностью. Например, дополнительные параметры сварки или свойства материала могут быть включены в входные данные, а выходные данные могут быть расширены для охвата всех компонентов остаточных напряжений или перемещений, что обеспечивает универсальную основу для более широкого спектра применений.

Что касается алгоритма, используемого для построения суррогатной модели, то он также может быть модифицирован в зависимости от поставленных задач. ИНС имеют некоторые ограничения на экстраполяцию. В отличие от ИНС, другие алгоритмы машинного обучения, такие как метод опорных векторов (SVM), не ограничены структурой обучающих данных и обладают лучшей способностью к экстраполяции. В предыдущих исследованиях 18,19,20 с некоторым успехом предпринимались попытки использовать SVM для прогнозирования остаточного напряжения. Однако важно отметить, что настройка гиперпараметров SVM может быть более сложной, и SVM не всегда могут хорошо справляться с задачами интерполяции по сравнению с ИНС. Еще одним ограничением ИНС является то, что прямое использование ИНС не может создать интервал убеждения, что вызывает беспокойство инженеров. Поэтому можно рассмотреть и другие алгоритмы, такие как регрессия гауссовских процессов26 и байесовские нейронные сети27. Кроме того, хотя модель ИНС хорошо справляется с прогнозированием остаточных напряжений, ей не хватает интерпретируемости. Эта недостаточная интерпретируемость может быть недостатком в инженерных приложениях, где понимание процесса принятия решений по модели имеет решающее значение. Интерпретируемость модели может быть улучшена за счет интеграции большего количества объяснительных моделей, таких как деревья решений.

В заключение следует отметить, что предлагаемый в данном исследовании рабочий процесс позволяет быстро и легко генерировать наборы данных, что может значительно ускорить разработку общих или специальных суррогатных моделей моделирования сварки.

Disclosures

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

Авторам нечего раскрывать.

Acknowledgements

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

Этот проект был поддержан Управлением по атомной энергии Великобритании в рамках Программы термоядерной промышленности. Программа термоядерной промышленности стимулирует рост экосистемы термоядерного синтеза в Великобритании и готовит ее к будущему глобальному рынку термоядерных силовых установок. Более подробную информацию о программе Fusion Industry можно найти в Интернете: https://ccfe.ukaea.uk/programmes/fusion-industry-programme/. Авторы выражают искреннюю благодарность за поддержку, оказанную Research IT в доступе к вычислительному совместному центру в Манчестерском университете. А.Н. Василеу выражает благодарность за поддержку проекту «SINDRI - Synergistic Utilisation of Informatics and Data-centric Integrity Engineering», финансируемому EPSRC, United Kingdom Prosperity Partnership (номер гранта: EP/V038079/1), а также Далтонским ядерным институтом Манчестерского университета, Великобритания. Авторы выражают благодарность NeT-European NeTwork и Карстену Омсу из Европейской комиссии - Объединенного исследовательского центра (JRC) за предоставленные данные бенчмарка NeT-TG1.

Materials

List of materials used in this article
NameCompanyCatalog NumberComments
AbaqusDassault Systems2020
Компилятор Intel Fortran IntelCorporation17.0.7
KerasOpen Source2.6.0
PythonOpen Source3.8.18

References

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

Reprints and Permissions

Request permission to reuse the text or figures of this JoVE article

Request Permission

Tags

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

Related Articles