Kaynakta Dijital Deneyler için Vekil Model Geliştirme

Summary

Bu protokol, makro işlevlerine sahip Python komut dosyaları aracılığıyla otomatik olarak oluşturulan veri kümelerini kullanarak kaynak simülasyonu için yapay bir sinir ağı oluşturmak için genel bir iş akışını ana hatlarıyla belirtir. İş akışı, tek geçişli, düz hat kaynağını içeren bir kıyaslama durumuna göre doğrulanır. Vekil modelin tahmine dayalı doğruluğu, sonlu eleman simülasyonları ile güçlü bir uyum gösterir.

Abstract

İmalat endüstrisi, malzemeleri birleştirmek ve çeşitli sektörlerde ayrılmaz bileşenler oluşturmak için büyük ölçüde kaynak işlemlerine dayanır. Birçok husus kaynağın kalitesini etkileyecek ve son olarak kaynağın yapı bütünlüğünü etkileyecektir. Bu süreçlerin doğasında bulunan termal döngünün bir sonucu olan kaynak kaynaklı artık gerilim, fabrikasyon bileşenlerin yapısal bütünlüğünü ve performansını önemli ölçüde etkiler. Bu artık gerilimi anlamak ve tahmin etmek, kaynaklı yapıların güvenilirliğini ve dayanıklılığını artırmak için çok önemlidir. Bununla birlikte, geleneksel bir simülasyon zaman alıcı olabileceğinden, dijital deneylerde bir kaynak kurulumunu hızlı bir şekilde değerlendirmek önemli zorluklar sunar. Bu araştırma, kaynak kaynaklı artık gerilimi tahmin etmek için yapay sinir ağı tabanlı bir vekil model oluşturmak için bir iş akışının uygulanmasını özetlemektedir. Model, makro işlevlerine dayalı Python komut dosyaları aracılığıyla sonlu eleman simülasyonlarından otomatik olarak oluşturulan veriler kullanılarak oluşturulmuştur. Manuel ön işleme ve sonlu eleman simülasyonlarına dayanan geleneksel yöntemlerin aksine, bu yaklaşım simülasyon kurulumu ve veri çıkarma için gereken zamanı ve çabayı önemli ölçüde azaltarak genel verimliliği artırır. Yöntem, tüm simülasyon adımlarının makro işlevler aracılığıyla tutarlı bir şekilde gerçekleştirilmesini sağlayarak, insan kaynaklı değişkenliği ortadan kaldırarak gelişmiş tekrarlanabilirliğe yol açar. Ayrıca, veri üretiminin otomasyonu, emek yoğun geleneksel tekniklerin sınırlamalarının üstesinden gelerek, makine öğrenimi modellerini eğitmek için gerekli kapsamlı veri kümelerinin oluşturulmasını mümkün kılar. İş akışı dört ana adım içerir: standart bir kaynak sonlu eleman simülasyonu oluşturun ve sonlu eleman simülasyonu sonuçlarını deneysel verilere karşı doğrulayın; sonlu elemanlar simülasyonunun ön işleme ve son işleme adımlarını kaydeden bir makro işlevi kullanarak büyük veri kümesi oluşturma için komut dosyaları geliştirmek; Gerekli verileri oluşturmak için komut dosyalarını kullanın; Vekil modeller geliştirin ve performanslarını test edin. Yapay sinir ağı, stres seviyelerini tahmin etmede yüksek doğruluk gösterdi, test veri setindeki simülasyon sonuçlarıyla yakından uyumlu ve 0,0024'lük göreceli ortalama karekök hatasıyla uyumlu hale geldi.

Introduction

Kaynak pratiği için dijital bir deney gerçekleştirirken, artık gerilim, yapısal bütünlük değerlendirmesinin kritik bir yönü olduğu için önemli bir sonuçtur. Kaynak kaynaklı artık gerilim, kaynak işlemi sırasında yüksek sıcaklıklar, hızlı soğutma ve bunun sonucunda ortaya çıkan düzgün olmayan termal gradyanlar ve mekanik kısıtlamaların kombinasyonundan kaynaklanır¹. Metal, plastik deformasyon ve dış kenetlenmenin bir sonucu olarak iç sıcaklık gradyanı azaldıktan sonra bile gerilimi korur. Artık stres, bileşenlerin, özellikle döngüsel yüklemeye veya yüksek strese maruz kalanların davranışı ve performansı üzerinde önemli bir etkiye sahip olabilir. Çatlamaya ^2,3 neden olabilir ve genel yorulma ömrünü⁴ etkileyebilir.

Kaynak kalıntı gerilme dağılımının karakterizasyonunun güvenilirliğini artırmak için, Avrupa Yapısal Bütünlük için Nötron Teknikleri Standardizasyonu Ağı (NeT)⁵ gibi gruplar, deneyler yapmak için bir dizi round-robin faaliyeti düzenledi ve farklı kaynak senaryoları için Sonlu elemanlar (FE) simülasyonları uyguladı, örneğin tek kaynak dikişi plaka üzerinde kaynak⁶ ve çok geçişli yuva kaynağı⁷ gibi^{, 8}. Nötron kırınımı⁹, kontur yöntemi, X-ışını kırınımı, derin delik delme¹⁰ ve artımlı merkez delik delme¹¹ dahil olmak üzere kaynak kaynaklı artık gerilimi ölçmek için farklı deneysel ölçüm teknikleri kullanılır. Deneysel ölçüme ek olarak, artık gerilim alanını yeniden yapılandırmak için sonlu elemanlar simülasyonu da kullanılır. Gilles ve ^ark.12, plaka üzerine boncuk kaynağını simüle etmek için sonlu elemanlar modelinde yüzey ısı kaynağı modelini kullandı; Ayrıca ağ tasarımı ve ısı kaynağı modellerinin duyarlılık analizlerini de yaptılar. Shan ve ^ark.13, kaynak sonrası artık gerilme dağılımını tahmin etmek için termal-mekanik sıralı olarak eşleştirilmiş bir analiz gerçekleştirdi; Isı akısı dağılımını karakterize etmek için bir element doğum ya da ölüm tekniğine sahip hareketli bir ısı kaynağı modeli kullandılar. Bate ve ^ark.14, kaynak termal analizinin güvenilirliğini sağlamak için numunenin basitleştirilmiş bir 2D modeli üzerinde ısı kaynağı modeli kalibrasyonunun nasıl yapılacağını açıklamıştır. Coules ve ^ark.15, birkaç yakın bölgeden gelen ölçümleri birleştirerek uyumsuz bir bölgede artık stres alanlarını yeniden yapılandırmak için bir yöntem sundu. Makale, bu yöntemin, özellikle istenen bölgedeki ölçümlerin mümkün olmadığı durumlarda, artık gerilim ölçümlerinin doğruluğunu artırma potansiyelini vurguladı. Bouchard⁶, plaka üzerinde boncuk kaynak simülasyonu için bir kıyaslama ortaya koydu ve kaynak simülasyonu yaklaşım değerlendirmesi için kullanılabilecek termal ve artık gerilim performans hedeflerinin bir tanımını sundu. Smith ve ^ark.16, farklı kaynak simülasyonu modelleme yöntemlerini gözden geçirdi ve ağ tasarımı, ısı kaynağı özellikleri, ısı girdisi ve yapısal model dahil olmak üzere birçok kaynak simülasyonu modelleme parametresinin duyarlılık analizlerini sundu. Simülasyon sonuçlarının doğruluğu büyük ölçüde analistlerin varsayımlarına ve basitleştirmelerine bağlıdır. Ek olarak, daha önce yayınlanmış makalelerdeki simülasyon ayarlarına ilişkin bazı ayrıntılar genellikle ihmal edilir ve bu da simülasyonların tekrarlanmasını zorlaştırır.

FE simülasyonuna ek olarak, stres tahmini için bulanık sinir ağı¹⁷, destek vektör regresyonu 18,19,20 uyarlanabilir nöro-bulanık ağ ^21,22 yapay sinir ağı²³ içeren bir dizi makine öğrenimi algoritması uygulanmıştır. Önceden eğitilmiş makine öğrenimi algoritmalarının kullanılması, sonlu elemanlar analizine kıyasla gerilim tahmini için gereken süreyi önemli ölçüde azaltır. Matematik ve fiziğe dayalı modelleme ve ardından diferansiyel denklemleri çözmek yerine, vekil model geliştirme doğrudan girdiler ve çıktılar arasında ilişkiler kurar. Bununla birlikte, bu veriye dayalı metodoloji geleneksel olarak önemli miktarda eğitim verisi gerektirir. Bu gerekliliğe rağmen, şu anda bu tür verilerin üretilmesini otomatikleştirme sürecini ayrıntılı olarak açıklayan yayınlanmış bir araştırma eksikliği vardır.

Buradaki genel amaç, sonlu eleman simülasyonlarından veri üretimini otomatikleştirmek ve üretilen verileri, karmaşık fiziksel süreçlerdeki kritik sonuçları tahmin etmek için Yapay Sinir Ağları (ANN'ler) gibi makine öğrenimi tabanlı vekil modelleri eğitmek için kullanmak için kolaylaştırılmış bir iş akışı geliştirmektir. Şekil 1'de , iş akışındaki adımları özetleyen üst düzey bir akış şeması sunulmaktadır. Bu çalışma, Abaqus'ta termal-mekanik bir kaynak simülasyonu yapmak için tüm ayarları sunar. Makro kayıt fonksiyonu kullanılarak, FE simülasyonunda ön işleme ve son işleme için tüm işlemler komut dosyalarına kaydedilir ve böylece veri oluşturma süreçleri otomatikleştirilir. Bu çalışma ayrıca bir ANN vekil modelini eğitmek için oluşturulan verilerin nasıl kullanılacağını da açıklar.

Protocol

1. Standart bir model oluşturma ve kaydetme

1. Abaqus'u açın ve bir çalışma dizini ayarlamak için Dosya > Çalışma Dizinini Ayarla'ya tıklayın. Çalışmak > Dosya > Makro Yöneticisi'ne tıklayın ve Thermal_recording adlı bir çalışma makrosu oluşturun.
2. Termal analiz kurulumunu aşağıda açıklandığı gibi gerçekleştirin.
   1. Kaynak numuneleri için bir model oluşturun. Burada, örnek olarak tek bir plaka üzerinde kaynak dikişi yapısı kıyaslama durumu kullanılmıştır; dikdörtgen taban plakasının, kaynak dikişinin ve ağ iyileştirme bölgesinin boyutu Tablo 1'de gösterilmiştir.
      1. Parça'ya tıklayın > Parça Oluştur'a tıklayın. Tablo 1'de verilen geometriye göre XY düzlemi üzerinde bir karenin çizimini ekstrüde ederek numunenin 3B deforme olabilen bir yarım modelini oluşturun.
      2. Bölüm >'a tıklayın Referans Düzlemi Oluştur: Ana Düzlemden Ofset. Tablo 1'de verilen boncuk uzunluğuna dayalı olarak YZ düzleminden ofsetleri belirterek kaynak için başlangıç noktasını ve bitiş noktasını tanımlamak için iki Datum düzlemi oluşturun. Tablo 1'de verilen boncuk derinliği ve genişliğine dayalı olarak XY düzleminden ve XZ düzleminden sapmaları belirterek kaynak için boncuk derinliğini ve boncuk genişliğini tanımlamak için iki Datum düzlemi oluşturun. Boncuk, üst yüzeyin merkezinde bulunur ve uzunluğu numunenin uzunlamasına yönü ile aynı hizadadır.
      3. Bölüm > Bölme Hücresine tıklayın: Datum Düzlemini Kullan. Adım 1.2.1.2'de oluşturulan dört referans düzlemini kullanarak numunenin hücre bölümlerini oluşturun.
      4. Parça > Parçaya Tıklayın Kesim Oluştur: Ekstrüzyon. Oluşturulan referans düzlemlerinden birinde bir yay (yay-1) ve iki çizgi belirterek numunenin üst yüzeyinin altında kalan kaynak dikişi kısmı için bir çizim oluşturun. Boncuğun boyutları Tablo 1'de gösterilmiştir. Çizimi ekstrüde ederek boncuk uzunluğunun derinliği ile bir kesim oluşturun.
      5. Parça > Katı Oluştur'a tıklayın: Ekstrüzyon. Oluşturulan referans düzlemlerinden birinde iki yay (yay-1 ve acr-2) ve bir çizgi belirterek kaynak dikişi için bir çizim oluşturun. İç Sınırları Koru'yu seçerek çizimi boncuk uzunluğuna göre çıkarın.
      6. Parça > Datum Düzlemi Oluştur'a tıklayın: Ana Düzlemden Ofset. Ağ iyileştirme bölgesinin geometrisine dayalı olarak ince ağ bölgesini tanımlamak için dört referans düzlemi oluşturun. İnce ağ bölgesi, numunenin üst merkezinde bulunur.
      7. Bölüm > Bölme Hücresi'ne tıklayın: Datum Düzlemini Kullan. Adım 1.2.1.6'da oluşturulan dört referans düzlemini kullanarak numunenin hücre bölümlerini oluşturun.
   2. Özellik modülünde paslanmaz çelik AISI 316LN malzemesini Tablo 2'ye göre tanımlayın.
      1. Malzeme Oluştur'> Mülk'e tıklayın. Genel menüsünde yoğunluğu tanımlayın. Sıcaklığa bağlı verileri kullanarak Termal menüsünde iletkenliği ve özgül ısıyı tanımlayın.
   3. Modele aşağıda açıklandığı gibi malzeme atayın.
      1. Mülk > Bölüm Oluştur'a tıklayın. Adım 1.2.2'de tanımlanan malzeme ile homojen bir katı bölüm oluşturun.
      2. Mülk > Ata bölümüne tıklayın. Modeli adım 1.2.3.1'de tanımlanan bölümlerle atayın.
   4. Adım modülündeki adımları aşağıda açıklandığı gibi tanımlayın.
      1. Adım > Oluştur Adımı'na tıklayın. 26.43'lük bir zaman periyodu ve 0.1'lik sabit bir zaman artışı ile kaynak adlı bir ısı transfer adımı oluşturun (geometrinin doğrusal olmadığını dikkate alın).
      2. 70 zaman periyodu ve başlangıç, minimum ve maksimum artış boyutları sırasıyla 0,1, 0,05 ve 5 olacak şekilde uyarlanabilir bir zaman artışı ile Soğutma-1 adlı bir ısı transfer adımı (geometrinin doğrusal olmadığını dikkate alın) oluşturun.
      3. 2000 zaman periyodu ve başlangıç, minimum ve maksimum artış boyutları sırasıyla 5, 1 ve 100 olacak şekilde uyarlanabilir bir zaman artışı ile Soğutma-2 adlı bir ısı transfer adımı (geometrinin doğrusal olmadığını dikkate alın) oluşturun.
         NOT: Soğutma adımları için zaman aralığının seçimi simülasyon için çok önemlidir ve analistler tarafından dikkatli bir şekilde belirlenmelidir.
   5. Model özniteliklerini aşağıda açıklandığı gibi ayarlayın.
      1. Özelliği düzenlemek > Model'e tıklayın. Mutlak sıfır sıcaklığını -273.15 olarak ayarlayın. Stefan-Boltzmann sabitini 5.67E-11 olarak ayarlayın.
   6. Tüm model için bir düğüm sıcaklığı isteği ayarlamak için Adım> Alan Çıktısı Oluştur'a tıklayın. Bağımlı bir örnek oluşturmak için Assembly > Create Instance'a tıklayın.
   7. Etkileşim modülünde etkileşimler oluşturun.
      1. Yüzey film durumu > Etkileşim Oluştur > Etkileşim'e tıklayın. Simetrik düzlem hariç modelin tüm yüzeylerinde 15 film katsayısı ve 20 lavabo sıcaklığı ile bir yüzey film durumu etkileşimi oluşturun. Başlangıç adımını kaynak olarak ayarlayın.
      2. Yüzey radyasyonu > Etkileşim Oluştur > Etkileşim'e tıklayın. Simetrik düzlem hariç modelin tüm yüzeylerinde 0.7 emisyon ve 20 Ortam sıcaklığı ile bir yüzey radyasyon etkileşimi oluşturun. Başlangıç adımını kaynak olarak ayarlayın.
   8. Yük modülünde yükleri tanımlayın.
      1. Yükle' > Oluştur'a tıklayın Yük > Termal > Vücut ısı akışı. Kaynak adımından kullanıcı tanımlı bir vücut ısı akışı yükü oluşturun ve iki soğutma adımında devre dışı bırakın.
      2. Yükle' > Önceden tanımlanmış alan oluştur'a > Diğer > Alanı'na tıklayın. 20 oda sıcaklığını temsil etmek için başlangıçtan başlayarak önceden tanımlanmış bir sıcaklık alanı oluşturun.
   9. Aşağıda açıklandığı gibi Mesh modülünde mesh oluşturun.
      NOT: Eleman tipi, global ağ boyutu ve ince ağ boyutu, her analizin özel gereksinimlerine göre kararlaştırılmalıdır.
      1. Mesh > Nesnesi: Parça > Tohum Parçası'na tıklayın. Parçayı 0,0024'lük global boyuta göre tohumlayın. Mesh > Seed Edges'e tıklayın. Boncuk derinliği ve boncuk genişliğinin kenarlarını 3 numaraya kadar tohumlayın.
      2. Yay-2'nin kenarını 3 numara ile tohumlayın. Boncuk uzunluğunun kenarını 0.0015 boyutunda tohumlayın.
      3. Mesh kontrollerini atamak > Mesh'e tıklayın. Boncuk bölgesi için Tet şekil elemanı ve serbest teknik kullanın. Öğe türünü atamak > Mesh'e tıklayın. Eleman tipini DC3D10 ve kafes parçası olarak ayarlayın.
      4. Mesh > Seed Edges'e tıklayın. Kenarları, 0,0015 boyutunda ince ağ bölgesi içindeki X eksenine doğrusal olarak tohumlayın. İnce ağ bölgesi içinde Y eksenine doğrusal olan kenarları 0,0011 boyutunda tohumlayın. Kenarları, 0.00075 boyutunda ince ağ bölgesi içinde Z eksenine doğrusal olarak tohumlayın.
      5. Mesh Kontrolü Ata > Mesh Yap'atıklayın. Bölgenin geri kalanı için ağ kontrolü atayın. Altıgen şekil elemanı ve süpürme tekniğini kullanın. Öğe türünü atamak > Mesh'e tıklayın. Eleman tipini DC3D20 ve ağ parçası olarak ayarlayın.
   10. İş Oluştur'a > Tıkla'ya tıklayın. Thermal_analysis adlı bir iş oluşturun, DFLUX kullanıcı alt yordamını ekleyin.
   11. Makro kaydını durdurun. Çalışma dizininde Thermal_recording.py adlı bir python dosyası oluşturulur.
   12. Gönder' > İş > İş Yöneticisi'ne tıklayın. İşi gönderin. Thermal_analysis.odb adlı bir sonuç dosyası oluşturulacaktır.
3. Çalışmak > Dosya > Makro Yöneticisi'ne tıklayın. Makro Yöneticisi'ni açın ve Mechanical_recording adlı çalışan bir makro oluşturun.
4. Mekanik analiz kurulumunu aşağıda açıklandığı gibi gerçekleştirin.
   1. Kaynak numunesi için model geometrisi oluşturmak için adım 1.2.1'i tekrarlayın.
   2. Özellik modülünde paslanmaz çelik AISI 316LN malzemesini Tablo 2 ve Tablo 3'e göre tanımlayın.
      1. Malzeme Oluştur'a > Mülk'e tıklayın. Genel menüsünde yoğunluğu tanımlayın. Sıcaklığa bağlı verileri kullanarak Mekanik menüsünde elastik özellikleri tanımlayın.
      2. Sıcaklığa bağlı verileri kullanarak Mekanik menüsünde plastik özelliklerini tanımlayın. Birleşik sağlamlaştırma modelini seçin ve parametreleri veri türü olarak seçin. Geri gerilme sayısını ve alan değişkenlerinin sayısını 2 ve 0 olarak ayarlayın.
      3. Tavlama Sıcaklığı'nın alt seçeneklerini ekleyin. Tavlama sıcaklığını 1050'ye ayarlayın. Sıcaklığa bağlı verileri kullanarak Mekanik menüsünde izotropik genleşmeyi tanımlayın.
   3. Modele malzeme atamak için 1.2.3 adımını tekrarlayın.
   4. Adım modülündeki adımları aşağıda açıklandığı gibi tanımlayın.
      1. Adım > Oluştur Adımı'na tıklayın. 26.43'lük bir zaman periyodu ve 0.1'lik sabit bir zaman artışı ile kaynak için statik bir adım oluşturun (geometrinin doğrusal olmadığını düşünün).
      2. Soğutma-1 için 70'lik bir zaman periyodu ve başlangıç, minimum ve maksimum artış boyutları sırasıyla 0,1, 0,05 ve 5 olacak şekilde uyarlanabilir bir zaman artışı ile statik bir adım oluşturun (geometrinin doğrusal olmamasını göz önünde bulundurun).
      3. Soğutma-2 için 2000 s'lik bir zaman periyodu ve sırasıyla 5, 1 ve 100 olacak başlangıç, minimum ve maksimum artış boyutları ile uyarlanabilir bir zaman artışı ile statik bir adım oluşturun (geometrinin doğrusal olmadığını göz önünde bulundurun).
   5. Alan çıktısı oluşturmak için >. adıma tıklayın. Tüm model için gerilim bileşenleri ve değişmezler talebini ayarlayın. Örnek Oluştur > Derleme'ye tıklayın. Bağımlı bir örnek oluşturun.
   6. Sınır koşullarını aşağıda açıklandığı gibi ayarlayın.
      1. Mekanik > yer değiştirme/döndürme > sınır koşulları oluşturmak > yükle'ye tıklayın. Sol köşeleri simetrik düzlemde ve üst yüzeyde U1 ve U3'te kısıtlanacak şekilde ayarlayın.
      2. U3'te kısıtlanmak için simetri düzleminde ve üst yüzeyde doğru köşeleri ayarlayın.
      3. Mekanik > Simetrisi/Antisimetri/Encastre > Sınır Koşulları Oluşturmak > Yükle'ye tıklayın. Simetrik koşulları simetri düzlemine ayarlayın.
   7. Önceden tanımlanmış alanları aşağıda açıklandığı gibi ayarlayın.
      1. Yükle'ye tıklayın > Önceden tanımlanmış alan oluşturun. 20 ° C'lik oda sıcaklığını temsil etmek için ilk adımdan başlayarak önceden tanımlanmış bir sıcaklık alanı oluşturun.
      2. Kaynak adımından başlayarak önceden tanımlanmış bir sıcaklık alanı oluşturun. Dağıtım kaynağı, sonuçlar veya çıktı veritabanı dosyasından alınır. Kökü adım 1.2.12'de oluşturulan sonuç dosyasının kökü olacak şekilde ekleyin ve başlangıç adımı, başlangıç artışı ve bitiş adımını sırasıyla 1, 1, 1 olacak şekilde ayarlayın.
      3. Soğutma-1 adımından başlayarak önceden tanımlanmış bir sıcaklık alanı oluşturun. Dağıtım kaynağı, sonuçlardan veya çıktı veritabanı dosyasından alınır. Kökü adım 1.2.12'de oluşturulan sonuç dosyasının kökü olacak şekilde ekleyin ve başlangıç adımı, başlangıç artışı ve bitiş adımını sırasıyla 2, 1, 2 olacak şekilde ayarlayın.
      4. Soğutma-2 adımından başlayarak önceden tanımlanmış bir sıcaklık alanı oluşturun. Dağıtım kaynağı, sonuçlardan veya çıktı veritabanı dosyalarından gelir. Kökü adım 1.2.12'de oluşturulan sonuç dosyasının kökü olacak şekilde ekleyin ve başlangıç adımını, başlangıç artışını, bitiş adımını sırasıyla 3, 1, 3 olarak ayarlayın.
   8. Adım 1.2.9'u tekrarlayın ancak öğe türünü C3D8R olarak atayın. Mechanical_analysis adlı bir iş oluşturun. Makro kaydını durdurun. Çalışma dizininde Mechanical_recording.py adlı bir Python dosyası oluşturulur.
   9. İşi gönderin. Mechanical_analysis.odb adlı bir sonuç dosyası oluşturulabilir.
5. İşlem sonrası işlemi aşağıda açıklandığı gibi gerçekleştirin.
   NOT: İşlem sonrası aşamada, fizik alanları çıkarılır ve deneysel sonuçlarla karşılaştırılır. Spesifik ekstraksiyon işlemi, mevcut deneysel verilere bağlıdır. Bu çalışma, sırasıyla termokupl okumaları, boncuk şekli ölçümleri ve artık gerilim verileri ile karşılaştırılabilen sıcaklık alanının, füzyon sınırının ve stres alanının çıkarılmasını göstermektedir. Ayrıntılı karşılaştırma sonuçları ilgili yayında^{mevcuttur 24}.
   1. Termal sonuçları aşağıda açıklandığı gibi çıkarın.
      1. Dosya'ya tıklayın > veritabanını açın. Thermal_analysis.odb'yi açın. En Yakın Düğümü Bul > Eklentiler > Araçlar'a tıklayın. Eklentilerdeki En Yakın Düğümü Bul aracını kullanarak Termal çift 5 ve Termal çift 9 noktası için düğüm etiketini bulun.
         NOT: Termal çift 5, numunenin üst yüzeyinin ve orta uzunluktaki enine kesitin kesişme çizgisinde bulunur. Simetri düzleminden 11,5 mm uzaklıktadır. Termal çift 9, alt düzlemin, simetri düzleminin ve orta uzunluktaki enine kesitin kesişme noktasında bulunur.
      2. ODB alan çıktısı > XY verileri oluştur > Görselleştirme'ye tıklayın. Eşsiz düğüm sıcaklığı geçmişini çıkarın.
      3. View Cut'ı etkinleştirmek/devre dışı bırakmak > görselleştirmeye tıklayın. X düzleminin kesim görünümünü etkinleştirin. Çerçeve seçiciyi ayarlayın ve füzyon sınırı en büyüğe ulaştığında füzyon kesitini yakalayın.
   2. Mekanik sonuçları aşağıda açıklandığı gibi çıkarın.
      1. Makro Yöneticisi'ni açın ve data_extracting adlı bir çalışma makrosu oluşturun. Açık Mechanical_analysis. ODB.
      2. Tıkla Tools > Path > > Node listesi oluştur. BD çizgisi için yollar oluşturun (BD çizgisi, orta uzunlukta numune kalınlığı boyunca uzanır).
      3. Görselleştirme'ye tıklayın > XY verileri > Yolu Oluştur'a tıklayın. Deforme olmamış model şeklindeki yollardan XY verileri oluşturun.
      4. Makro kaydını durdurun. Çalışma dizininde data_extracting.py adlı bir python dosyası oluşturulur.
   3. Termal ve mekanik sonuçları deneysel verilerle karşılaştırın. Hem simülasyon hem de deneyler için aynı parametreler ve ayarlar kullanıldı.

2. Modelin komut dosyası oluşturma

NOT: Burada, kaynak hızı, hareket uzunluğu ve net enerji giriş hızı olmak üzere üç kaynak parametresi parametrelendirilmiştir.

1. Duyarlılık analizine dayalı olarak modeli basitleştirin.
   NOT: Modeldeki kaynak dikişi takviyesinin yüksekliğinin dahil edilmesinin veya hariç tutulmasının etkisinin hassasiyet analizine göre, modeldeki kaynak dikişi takviyesinin yüksekliğinin dahil edilmesi veya hariç tutulmasının etkisi, BD hattı boyunca gerilme dağılımını önemli ölçüde etkilememiştir. Bu nedenle, simülasyonda boncuk oluşturma adımları atlanabilir.
2. Açık Thermal_recording.py. HeatTransferStep'i arayarak adımı tanımlamak için kodları bulun. Kaynak adımı için belirli zaman periyodu değerini bead_length/kaynak hızı ifadesi ile değiştirin.
3. Giriş dosyasını oluşturmak için kodları bulun. Belirli adı T-Heat_input-welding_speed-travel_length ifadesiyle değiştirin.
4. Açık Mechanical_recording.py. HeatTransferStep'i arayarak adımı tanımlamak için kodları bulun. Kaynak adımı için belirli zaman periyodu değerini bead_length/kaynak hızı ifadesi ile değiştirin.
5. Giriş dosyasını oluşturmak için kodları bulun. Belirli bir adı M-Heat_input-welding_speed-travel_length ifadesiyle değiştirin.
6. Dahil edilen Ek Kodlama Dosyası 1'deki 1-408 satırlarını kullanarak termal ve mekanik analiz için giriş dosyaları oluşturmak için kodu birleştirin.
7. Bağımsız değişken listesinin biçimlerini tanımlayın ve dahil edilen Ek Kodlama Dosyası 1'deki 410-459 satırlarını kullanarak termal ve mekanik analizler için giriş dosyaları oluşturmak için işlevleri çağırın. Termal analizler için tüm giriş dosyaları Thermal_input_files klasörde saklanacak ve mekanik analizler için tüm giriş dosyaları çalışma dizini altındaki Mechanical_input_files klasörde saklanacaktır.
8. Son python dosyasını oluşturun (Ek Kodlama Dosyası 1).
   NOT: Komut dosyasının sağlamlığını artırmak için, dizi seçmek için kullanılan getSequenceFromMask adlı tüm varsayılan işlevler, findAt adı verilen koordinat tabanlı dizi seçme işleviyle değiştirildi.

3. Veri oluşturma

1. Hem termal analizler hem de mekanik analizler için giriş dosyaları oluşturmak üzere Abaqus komut satırında Tamamlayıcı Kodlama Dosyası 1'i çalıştırın. Ek Kodlama Dosyası 2 ve Tamamlayıcı Kodlama Dosyası 3'ü Thermal_input_files klasörüne kopyalayın.
2. DFLUX alt yordamını farklı kaynak giriş dosyası adlarına göre değiştirmek ve işleri göndermek üzere kabuk komut dosyalarını çalıştırmak için komut satırına qsub Run_thermal yazın.
3. Ek Kodlama Dosyası 4'ü Mechanical_input_files klasörüne kopyalayın. Mekanik analiz için giriş dosyalarını farklı kaynak giriş dosyası adlarına göre değiştirmek ve işleri göndermek için övgü satırına qsub Run_mechanical yazın.
4. Tamamlayıcı Kodlama Dosyası 5'i Mechanical_input_files klasörüne kopyalayın ve bu komut dosyasını komut satırında çalıştırın. Ardından, hedef çizgideki noktalar için gerilim değeri içeren csv dosyaları oluşturun.

4. Vekil model geliştirme

1. Ek Kodlama Dosyası 6'da bulunan 1-17 arasındaki satırları kullanarak kitaplıkları yükleyin. Ek Kodlama Dosyası 6'da bulunan 378. satırı kullanarak rastgele tohumu düzeltin.
2. Ek Kodlama Dosyası 6'da bulunan 381-382 satırlarını kullanarak eğitim veri kümesinin ve test veri kümesinin yolunu belirtin.
3. Ek Kodlama Dosyası 6'da bulunan 385. satırı kullanarak veri kümesini önceden işleyin. Ön işleme, eşit aralıklı örnekleme, normalleştirme ve eğitim ve test kümesi bölmeyi içerir.
4. Dahil edilen Ek Kodlama Dosyası 6'daki (İsteğe Bağlı) 387-397 satırlarını kullanarak Bayes optimizasyonunu kullanarak hiper parametre ayarlaması gerçekleştirin.
5. Dahil edilen Ek Kodlama Dosyası 6'daki (İsteğe Bağlı) 399-401 satırlarını kullanarak GridsearchCV'yi kullanarak çapraz doğrulama ile hiper parametre ayarlaması gerçekleştirin.
6. Bir vekil model oluşturun ve dahil edilen Ek Kodlama Dosyası 6'daki 404-405 satırlarını kullanarak test veri kümesi üzerinde tahmin edin.
7. Birlikte verilen Ek Kodlama Dosyası 6'daki 406-410 satırlarını kullanarak tahmin için MSE'yi hesaplayın ve yazdırın.
8. Birlikte verilen Ek Kodlama Dosyası 6'daki 414-416 satırlarını kullanarak vekil modeli kaydedin.
9. Dahil edilen Ek Kodlama Dosyası 6'daki 419-420 satırlarını kullanarak test veri kümesindeki simülasyon verilerine karşı ANN tahminlerini çizin.
10. Dahil edilen Ek Kodlama Dosyası 6'daki 423. satırı kullanarak test veri kümesinde genel bir performans haritası çizin.

Results

Ark hareket uzunluğu, ark ilerleme hızı ve net enerji giriş hızının farklı kombinasyonları kullanılarak bir dizi FE simülasyonu çalıştırıldı. Eğitim seti için yay hareket uzunluğu için kullanılan değer aralığı 40 mm, 50 mm, 60 mm, 70 mm ve 80 mm idi. Ark ilerleme hızı için kullanılan değer aralığı 2 mm/s, 2,5 mm/s, 3 mm/s, 3,5 mm/s ve 4 mm/s idi. Net enerji giriş hızı için kullanılan değer aralığı 1000 W, 1500 W, 2000 W, 2500 W ve 3000 W idi. Test seti için, yay hareket uzunluğu için kullanılan değer aralığı 40 mm, 50 mm, 60 mm, 70 mm ve 80 mm idi. Yay ilerleme hızı için kullanılan değer aralığı 2,25 mm/sn, 2,75 mm/sn, 3,25 mm/sn ve 3,75 mm/sn idi. Net enerji giriş hızı için kullanılan değer aralığı 1250 W, 1750 W, 2250 W ve 2750 W idi. Bu 205 simülasyonun BD çizgisi boyunca boylamsal gerilmeler toplanmış ve Şekil 2'de gösterilmiştir. Bu sonuç daha önce²⁵ yılında yayınlanmıştı. Özellikle, iş akışının etkinliğini doğrulamak için bu çalışmada vaka çalışması sonuçları kullanılmaktadır. Bu araştırma, kaynak simülasyonunda uygulanan özel ayarların kapsamlı bir açıklamasını sağlayarak ve genel kaynak simülasyonu için kullanılan Python komut dosyası oluşturma metodolojisini detaylandırarak önceki araştırmaların ötesine uzanmaktadır.

Geliştirilen ANN modeli deney seti üzerinde tahmin yapmak için uygulanmıştır. Model tahmini ile FE simülasyonu arasındaki tutarsızlık Şekil 3'te gösterilmektedir. 1680 test noktasından, simüle edilen sonlu elemanlar analizi ile YSA'nın tahmin ettiği gerilim değerleri arasındaki farkların çoğu (759 olay), verilerin E,2'sini oluşturan 0-2 MPa aralığındadır. Fark arttıkça frekans azalır ve çok az veri noktası 10 MPa'dan daha büyük farklar gösterir. Farklı simüle edilmiş gerilim seviyeleri için simüle edilmiş gerilim ile tahmin edilen gerilim arasındaki mutlak tutarsızlıkların dağılımını göstermek için Şekil 4'te bir kutu grafiği gösterilmiştir. Her kutu, simüle edilmiş gerilim seviyelerinin belirli bir kutusu içindeki artıkların çeyrekler arası aralığını temsil eder ve kutunun içindeki çizgi medyan değeri gösterir. İkincil y eksenindeki histogram, her bir stres düzeyi bölmesi içindeki eğitim veri noktalarının sayısını gösterir ve modeli eğitmek için kullanılan veri dağılımı hakkında ek bağlam sağlar. Şekilde gösterildiği gibi, daha az eğitim veri noktasına sahip stres seviyesi kutuları, test veri kümesinde daha yüksek maksimum tutarsızlıklar sergileme eğilimindedir. Bu bölgelerdeki performans, bu stres seviyeleri için mevcut olan eğitim verilerinin miktarını artırarak potansiyel olarak iyileştirilebilir.

Tahmine dayalı performansı ölçmek için Ortalama Kare Hata (MSE) kullanılmıştır ve MSE performans göstergeleri için ifade şu şekildedir:

burada Y_I , I'inci numune noktası için standardizasyonu tersine çevirmeden önceki gerilim değeridir, I'inci numune için standardizasyonu tersine çevirmeden önce tahmin edilen gerilim değeridir ve N, toplam numune sayısıdır.

ANN'nin stres tahmini, 0.0024'lük bir MSE ile FE simülasyon sonuçlarına çok yakındı. Seçilen dört test senaryosuna ilişkin tahminler Şekil 5'te gösterilmiştir; bu dört test durumu için ısı girişi sırasıyla 333 J/mm, 538 J/mm, 692 J/mm ve 1222 J/mm'dir. Tüm bu dört durum arasında, ANN tahminleri genel olarak FE simülasyon sonuçlarıyla iyi bir uyum gösteriyor. Bununla birlikte, kaynak hızının 50 mm hareket uzunluğu ve 2750 W net enerji giriş hızı ile 2,25 mm/sn olduğu veya kaynak hızının 40 mm hareket uzunluğu ve 1250 W net enerji giriş hızı ile 3,75 mm/sn olduğu senaryolarda, BD çizgisinin altında (17 mm derinliğe yakın) nispeten büyük tutarsızlıklar gözlenir. Bu tutarsızlıklar, bu bölgeyi yöneten kuralların artan karmaşıklığına bağlanabilir ve bu da bu belirli parametre uzayı bölgeleri içinde daha karmaşık bir manifold ile sonuçlanır. Olası bir çözüm, bu alandaki eğitim veri setinin yoğunluğunu artırmak olabilir.

Şekil 1: İş akışı. Önerilen iş akışının dört adımı vardır (mavi bloklarla belirtilmiştir): temel FE model oluşturma, komut dosyası oluşturma, veri oluşturma ve vekil model geliştirme. Turuncu bloklar her adımın girdisini, yeşil bloklar ise her adımın çıktısını temsil eder. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 2: Oluşturulan veri kümesi. Her biri benzersiz bir hareket uzunluğu, net enerji giriş hızı ve kaynak hızı kombinasyonuna karşılık gelen toplam 205 uzunlamasına gerilim verisi seti gösterilmektedir. Her set içinde, BD çizgisi boyunca farklı düğümler için 20 veri noktası çizilir. Kümeler arasında ayrım yapmak için, her biri net ısı giriş hızına karşılık gelen farklı bir renkle temsil edilir. Bu değer, net enerji giriş hızının kaynak hızına bölünmesiyle hesaplanabilir. Bu rakam^25'ten değiştirildi. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 3: FE simülasyon sonuçları ile ANN tahminleri arasındaki tutarsızlığın sıklığı. FE simülasyon sonuçları ile test veri setindeki ANN tahminleri arasındaki farklar 10 seviyeye ayrılmıştır. Çizim içi ek açıklamalar, test durumlarındaki her bir fark düzeyi için oluşumların sıklığını ve yüzdesini gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 4: Ortalama mutlak artıkların ve eğitim veri setinin farklı stres seviyelerine dağılımı. Kutu grafiği, farklı simüle edilmiş stres seviyeleri için simüle edilmiş gerilim ile tahmin edilen gerilim arasındaki mutlak tutarsızlıkların dağılımını açıklar. Her kutunun içindeki turuncu çizgi, mutlak tutarsızlıkların orta noktasını gösteren medyanı temsil eder. Her kutunun yüksekliği, verilerin ortadaki P'sini (25. ile 75. yüzdebirlik dilim arasında) kapsayan ve tutarsızlıkların değişkenliğini yansıtan çeyrekler arası aralığa karşılık gelir. Bıyıklar, minimum ve maksimum tutarsızlık değerlerini göstermek için kutudan uzanır. Mavi histogram, egzersiz veri kümesindeki her bir stres düzeyine karşılık gelen egzersiz veri noktalarının sayısını gösterir. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Şekil 5: Simülasyon sonuçları ile YSA'nın tahmin ettiği sonuçlar arasındaki karşılaştırma. Bu şekilde (A) kaynak hızı 3.75 mm/sn, hareket uzunluğu 40 mm ve net enerji giriş hızı 1250 W olmak üzere dört test durumu gösterilmiştir; (B) kaynak hızı 3,25 mm/sn, hareket uzunluğu 60 mm ve net enerji giriş hızı 1750 W'tır; (C) kaynak hızı 3,25 mm/sn, hareket uzunluğu 50 mm ve net enerji giriş hızı 2250 W'tır; ve (D) kaynak hızı 2,25 mm/sn, hareket uzunluğu 50 mm ve net enerji giriş hızı 2750 W'tır. Tüm test senaryolarındaki en dikkate değer tutarsızlık, test senaryosunda (D) üst yüzeyden 19.4 mm derinlikte 17 MPa'lık bir fark gösteren mavi bir kutu ile vurgulanır. Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.

Tablo 1: Kaynak numunesi, arıtma ağ bölgesi ve boncuk için geometri bilgileri. Dikdörtgen kaynak numunesinin uzunluğu, genişliği ve derinliği ve arıtma ağı bölgesi tabloda listelenmiştir. Kaynak dikişinin boyutları bir eskiz ile gösterilmiştir. Modelleme sürecinde, modelin sadece yarısı oluşturulduğu için genişlik yarıya indirilmelidir. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 2: AISI 316LN'nin malzeme özellikleri¹⁴. Yoğunluk ve Poisson Oranı sıcaklıktan bağımsız olarak ele alınır ve diğer fiziksel özellikler sıcaklığa bağlı olarak ele alınır. Bu Tabloyu indirmek için lütfen buraya tıklayın.

Tablo 3: AISI 316LN^24'ün plastik mekanik özellikleri. Sıcaklığın bir fonksiyonu olarak AISI 316LN paslanmaz çeliğin mekanik özellikleri; sıfır plastik gerinimde akma gerilimi; kinematik sertleşme parametreleri (C1, Gama 1, C2, Gama 2); izotropik sertleşme parametresi (Q-inf); ve sertleştirme parametresi (b). Bu Tabloyu indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 1: Create_input_files.py Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 2: Run_thermal Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 3: DFLUX.for Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 4:Run_Mechanical Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 5: extract_data.py Bu Dosyayı indirmek için lütfen buraya tıklayın.

Ek Kodlama Dosyası 6: ANN_development.py Bu Dosyayı indirmek için lütfen buraya tıklayın.

Discussion

Bu çalışma, sonlu eleman simülasyonlarından veri üretimini otomatikleştirmek ve kaynak süreçlerindeki kritik sonuçları tahmin etmek için yapay sinir ağları gibi makine öğrenimi tabanlı vekil modelleri eğitmek için bir iş akışı sunmaktadır. İlk olarak, protokol, güvenilir sonuçlar için tutarlı bir çerçeve oluşturmak için standart bir kaynak sonlu eleman simülasyonu oluşturmayı içerir. Simülasyon sonuçları, doğruluğu sağlamak için deneysel verilere göre analiz edilir ve doğrulanır. İkinci olarak, simülasyonun ön işlemesini ve son işlemesini gerçekleştirebilen komut dosyaları, makro işlevi kullanılarak kaydedilen komut dosyalarına dayalı olarak geliştirilir. Üçüncü olarak, oluşturulan betikler kullanılarak büyük veri kümeleri oluşturulur. Son olarak, olağanüstü performansını gösteren bir vekil model geliştirilir ve test edilir. Bu metodoloji, veri kümesi oluşturma sürecinin verimliliğine katkıda bulunarak tekrarlayan manuel yapılandırmalara olan ihtiyacı ortadan kaldırır. Veriye dayalı vekil modellerin geliştirilmesinde veri kümesi oluşturmanın önemli rolünü kabul eden ana hatlarıyla belirtilen iş akışı, vekil model geliştirme sürecini hızlandırmaya hizmet eder. Sonuç olarak, sunulan metodoloji, kaynak simülasyonları bağlamında veriye dayalı vekil modellerin geliştirilmesini kolaylaştırmak için değerli bir kaynak olarak durmaktadır.

Protokolde, birkaç kritik adım, nihai vekil modelin performansını önemli ölçüde etkiler. Adım 1.2.9'da, kararlı yakınsama ve doğru simülasyon sonuçları elde etmek için kaynak modelinin yeterince ince ağ elemanları içerdiğinden emin olmak önemlidir. Adım 1.5.3'te, standart sonlu elemanlar modelinin kalibre edilmesi, ısı kaynağı modeli parametrelerinin seçiminin uygunluğunu artırır ve simülasyonun doğruluğunu artırır. Adım 4.4 ve 4.5'te, en uygun model konfigürasyonunu belirlemek ve böylece vekil modelin performansını artırmak için uygun hiper parametre ayarlaması çok önemlidir.

Geliştirilen ANN vekil modelinin performansı değerlendirilmiş ve genel olarak iyi performans gösterdiği tespit edilmiştir. Bu çalışmada geliştirilen vekil modelin doğruluğu, çok sınırlı verilere dayanan önceki girişimlerden daha büyüktür^19,23. Vaka çalışmasında, geliştirilen vekil model, üç temel kaynak parametresini içeren tek bir kaynak dikişi plaka üzerinde konfigürasyonda uzunlamasına gerilimi tahmin etmek için özel olarak tasarlanmıştır: kaynak hızı, hareket uzunluğu ve net enerji giriş hızı. Modelin hem girdilerinin hem de çıktılarının son derece uyarlanabilir olduğuna dikkat etmek önemlidir. Örneğin, girişlere ek kaynak parametreleri veya malzeme özellikleri dahil edilebilir ve çıkışlar, daha geniş bir uygulama yelpazesi için çok yönlü bir çerçeve sunarak tüm artık gerilim bileşenlerini veya yer değiştirmeyi kapsayacak şekilde genişletilebilir.

Vekil modeli oluşturmak için kullanılan algoritmaya gelince, görevlere göre de değiştirilebilir. YSA'ların ekstrapolasyon için bazı sınırlamaları vardır. YSA'ların aksine, destek vektör makineleri (SVM'ler) gibi diğer makine öğrenimi algoritmaları, eğitim verilerinin yapısıyla sınırlı değildir ve daha iyi bir ekstrapolasyon yeteneğine sahiptir. Önceki çalışmalar 18,19,20, kalıntı stresi tahmin etmek için SVM'leri kullanmaya çalışmış ve bir miktar başarı elde etmiştir. Bununla birlikte, SVM hiperparametrelerini ayarlamanın daha zor olabileceğini ve SVM'lerin ANN'lere kıyasla enterpolasyon görevlerinde her zaman iyi performans göstermeyebileceğini unutmamak önemlidir. YSA'ların bir başka sınırlaması, YSA'ların doğrudan kullanımının mühendislerin endişesi olan bir inanç aralığı oluşturamamasıdır. Bu nedenle, Gauss Süreci Regresyonu²⁶ ve Bayes Sinir Ağları²⁷ gibi diğer algoritmalar düşünülebilir. Ayrıca, ANN modeli artık gerilmeleri tahmin etmede iyi performans gösterse de, yorumlanabilirlikten yoksundur. Bu yorumlanabilirlik eksikliği, modelin karar verme sürecini anlamanın çok önemli olduğu mühendislik uygulamalarında bir dezavantaj olabilir. Modelin yorumlanabilirliği, karar ağaçları gibi daha açıklayıcı modellerin entegre edilmesiyle geliştirilebilir.

Sonuç olarak, bu çalışmada önerilen iş akışı, genel veya özel kaynak simülasyonu vekil modellerinin geliştirilmesini önemli ölçüde hızlandırabilecek veri kümelerinin hızlı ve kolay bir şekilde oluşturulmasını sağlar.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
Abaqus	Dassault Systems	2020
Intel Fortran Derleyici	Intel Corporation	17.0.7
Keras	Açık Kaynak	2.6.0
Python	Açık Kaynak	3.8.18