Name: Kaynakta Dijital Deneyler için Vekil Model Geliştirme (Video) | JoVE Journal
Uploaded: 2025-03-28T13:30:00.000+00:00
Duration: 9 min 17 s
Description: Öğrenin kaynakta dijital deneyler için yapay sinir ağı tabanlı vekil model geliştirme yöntemini. Python betikleriyle otomatik veri üretimi ve makine öğrenimi kullanarak kaynak simülasyonlarında artık gerilme tahmini yapın.

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

<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>

<table><tbody><tr><td>Abaqus</td><td>Dassault Systems</td><td>2020</td><td></td></tr><tr><td>Intel Fortran Derleyici</td><td>Intel Corporation</td><td>17.0.7</td><td></td></tr><tr><td>Keras</td><td>Açık Kaynak</td><td>2.6.0</td><td></td></tr><tr><td>Python</td><td>Açık Kaynak</td><td>3.8.18</td><td></td></tr></tbody></table>

kaynakta dijital deneyler için vekil model geliştirme

Surrogate Model Development for Digital Experiments in Welding

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:
<img alt="Equation 1" src="/files/ftp_upload/67576/67576eq01.jpg" style="margin: auto;">
burada YI , I'inci numune noktası için standardizasyonu tersine çevirmeden önceki gerilim değeridir, <img alt="Equation 2" src="/files/ftp_upload/67576/67576eq02.jpg" style="margin: auto;"> 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.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/67576/67576fig01.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig01large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/67576/67576fig02.jpg"> 
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 rakam25'ten değiştirildi. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig02large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/67576/67576fig03.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig03large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/67576/67576fig04.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig04large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/67576/67576fig05.jpg"> 
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. <a href="https://www.jove.com/files/ftp_upload/67576/67576fig05large.jpg" target="_blank">Bu rakamın daha büyük bir sürümünü görüntülemek için lütfen buraya tıklayın.</a>
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. <a href="https://www.jove.com/files/ftp_upload/67576/Table%201_RE.xlsx" target="_blank">Bu Tabloyu indirmek için lütfen buraya tıklayın.</a>
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. <a href="https://www.jove.com/files/ftp_upload/67576/Table2_RE.xlsx" target="_blank">Bu Tabloyu indirmek için lütfen buraya tıklayın.</a>
Tablo 3: AISI 316LN24'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). <a href="https://www.jove.com/files/ftp_upload/67576/Table3_RE.xlsx" target="_blank">Bu Tabloyu indirmek için lütfen buraya tıklayın.</a>
Ek Kodlama Dosyası 1: Create_input_files.py <a href="https://www.jove.com/files/ftp_upload/67576/Create_input_files.zip" target="_blank">Bu Dosyayı indirmek için lütfen buraya tıklayın.</a>
Ek Kodlama Dosyası 2: Run_thermal <a href="https://www.jove.com/files/ftp_upload/67576/Run_Thermal.zip" target="_blank">Bu Dosyayı indirmek için lütfen buraya tıklayın.</a>
Ek Kodlama Dosyası 3: DFLUX.for <a href="https://www.jove.com/files/ftp_upload/67576/DFLUX.zip" target="_blank">Bu Dosyayı indirmek için lütfen buraya tıklayın.</a>
Ek Kodlama Dosyası 4:Run_Mechanical <a href="https://www.jove.com/files/ftp_upload/67576/Run_Mechanical.zip" target="_blank">Bu Dosyayı indirmek için lütfen buraya tıklayın.</a>
Ek Kodlama Dosyası 5: extract_data.py <a href="https://www.jove.com/files/ftp_upload/67576/extract_data.zip" target="_blank">Bu Dosyayı indirmek için lütfen buraya tıklayın.</a>
Ek Kodlama Dosyası 6: ANN_development.py <a href="https://www.jove.com/files/ftp_upload/67576/ANN_development.zip" target="_blank">Bu Dosyayı indirmek için lütfen buraya tıklayın.</a>

Kaynakta Dijital Deneyler için Vekil Model Geliştirme

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

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

Research

JoVE Journal

Engineering

Mühendislik

Bu protokolün amacı, doğal cilde benzeyen üç boyutlu tam kalınlıkta bir cilt eşdeğeri oluşturmaktır. Özel olarak yapılmış bir otomatik yaralama cihazı ile, sterilitenin korunması altında hassas ve tekrarlanabilir yaralar oluşturulabilir.

Üç-boyutlu Tam Kalınlığı Deri Üretimi Eşdeğer ve Otomatik Yaralama

Temel mekanik testler için termoplastik kompozit kuponların ultrasonik kaynağı için basit bir prosedür açıklanmıştır. Bu ultrasonik kaynak işleminin temel özellikleri, basitleştirilmiş işlem hazırlığı için düz enerji yöneticilerinin kullanılması ve optimum işleme koşullarının hızlı bir şekilde tanımlanması için işlem verilerinin kullanılmasıdır.

Tek Bindirme Kesme Testi aracılığıyla Kaynaklı Eklemler Mekanik Karakterizasyonu için termoplastik kompozit Kuponlar Ultrasonik Kaynak

Bir ısmarlama endüstriyel ölçekli aparatı kullanılarak alüminyum döküm alaşımlarının oluşturan Enstrümante sıcak döner bir deneysel protokol sunulmuştur. termal ve mekanik etkileri dahil Deneysel hususlar otomotiv tekerleklerin tam ölçekli işleme misali yanı sıra, tartışılmıştır.

Cast Alüminyum Bileşenlerinin Sıcak Spinning için Deneysel Yöntem

Radyografik görüntü segmentasyon yöntemleri ve serbest biçimli yüzey modellemesi kullanılarak konik ışınlı bilgisayarlı tomografi veri setine ve ağız içi optik taramalara dayalı olarak üç boyutlu (3B) sanal hibrit modeller oluşturmak için bir iş akışı tasarlanmıştır. Rekonstrüktif dentoalveolar cerrahi prosedürlerin sanal olarak planlanması için dijital modeller kullanılır.

Rekonstrüktif Dentoalveolar Cerrahi Prosedürlerin Sanal Planlaması için Dijital Hibrit Model Hazırlama

Bu çalışma, teorilerin, kavramların ve formüllerin görselleştirilmesi, deneysel sürecin üç boyutlu (3-B) sanal test donanımlarıyla görselleştirilmesi ve grafikler ve kameralar gibi widget'lar kullanılarak kontrol ve izleme sisteminin görselleştirilmesi de dahil olmak üzere görselleştirilmiş deneyler sağlayan çevrimiçi bir deney sistemini açıklar.

Mühendislik Eğitimi ve Araştırması için İnteraktif ve Görselleştirilmiş Online Deney Sistemi

Bu çalışma, görselleştirilmiş deneysel süreçler sağlayan malzeme deformasyonu ve arızası için üç boyutlu bir sanal simülasyon deneyi sunmaktadır. Bir dizi deney sayesinde, kullanıcılar ekipmana aşina olabilir ve işlemleri sürükleyici ve etkileşimli bir öğrenme ortamında öğrenebilirler.

Mekaniğin Sanal Bir Simülasyon Deneyi: Taramalı Elektron Mikroskobuna Dayalı Malzeme Deformasyonu ve Arızası

Etkileşim deneyimi tasarımı ve kullanıcı gereksinimleri analizinin dahil edilmesiyle, tekrarlanabilirlik, güvenilirlik, pratiklik, hücresel bütünlük ve kullanıcı deneyimi açısından hücresel yara iyileşme testlerini geliştiren yenilikçi bir hücre kazıyıcı sunuyoruz.

Hücre yara iyileşme testinin güvenilirliğini artırmak için otomatik olarak stabil ve tekrarlanabilir hücresiz boşluklar oluşturan bir araç

Yaralar küresel bir sağlık sorununu temsil eder. Bu çalışma, yara ölçümü değişkenliğini en aza indirmek için dijital planimetri kullanan standart bir fotoğraf kabini geliştirdi. Farelerde yaraların 14 gün boyunca izlenmesi, yara alanı ve çevresinde başlangıçta bir artış olduğunu ve ardından kademeli olarak kapandığını ortaya koydu. Bu metodoloji, klinik öncesi modellerde yara kapatma kinetiğinin değerlendirilmesine yardımcı olabilir.

Bir Fare Modelinde Yara Kapanma Kinetiğini Değerlendirmek için Dijital Planimetri

Kaynak dikişlerinin neredeyse gerçek zamanlı metrolojisini elde etmek ve elde edilen geometriyi sonlu elemanlar analizi için otomatik olarak hazırlamak için bir süreç açıklanmaktadır.

Kaynak Boncuklarının Sonlu Elemanlar Analizi için Otomatik Lazer Tabanlı Geometri Yakalama

Doğal, düşük sıkma film sönümleme koşulları ve uzun yerleşme zamanlarda saçak alan elektrostatik MEMS aktüatörler sonuçlarının cihaz sağlam tasarımı, geleneksel adım toplamanın kullanarak geçiş işlemleri yaparken. Arasında geçiş yaparken DC-dinamik dalga ile zaman iyileşme anahtarlama Gerçek-zamanlı saçak-alan yerleşme zamanını azaltır aktüatörler MEMS için aşağı-yukarı ve aşağı-yukarı devletler.

Real-Time DC-dinamik Öngerilimlenmesi Yöntem Ciddi Underdamped saçak-alanında Elektrostatik MEMS Eyleyiciler Zaman İyileştirme Anahtarlama

Öğrenin kaynakta dijital deneyler için yapay sinir ağı tabanlı vekil model geliştirme yöntemini. Python betikleriyle otomatik veri üretimi ve makine öğrenimi kullanarak kaynak simülasyonlarında artık gerilme tahmini yapın.

Kaynakta Dijital Deneyler için Vekil Model Geliştirme

Daha fazla video keşfet