01 はじめに
レーザー深溶け込み溶接のマルチフィジックス連成解析では、金属蒸気の反動圧力によって駆動されるキーホール壁の高周波変動と光誘起プラズマの相互作用メカニズムを正確に記述することは、質量、運動量、エネルギー保存方程式の同時解法に厳密に依存します。-従来の数値流体力学（CFD）は、高密度の離散グリッドと適応型タイムステッピング アルゴリズムを構築することで、高忠実度の過渡流体挙動を捉えることができますが、本質的にはナビエ ストークス方程式に基づく強引な解法戦略です。{{4}計算ドメイン グリッドのレイノルズ数が増加すると、計算コストが指数関数的に増大し、1 回の高忠実度 3 次元過渡シミュレーションには数日かかることがよくあります。{9}}この計算上の障壁により、大規模なプロセス ウィンドウの反復的な最適化が大幅に制限されます。-一方、機械学習は、高次元のプロセスパラメータ空間から物理応答空間への非線形マッピングを構築でき、複雑な偏微分方程式の離散化プロセスをバイパスして効率を大幅に向上させることができますが、その「ブラックボックス」の性質により、物理的な解釈可能性の欠如と不十分な一般化機能が発生します。純粋なデータ駆動モデル-は、物理保存則の制約から切り離されると、データが不足している状況下で予測結果の自己一貫性を保証するのに苦労します。-
したがって、レーザー溶接数値シミュレーションにおける現在の最先端の方向性は、単一の計算手法の選択に限定されなくなり、機械学習と CFD の緊密な統合へと移行しています。-メモリ相互作用 (PyFluent) や物理情報に基づいたニューラル ネットワーク (PINN) などの結合アーキテクチャを確立することで、物理メカニズムを深く調査する CFD の機能と、幅広いパラメータにわたる機械学習の効率的なスキャン機能を組み合わせることが目的です。このアプローチでは、機械学習のオンライン推論の利点を活用しながら、CFD によって提供される高品質で物理的に一貫したデータを利用し、従来の数値シミュレーションにおける精度と効率の間の固有の矛盾に対する体系的なエンジニアリング ソリューションを提供します。-
02 溶接予測における機械学習の開発 溶接数値シミュレーション分野における機械学習の開発は、学術コミュニティ内でのデータ物理関係の理解の深まりを反映しています。{1}その技術進化は主に 3 つのレベルに従い、単純なデータ フィッティングからデータと物理メカニズムの深い統合への飛躍を徐々に達成しています. 2.1静的内挿と線形回帰機械学習を溶接数値シミュレーションに適用するための主要な次元削減戦略として、サロゲート モデルは、限られた高忠実度の有限要素 (FEM) 計算結果セットをトレーニング セットとして使用します。-人工ニューラル ネットワーク (ANN) やガウス プロセス回帰 (GPR) などのアルゴリズムを利用して、入力プロセス パラメーターと出力品質指標 (溶接深さや気孔率など) の間の関数関係を構築します。この方法は本質的に、高次元空間における統計的補間です。-非常に高い予測効率を達成できますが、そのモデル コアには熱流体制御方程式のサポートがなく、ブラック ボックス特性を示します。-この制限により、このようなモデルは定常状態の結果予測にのみ適しています。-プロセスパラメータがトレーニングデータの凸包範囲から外れると、物理的制約がないために汎化精度が急激に低下し、複雑で変化する実際の溶接条件に適応することが困難になります。さらに、エネルギーと質量保存の法則の制約から完全に切り離されているため、サンプルが少ない条件下では、基本的な物理ロジックに違反する一貫性のない予測結果が出力される傾向があり、重大な信頼性リスクを引き起こします。
2.2 溶接プロセスの動的シミュレーション: レーザー溶接におけるキーホールの崩壊やスパッタなどの一時的な不安定性に対処するため、研究は徐々に高速写真と X 線撮影データを組み合わせたディープラーニング アーキテクチャに移行してきました。-典型的な畳み込みニューラル ネットワーク + 長短期記憶ネットワーク (CNN+LSTM) モデルは、溶融池画像の空間特徴と時間発展パターンを抽出することにより、過渡的挙動のエンドツーエンドの動的予測を実現し、動的プロセスの捕捉におけるサロゲート モデルの制限をある程度補います。--ただし、この手法は観測データの完全性によって制限されます。複数のセンサーを使用する場合でも、実験データは本質的には 3 次元流れ場の 2 次元平面への投影またはローカル サンプリングです。-流体力学の原理による制約がなければ、表面の視覚情報だけから複雑な三次元流れ場を再構成することは困難です。-既存のモデルは表面流れの現象学的特徴を捉えることはできますが、エネルギーと運動量の伝達という基本的な観点から溶接欠陥形成の根底にあるメカニズムを説明するのに苦労しています。
2.3 物理-情報に基づく回帰: 純粋なデータ駆動型モデルの解釈可能性の危機に対処するために、-物理-情報に基づくニューラル ネットワーク (PINN) が登場しました。このアーキテクチャは、単に観測データを当てはめるのではなく、ナビエ-ストークス方程式と過渡熱伝導方程式の残差項を正則化制約としてモデルの損失関数に埋め込みます。トレーニング プロセスは基本的に、観察されたデータに適合し、物理保存則を満たす最適なソリューションをパラメーター空間で検索します。理論的には、物理方程式の厳格な制約により、実験観測で欠落しているデータ次元を効果的に補うことができ、モデルが潜在空間内の物理的に一貫した内部圧力勾配と速度場を推測できるようになります。しかし、エンジニアリングの実践では、この方法が深刻な課題に直面していることが示されています。データ勾配と物理的残留勾配の大きさの違いにより、ネットワークの収束が容易に困難になる可能性があります。また、高次導関数の正確な計算に必要な高密度のコロケーション ポイントにより、トレーニング コストが大幅に増加し、一部の高周波過渡問題では機械学習の効率上の利点が相殺されることもあります。-
03 機械学習と CFD の比較と共同シミュレーション: レーザー溶接の数値シミュレーションにおける機械学習と従来の数値流体力学 (CFD) の有効性の違いを明確にし、それぞれの適用可能なシナリオと核となる価値を理解するために、5 つの核となる次元 (計算コスト、精度と分解能、機構の説明、汎化能力、適用可能なシナリオ) から体系的な比較分析を実施しました。この分析により、以下に詳述するように、2 つの方法の長所と短所、およびそれらの補完関係が明らかになります。
レーザー溶接の数値シミュレーションと機械学習の従来の組み合わせでは、通常、オフライン モードが使用され、CFD 計算とモデル トレーニングが別のステップで実行されます。このプロセスは、ハード ドライブ上の大量のデータの広範な読み取り、書き込み、フォーマット変換に依存しているため、データ フローが非効率になり、リアルタイムの閉ループ制御研究をサポートすることが困難になります。-- PyFluent- ベースのカップリング アーキテクチャは、Python インターフェースを利用して ANSYS Fluent ソルバーを呼び出し、gRPC プロトコルを利用して計算カーネルと外部アルゴリズムの間のメモリ レベルでの直接対話を実現します。この結合方法は、独立した CFD ソルバーを Python スクリプトで呼び出せる計算オブジェクトに変換します。これにより、深層学習アルゴリズムが流れ場データを直接読み取り、解決プロセスを制御できるようになり、高{6}}忠実度のプロセス-物理場マッピング関係を確立するための統合エンジニアリング パスが提供されます。このアーキテクチャの具体的な実装には、動的パラメータ更新と流れ場データのオンライン抽出という 2 つの重要な側面が含まれています。パラメータ制御の観点から、この方法は静的直交配列 (DOE) に基づく従来の離散サンプリング モードを放棄します。 Python 側でベイジアン最適化または強化学習アルゴリズムを使用すると、レーザー出力や溶接速度などの次のプロセス変数セットが、現在のモデルの予測偏差または探索戦略に基づいて自動的に計算され、ソルバーの境界条件が PyFluent インターフェイスを通じてリアルタイムで変更されます。このメカニズムにより、物理的応答が大幅に変化するパラメータ領域や予測の不確実性が高いパラメータ領域に計算リソースを集中させることができ、サンプル点の適応的な生成が可能になります。
データ転送に関しては、従来の ASCII ファイル エクスポート プロセスを置き換えるためにメモリ共有メカニズムが使用されました。 Fluent でのタイムステップの反復中、Python スクリプトは field_data インターフェイスを介してソルバーのメモリに直接アクセスして、溶融池領域の温度、体積分率、および速度場のデータを抽出し、それらをニューラル ネットワークへの入力用の NumPy 配列またはテンソルに変換できます。このリアルタイム データ フローにより、CFD 計算の合間にモデルのオンライン トレーニングと変更が可能になり、物理場の進化とデータ駆動型モデリングの同期操作が実現されます。-
PyFluent を機械学習ワークフローに統合すると、シミュレーション モデリングの深さが強化されますが、エンジニアリング実装に新たな課題も生じます。技術的な観点から見ると、メモリ レベルのデータ インタラクションにより、サンプルの品質と計算効率が向上します。{1}ソルバーのメモリから浮動小数点データを直接抽出すると、テキスト形式の変換によって発生する切り捨てエラーが回避され、元の計算精度が維持されます。これは、鍵穴の壁の微細な変動などの非常に敏感な特徴を捕捉するために非常に重要です。さらに、このアーキテクチャはプロセス制御検証機能を提供し、シミュレーション タイム ステップ間に制御ロジックを埋め込んで「溶融池モニタリング - パラメータ決定 - 電力調整」の閉ループ プロセスをシミュレートできるようにします。これにより、インテリジェントな溶接制御戦略の実現可能性を数値レベルで検証できます。
04 このセクションでは、レーザー溶接の数値シミュレーションにおける機械学習の役割を要約します。主に、従来の CFD の物理メカニズムとデータ基盤を活用して、複数の物理分野の計算における計算効率が低いという問題に対処することに焦点を当てています。-今後の研究は、物理学とデータの統合に焦点を当てる予定です。まず、PyFluent インターフェースを使用してソルバー メモリ レベルで動的な相互作用を実現し、機械学習と CFD の同期操作のためのオンライン結合フレームワークを確立します。これにより、データ送信の遅延と従来のオフライン モードでの閉ループ制御の欠如の問題に対処します。- 2 番目に、物理情報に基づいたニューラル ネットワーク (PINN) を適用して、質量、運動量、エネルギー保存方程式をアルゴリズムの制約に組み込み、物理的一貫性を欠く純粋なデータ駆動型モデルの欠点を修正します。-これらの手法を通じて、オフライン予測から高忠実度のリアルタイム デジタル ツイン化へのレーザー溶接数値シミュレーションの変革を達成することが目的です。-
