焊接件冷却下来时,残余应力会在部分内部形成.焊接的结构性能在很大程度上取决于焊接过程的参数,如热输入、焊接路径和夹具设计。模拟可以对焊接过程进行建模,以计算焊接海底零件的残余应力分布和变形。本文阐述了人工智能(AI)和机器学习是如何促进焊接分析和优化的。
由于不同的参数如此之多,使用模拟的全面设计空间探索可能会非常耗时。这意味着,工程师们常常不得不通过试验和错误来找到一种能生产出足够质量部件的焊接工艺。机器学习,利用深入学习神经网络训练模拟结果,可以显著加快焊接优化。
演示中使用的焊接装置
上面的图片显示了一个简单的焊接优化的例子,使用两个镍基高温合金板在625测量200x100x5毫米。焊接模拟利用Abaqus对于连续耦合热机械分析,采用添加剂制造(AM)过程模拟接口灵活定义焊接路径、参数和热流分布。生成了80个不同焊接功率(400-600千瓦)、速度(0.5-1.0米/秒)和火炬角(30-90度)的模拟数据集。其中64个用于训练基于神经网络的AI模型,其余16个用于测试它。
经过训练的神经网络是焊接过程的替代模型。一旦训练,它几乎可以立即计算新的参数的三维变形和残余应力,这意味着速度超过10万比单模拟。该模型可产生许多不同类型的结果,包括熔池形状、温度分布、变形和残余应力。该模型具有良好的精度,最大变形误差约为0.1%。
机器学习温度场和熔池演化试验预测(左)及参考FEA模拟结果(右)
代理模型的结果也可以作为进一步模拟的输入。例如,从深学习模型得到的温度分布可用于热应力FEA模拟。这样,机器学习和人工智能就成为多尺度、多物理分析的有力工具。
结论
利用人工智能和机器学习支持仿真,工程师不仅可以分析电子焊的完整性,而且可以快速有效地优化焊的性能。这使工程师能够提高接头的完整性,并帮助确保达到安全和质量目标。
