Abaqus使用机器学习优化焊接完整性

当焊接零件冷却时，零件内会形成残余应力。焊缝的结构性能在很大程度上取决于焊接工艺的参数，例如热输入、焊接路径和夹具设计。仿真可以对焊接过程进行建模，以计算焊接潜艇零件内的残余应力分布和变形。本文介绍了如何使用人工智能 （AI） 和机器学习来加速焊缝的分析和优化。

由于要变化的参数如此之多，使用仿真进行完整的设计空间探索可能非常耗时。这意味着工程师经常不得不反复试验才能找到一种可以生产出足够质量零件的焊接工艺。机器学习使用根据仿真结果训练的深度学习神经网络，可以显著加快焊接优化速度。

本演示中使用的焊接设置。

上图显示了一个简单的焊接优化示例，使用两块镍基高温合金 IN625 板，尺寸为 200 × 100 × 5 毫米。焊接模拟利用Abaqus 软件进行顺序耦合热机械分析，采用增材制造 （AM） 工艺仿真界面灵活定义焊接路径、参数和热通量分布。生成了 80 个模拟数据集，这些模拟具有不同的焊接功率 （400-600 kW）、速度 （0.5-1.0 m/s） 和焊枪角度 （30-90 度）。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充当焊接过程的代理模型。训练后，它几乎可以立即计算新参数的 3D 变形和残余应力，与单独仿真相比，速度提高了 100,000% 以上。该模型可以生成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。替代模型显示出出色的精度，与参考仿真相比，最大变形误差约为 0.1%。

机器学习预测的温度场和熔池演变测试（左）和参考 FEA 仿真结果（右）

代理模型的结果也可以用作进一步模拟的输入。例如，深度学习模型的温度分布可用于热应力 FEA 仿真。通过这种方式，机器学习和 AI 成为多尺度、多物理场分析的强大工具。

结论

使用 AI 和机器学习来支持仿真，工程师不仅可以分析焊缝的完整性，还可以快速有效地优化焊缝的特性。这使工程师能够提高接头的完整性，并帮助确保满足安全和质量目标。