當焊接零件冷卻時，零件內會形成殘餘應力。焊接的結構性能在很大程度上取決於焊接製程的參數，例如熱輸入、焊接路徑和夾具設計。模擬可以對焊接過程進行建模，以計算焊接潛艇部件內的殘餘應力分佈和變形。本文介紹如何使用人工智慧 (AI) 和機器學習來加速焊接分析和優化。
由於需要改變如此多的不同參數，使用模擬進行完整的設計空間探索可能會非常耗時。這意味著工程師經常必須透過反覆試驗來找到能夠生產足夠品質零件的焊接流程。機器學習使用根據模擬結果訓練的深度學習神經網絡，可以明顯加快焊接優化速度。
上圖顯示了簡單焊接優化的範例，使用兩塊尺寸為 200 × 100 × 5 mm 的鎳基高溫合金 IN625 板。焊接模擬利用Abaqus 軟體進行順序耦合熱機械分析，並採用積層製造 (Additive Manufacturing, AM) 製程模擬介面靈活定義焊接路徑、參數和熱通量分佈。產生包含 80 個不同焊接功率 (400-600 kW)、速度 (0.5-1.0 m/s) 和焊槍角度 (30-90 度) 的模擬的資料集。其中 64 個用於訓練基於神經網路的 AI 模型，剩下 16 個用於測試。
經過訓練的神經網路充當焊接過程的代理模型。經過訓練後，它幾乎可以立即計算新參數的 3D 變形和殘餘應力，與單獨的模擬相比，速度提高了 100,000% 以上。此模型可以產生許多不同類型的結果，包括熔池形狀、溫度分佈、變形和殘餘應力。替代模型顯示出出色的精度，與參考模擬相比，最大變形誤差約為 0.1%。
替代模型的結果也可以用作進一步模擬的輸入。例如，深度學習模型的溫度分佈可用於熱應力 FEA 模擬。這樣，機器學習和人工智慧成為多尺度、多物理分析的強大工具。
結論
利用人工智慧和機器學習支援模擬，工程師不僅可以分析焊接的完整性，還可以快速有效地優化焊縫的性能。這使得工程師能夠提高接頭的完整性，並幫助確保滿足安全和品質目標。
原文轉載來自Stephen Jorgenson-Murray – Use Machine Learning to Optimize Weld Integrity
更多文章：
CST電源濾波電路模擬（二）——於無聲處聽驚雷
CST電動車EMC模擬（六）——解鎖GB/T18387車輛整體RE模擬的密碼（中）
模擬案例001：Anywave
