[发明专利]一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测的工艺参数、焊具结构优化方法

权利要求书

1.一种基于数值模拟和深度学习的搅拌摩擦焊缝成形预测的工艺参数、焊具结构优化方法，其特征在于，所述搅拌摩擦焊缝成形预测的工艺参数、焊具结构优化方法包括：

步骤一、进行至少三次针对搅拌摩擦焊缝成形的模拟试验，作为数值模拟模型的数据基础和生成对抗网络深度学习模型的测试集，然后生成对抗网络深度学习模型；

步骤二、根据给定的实际工况及材料物性参数建立数值模拟模型，计算焊接过程中材料流动场和温度场分布情况；

步骤三、根据步骤二获得的材料流动场和温度场分布情况，结合单向流固耦合模型，计算不同参数下搅拌摩擦焊具断裂失效情况；然后，结合离散相模型，计算不同参数下焊缝成形质量及缺陷分布情况；

步骤四、根据上述计算所得焊缝成形质量及缺陷分布情况和焊具断裂失效情况，利用生成对抗网络深度学习模型遍历所有工艺参数和焊具结构的焊缝成形结果，从而获得在保证焊具可靠工作前提下焊缝成形最优化结果；

所述生成对抗网络深度学习模型的过程如下：

步骤1、建立图像标签库：将数值模拟结果所得焊缝成形图像与焊具断裂失效状况进行分类和标注，每张图像具有唯一与之对应的焊接参数和焊具结构标签k；

步骤2、构建生成器网络G：在所述生成器网络G中，将参数标签k与随机噪声组合为新的向量输入，将所述生成器网络G生成的数据作为判别器网络D的输入，生成器网络G包括第一输入层、第一全连接层、第一反卷积层、第一批归一化层和第一激活层，以随机的噪声信号和类别标签组合而成的向量作为所示第一输入层的输入，所述输入经过所述第一全连接层、第一反卷积层、第一批归一化层和第一激活层生成数据，其中反卷积次数为4～6次，以生成不低于三通道128*128分辨率的焊缝成形特征图，并将其作为判别器网络D的输入；

步骤3、构建判别器网络D：所述判别器网络D的损失函数由用于判别图像真假的第一损失函数和用于判别图像类别的第二损失函数组成，判别器网络D包括第二输入层、第二反卷积层、第二批归一化层、第二激活层和第二全连接层，分别以步骤2中所示生成器网络G生成的数据和数值模拟所得焊缝成形图像作为所示第二输入层的输入，所述第二全连接层由用于判断图像真假的全连接层和判断图像类别的全连接层组成，所述第二输入层的输入经过所述第二反卷积层、第二批归一化层、第二激活层和第二全连接层后，得到指定类别的图像，其中第一损失函数如下：

第二损失函数如下：

其中，DT、DC分别表示判别器网络的图像真假部分和图像类别部分；

步骤4、训练生成对抗网络，训练步骤包括：更新判别网络D的参数，更新生成网络G的参数；

步骤5、生成最优化结果：采用遍历方式，将所有焊接参数和焊具结构输入到训练好的生成器网络G中，得到指定类别的图像；

步骤6、将模拟试验参数输入生成器网络G中，输出结果与实际结果对照以验证生成器网络G的可靠性。

2.根据权利要求1所述搅拌摩擦焊缝成形预测的工艺参数、焊具结构优化方法，其特征在于，所述模拟试验所采集的参数包括：焊具结构，焊接参数，焊具断裂失效状况，焊缝成形质量结果，且其中应包括至少一组用以完成焊接的参数。