我的研究范围集中在使用机器学习开发高效的代理模型，特别是人工神经网络来预测焊接引起的残余应力。我们的重点是解决如何自动生成焊接仿真数据以提高效率的问题。我们确定，使用 Python 脚本和宏函数自动生成数据可以显著减少仿真设置时间，从而支持创建大型数据集。
此外，我们基于人工神经网络的电路模型准确预测了焊接引起的残余应力，实现了 0.0024 的相对均方根误差。实现 0.0024 的相对均方根误差。我们的协议通过 Python 脚本和宏函数自动生成数据，从而减少了仿真设置和数据提取所需的时间和精力。
这确保了一致性，并支持创建用于训练机器学习模型的广泛数据集。首先，打开 Abaqus 并单击“文件”，然后单击“设置工作目录”以设置工作目录。然后依次单击文件 macromanager work 并创建一个名为 thermal recording 的宏。
创建焊接试样的模型。以板结构上的单个焊道基准案例为例。单击 part ，然后单击 create part 。
通过在 XY 平面上拉伸方形草图来创建试样的 3D 可变形半模型。现在单击零件，导航到创建基准平面，然后选择从主平面偏移。通过根据焊道长度指定与 YZ 平面的偏移来定义焊接的起点和终点。
然后，通过分别指定与 XY 平面和 XZ 平面的偏移，为拉延筋深度和宽度创建两个附加基准平面。单击零件并选择分割单元使用基准平面选项，以使用四个基准平面创建试样的单元分区。然后单击零件并选择 create solid extrude（创建实体拉伸）。
在其中一个基准平面上创建草图，以定义试样顶面下方的焊道部分。在拉延筋尺寸后使用圆弧和两条线。将草图拉伸到拉延筋长度的深度以创建切口。
接下来，将草图拉伸到焊缝长度，同时选择 Keep internal boundaries。单击零件，然后选择 create datum plane， and offset from primary plane。在其中一个基准平面上使用两条圆弧在一条线上绘制焊缝。
单击零件，选择分割单元，然后使用基准平面创建试样的单元分区，使用四个基准平面进行查找。要定义不锈钢 AISI 316 LN 的材料，请单击属性并创建材料，然后在通用菜单中定义密度，并在热菜单中使用温度相关数据定义电导率和比热。接下来，为模型分配材料。
单击属性，然后单击 create section（创建截面）以使用定义的材料创建均匀的实体截面。单击 property ， assign section 将创建的部分分配给模型。现在单击步骤，然后单击创建步骤，创建一个名为 welding 的传热步骤，该步骤的时间段为 26.43，固定时间增量为 0.1，确保几何结构没有非线性。
使用自适应时间增量创建另一个名为 cooling one 的传热步骤，其时间段为 70，初始、最小和最大增量大小分别设置为 0.1、0.05 和 5。分别设置为 0.1、0.05 和 5。最后，使用自适应时间增量创建一个名为 Cooling 2 的传热步骤，其时间段为 2， 000，初始、最小和最大增量大小分别设置为 5、1 和 100。
要设置模型属性，请单击 model， edit attribute。以访问属性设置。将绝对零度温度设置为 273.15。
将绝对零度温度设置为 273.15。将 Stefan-Boltzmann 常数指定为 5.67 x 10 的 11 次方。单击 step and create field output 为整个模型设置节点温度请求。
然后单击 assembly and create instance 创建依赖实例。接下来，依次单击交互作用，创建交互作用和表面薄膜条件，在模型的所有表面（对称平面除外）上创建表面薄膜条件交互作用，该交互作用的薄膜系数为 15，汇温度为 20。将开始步骤设置为 welding。
现在，依次单击交互、创建交互和表面辐射，在模型的所有表面（对称平面除外）上创建发射率为 0.7、环境温度为 20 的表面辐射交互。将开始步骤设置为 welding，在 load 模块中定义载荷。单击 载荷， 创建载荷 热通量 和 体热通量 以创建用户定义的体热通量载荷，该载荷从焊接步骤开始，在两个冷却步骤中处于非活动状态。
然后单击 load、create predefined field、other 和 field 以从初始步骤开始创建预定义的温度字段，以表示室温 20。要在网格模块中创建网格，请单击网格，选择要作为零件的对象，然后以 0.0024 的全局大小为零件添加种子零件。单击 mesh （网格），然后 seed edges （种子边缘） 以将焊缝深度和焊缝宽度的边缘设定为 3 的种子。
以 3 为圆弧边缘添加种子，以 0.0015 的大小为拉延筋长度的边缘。接下来，单击 mesh，分配网格控制，并将 TET 形状单元与 free 技术用于拉延筋区域。单击网格，分配单元类型，并将单元类型设置为 DC 3D 10，然后对零件进行网格划分。
使用网格，然后使用种子边缘以种子化边缘，以种子边缘与大小为 0.0015、大小为 0.0011 的 Y 轴边缘和 Z 轴边缘大小为 0.00075 的细网格区域内的 X 轴共线边缘。以及大小为 0.00075 的 Z 轴边。现在单击网格，然后单击分配的网格控制，以使用六角形单元和扫描技术为剩余区域分配网格控制。
然后单击网格，分配单元类型，并将单元类型设置为 DC 3D 20，然后对零件进行网格划分。单击 job ， create job 以创建名为 thermal analysis 的 job 并附加 D flux 用户子例程。停止宏录制。
确认名为 abaqusMacros.py 在工作目录中生成。最后，单击 job、job manager 和 submit。
名为 ThermalAnalysis 的结果文件。将生成 ODB。沿 BD 线的纵向应力在电弧行程长度、电弧前进速度和净能量输入率的不同组合中表现出一致的变化，应力在靠近表面时达到峰值，在更深的深度处降低。
有限元仿真和人工神经网络预测之间的大部分差异在 0 到 2 兆帕范围内，占测试数据的 45.2%。训练数据点较少的压力水平 bin 在测试数据集中表现出更高的最大差异，如特定 bin 的绝对残差所示。人工神经网络预测与有限元仿真结果非常匹配，均方误差为 0.0024。
