استراتژی‌های نوین آموزش شبکه‌های عصبی فیزیک‌محور در جوشکاری نقطه‌ای آلومینیوم

این مقاله درباره بهبود روش‌های آموزش شبکه‌های عصبی آگاه به قوانین فیزیکی (PINNs) در فرآیند جوشکاری نقطه‌ای مقاومتی آلومینیوم است.

🔹 مشکل اصلی:

• در صنعت خودرو، جوشکاری نقطه‌ای (Resistance Spot Welding) روشی رایج برای اتصال قطعات بدنه است.

• کیفیت جوش بیشتر با قطر ناحیه جوش (Nugget Diameter) سنجیده می‌شود.

• اما اندازه‌گیری این قطر معمولاً نیازمند آزمایش‌های تخریبی است (یعنی باید قطعه بریده یا خراب شود)، که باعث افزایش هزینه و کاهش سرعت کنترل کیفیت می‌شود.

🔹 راه‌حل پیشنهادی مقاله:

• استفاده از شبکه‌های عصبی آگاه به قوانین فیزیکی (PINNs) برای بازسازی شرایط داخلی فرآیند جوش بر اساس داده‌های تجربی.

• • این کار امکان کنترل کیفیت غیرمخرب (بدون آسیب به قطعه) را فراهم می‌کند.

  🔹 نوآوری اصلی مقاله:

  • معرفی دو استراتژی آموزشی جدید برای شبکه‌های PINN تا بتوانند داده‌های واقعی آزمایشگاهی را بهتر در خود ادغام کنند:

    1. تابع fading-in: داده‌های تجربی به‌صورت تدریجی وارد فرآیند آموزش می‌شوند تا تعارض بهینه‌سازی کمتر شود.

    2. تنظیم‌کننده نرخ یادگیری و توقف زودهنگام (early stopping) مبتنی بر یک پنجره لغزان برای جلوگیری از کاهش زودرس دقت.

  🔹 نتیجه:

  • این روش باعث شد مدل بتواند پیش‌بینی دقیق‌تری از جابجایی دینامیکی و قطر ناحیه جوش داشته باشد.

  • در نتیجه، امکان کنترل کیفیت جوشکاری نقطه‌ای آلومینیوم بدون آزمون تخریبی فراهم می‌شود.

  • • لینک مشاهده و دانلود: arXiv:2508.04595