基于ConvLSTM-UNet与NSGA-Ⅱ融合架构的多层薄壁结构焊接序列优化方法

本文提出了一种融合卷积长短期记忆-UNet（ConvLSTM-UNet）与非支配排序遗传算法II（NSGA-Ⅱ）的创新架构，用于优化船舶分段多层薄壁结构的焊接序列。该方法利用ConvLSTM提取焊缝时空特征，UNet快速预测焊接变形，NSGA-Ⅱ则自动生成序列并进行多目标（如各层变形不均匀度与最大平整度）优化。实验表明，优化后的焊接序列可使最大变形降低高达40.8%，为提升船舶制造精度提供了高效解决方案。

　　

Highlight

优化架构

本文提出了一种用于船舶分段多层结构焊接序列优化的架构。该架构将深度学习神经网络与多目标优化算法相结合，旨在实现快速焊接序列优化，以减少多层结构的焊接变形。所提出的方法包括五个连续阶段，如图1所示：焊接信息提取、焊接变形数值模拟、变形场的图像映射编码、基于ConvLSTM-UNet的变形预测模型训练，以及基于NSGA-II的焊接序列优化。

结构几何

图5描述了PCTC甲板分段的基本几何形状。所选的多层结构包括四层甲板（编号从第9层到第12层）和两块放置在甲板两侧的外板。整个结构的分析尺寸为30.8米（长）× 12.8米（宽）× 12.7米（高）。每层甲板由三个薄壁段构成。板的厚度为：甲板6毫米，侧壁8毫米。该分段的材料为AH36钢。

结论

本研究提出了一种基于ConvLSTM-UNet和NSGA-Ⅱ相结合的多层薄壁结构焊接序列优化新方法。该架构被应用于获取PCTC甲板分段的优化焊接序列。主要结论如下：

• •
  (1) 提出了一种用于多层薄壁结构焊接序列优化的组合架构，通过整合ConvLSTM（用于提取焊缝的时空特征）和UNet（用于快速预测焊接变形场），实现了对数千种焊接序列变形的高效评估。