基于深度学习技术的焊接结构水射流喷丸处理后残余应力预测

《Materials Today Communications》：Prediction of residual stresses of welded structures after water jet peening treatment based on deep learning techniques

　　

水射流喷丸处理（Water Jet Peening，WJP）是一种清洁有效的表面处理方法。水射流喷丸处理后的残余应力（Residual Stress，RS）预测对焊接结构的寿命预测至关重要。研究人员提出了一种监督神经网络（Supervised Neural Network，SNN）方法，用于预测水射流喷丸处理后的焊接残余应力变化。基于实验和模拟，使用sigmoid激活函数开发了一个全连接深度神经网络（Deep Neural Network，DNN）模型。获得了影响残余应力控制的水射流喷丸关键参数，并将其用作输入特征。结果表明，输入特征是内部喷嘴出口到焊缝的目标距离、内部高压水射流压力、非淹没空化喷嘴沿焊缝的移动速度、喷丸后相对于焊缝长度的距离。对于板焊缝（Plate Weld）和十字焊缝（Double-Cross Weld），深度神经网络模型预测的残余应力与实验结果吻合良好，验证了模型的实用性和适用性。

焊接过程中产生的残余应力（Residual Stress，RS）会显著影响结构完整性和性能。非淹没水射流喷丸（Non-Submerged Water Jet Peening，NS-WJP）是一种通过高压水射流冲击在材料表面产生残余压应力的技术，可有效优化焊接接头的应力分布，将拉应力转变为压应力，从而提升疲劳寿命和抗裂能力。然而，传统实验方法（如X射线衍射测量深度有限、钻孔法造成材料损伤、中子衍射成本高且耗时）和有限元（Finite Element，FE）模拟（需大量计算资源和精确材料参数）在预测喷丸后残余应力分布方面存在局限；解析模型虽计算高效，但因假设过度简化导致预测精度不足。深度学习技术（如深度神经网络（Deep Neural Network，DNN）和人工神经网络（Artificial Neural Network，ANN））已在焊接残余应力预测中展现强大能力，但针对非淹没水射流喷丸后焊接结构应力再分布的研究仍不足，主要挑战包括：如何构建紧凑的过程-位置表示、如何结合实验测量与数值模拟数据以缓解样本稀缺、以及数据驱动框架是否适用于不同焊接构型。为此，研究人员Qian Zhang等开展本研究，构建了基于全连接神经网络（Fully Connected Neural Network，FCN）的预测模型，旨在快速估计喷丸后残余应力变化趋势，为工艺评估提供初步工具。研究得出以下结论：模型输入参数包括喷嘴出口到焊缝距离、高压水射流压力、喷嘴移动速度和喷丸后距离，输出为横向和纵向残余应力；通过优化激活函数（sigmoid）、隐层数（3层）、神经元数（每层9个）和优化器（Levenberg-Marquardt），模型在训练集和测试集上的决定系数（R²）分别达到0.95和0.91，预测值与实验值吻合良好；在板焊缝和十字焊缝案例中，模型能有效捕捉总体应力趋势，虽在应力梯度陡峭区域存在局部偏差，但仍可用于识别高应力区。该研究发表于《Materials Today Communications》。

研究人员为开展研究采用了三个关键技术方法：（1）实验方法：采用Q345R钢板进行对接焊，使用便携式非淹没空化水射流喷丸装置处理焊缝，依据GB/T 24179-2009标准，通过压痕应变法（Indentation Strain Gauge Method）测量残余应力，在指定位置进行三次重复测量取平均值。（2）数值模拟：采用双椭球热源模型进行焊接温度场模拟（DC3D8热传递单元），随后用C3D8R单元进行力学分析；水射流冲击压力通过计算流体力学（Computational Fluid Dynamics，CFD）和实验标定获得径向压力分布函数，作为边界条件施加于焊缝表面。（3）深度学习模型：构建全连接神经网络（FCN），输入为四个参数（喷嘴到焊缝距离D、内部高压水射流压力P、喷嘴移动速度V、喷丸后距离L），输出为横向和纵向残余应力；使用sigmoid激活函数和Levenberg-Marquardt优化器，隐层3层，每层9个神经元；数据集共800个训练样本（80%来自FE模拟，20%来自实验），250个独立测试样本（按工况级别划分，避免空间相邻点泄露）。

研究结果如下。

**4.1 焊接残余应力分析（Welding Residual Stress Analysis）**：通过实验测量与有限元模拟对比，研究人员发现水射流喷丸后板焊缝的横向和纵向残余应力均显著降低，实验与模拟误差在10%以内。等高线图显示，喷丸前残余应力集中在焊缝和热影响区（Heat-Affected Zone，HAZ），横向应力峰值达162.5 MPa，纵向应力峰值达430.8 MPa；喷丸后（30 MPa水射流压力），横向残余应力从拉应力转变为压应力，纵向残余应力大幅减轻。沿路径1的分析表明，在焊缝中心线处横向应力降低52.3%（从105.2 MPa降至50.2 MPa），纵向应力从592.3 MPa降至-13.56 MPa（降低102.2%）；热影响区应力同样显著下降，验证了空化水射流技术消除残余应力的有效性。

**4.2 训练测试结果分析（Analysis of Training Test Results）**：参数优化后，神经网络训练集决定系数（R²）为0.95，测试集为0.91，数据点均匀分布在对角线附近，表明预测值与真实值偏差极小。均方误差（Mean Squared Error，MSE）在迭代208次后收敛至全局最小值0.00055，满足精度要求。深度学习模型对横向和纵向残余应力均表现出高保真度拟合。

**4.3 板焊缝预测结果分析（Analysis of Predicted Results for Plate Welds）**：在特定工艺参数（D=25 mm，P=32 MPa，V=60 mm/s）下，模型预测的横向和纵向残余应力与实验测量趋势一致。但存在局部偏差，例如在距焊缝中心20 mm处，纵向残余应力预测值为30.16 MPa，而实测值为-88 MPa，此偏差出现在应力过渡区（拉应力转压应力），梯度陡峭。整体而言，模型能预测残余应力分布的主要趋势。

**4.4 十字焊缝预测结果分析（Prediction Results Analysis of Double Cross Weld）**：在十字焊缝案例中（D=55 mm，P=60 MPa，V=60 mm/s），模型预测的横向和纵向残余应力与实测值总体吻合。但局部仍有偏差，例如距焊缝中心10 mm处纵向应力预测193.36 MPa，实测94 MPa。偏差较大区域同样出现在焊缝中心线、熔合边界和热影响区等梯度剧烈位置。模型更适用于捕捉总体应力趋势和识别高应力区域。

讨论部分总结指出：预测精度在应力变化平缓的区域较高，而在焊缝中心线、熔合边界和热影响区等存在强烈热-力学梯度和复杂塑性变形的区域，稍许空间位置偏差或测量不确定性会导致较大预测差异。横向残余应力与局部收缩和约束直接相关，分布较集中；纵向残余应力受焊缝方向整体约束影响，表现出更宽的影响区和更强的局部波动，因此部分偏差出现在纵向结果中。测试集基于未参与训练的操作工况，反映了模型对未知工艺参数的泛化能力，但仍限于所研究的参数范围。

研究结论翻译如下：“在本研究中，研究人员使用全连接神经网络预测非淹没空化水射流喷丸后焊接接头的残余应力。实验测量和数值模拟数据相结合，描述了水射流喷丸工艺参数、测量位置和残余应力响应之间的关系。随后使用板焊缝和十字焊缝案例对模型进行了评估。与直接实验测量或重复有限元模拟相比，所提出的方法提供了一种更快捷的方式估计水射流喷丸（WJP）后的主要残余应力再分布趋势，并可作为工艺评估的初步工具。具体结论如下：（1）关键参数的确定：影响残余应力分布的关键输入参数包括喷嘴出口到焊缝距离、高压水射流压力、非淹没空化喷嘴在焊缝处理时的移动速度，以及喷丸后相对于焊缝长度的距离。这些参数与处理后的残余应力大小一起作为神经网络输出特征，用于构建回归函数。（2）模型参数优化：在训练过程中，研究人员优化了激活函数、损失函数、隐层层数、优化器和神经元数量。实验结果表明Levenberg-Marquardt优化器和sigmoid激活函数给出最佳性能。数据归一化和适当的神经元数量对于增强模型泛化能力和预测精度至关重要。（3）模型预测精度：模型在训练集和测试集上的决定系数（R²）分别达到0.95和0.91，显示出高预测精度和泛化能力。数据点均匀分布在对角线周围，预测值与实际值偏差不显著。（4）工程适用性：训练好的模型在板焊缝和十字焊缝案例上进行了测试。预测结果总体上遵循实测残余应力趋势，表明该模型能够在所研究条件下为水射流喷丸后的应力再分布提供有用的估计。尽管在应力梯度陡峭或应力符号变化的区域存在局部偏差，该模型仍有助于识别总体应力变化和高风险区域，这对于水射流喷丸工艺的初步评估是有用的。”