Tecniche di Ottimizzazione Avanzate Applicate alla Simulazione del Processo di Saldatura Laser in Forni Domestici

Simulating the laser welding process inherently carries both high complexity and computational cost. Even more, when aiming to optimize this process, such as finding the combination of process variables that minimizes residual deformation, the computational expense required to individually analyze multiple configurations quickly becomes unsustainable. In this doctoral research project, the overall computational cost has been reduced by acting on both the FEM modeling and optimization techniques. Initially, the model was simplified at mesoscopic level by disregarding microscopic dynamics and focusing on accurately representing the melt pool, particularly the laser penetration depth. This was achieved by introducing the concept of passive elements, specific FEM elements with thermomechanical properties dependent on the material state. Once the evaporation temperature is reached, these elements instantaneously transmit incoming energy to the underlying elements, facilitating keyhole formation. Concerning the optimization process, to minimize computational cost, metamodels were employed. Specifically, two highly efficient machine learning techniques were adopted. Firstly, the optimum is iteratively determined by refining the metamodel only in the most promising regions, following the principles of Bayesian optimization. Secondly, a multifidelity approach was utilized for model training, involving the collaboration of high-fidelity and low-fidelity data to efficiently find the optimum solution. Regarding the multifidelity approach, the performance of both nested and non-nested infilling strategies has been investigated in relation to the data correlation coefficient.

La simulazione del processo di saldatura laser è caratterizzata intrinsecamente da una notevole complessità e da un costo computazionale elevato. A maggior ragione, quando l’obiettivo è ottimizzare il processo, ad esempio trovando la combinazione di variabili di processo che minimizza la deformazione residua, il costo computazionale richiesto per analizzare individualmente molteplici configurazioni diventa rapidamente insostenibile. In questo progetto di ricerca, il costo computazionale complessivo è stato ridotto agendo sia sulla modellazione FEM che sulle tecniche di ottimizzazione. Inizialmente, il modello è stato semplificato a livello mesoscopico trascurando le dinamiche microscopiche e concentrandosi sulla rappresentazione accurata del melt pool, in particolare della profondità di penetrazione del laser. Questo risultato è stato raggiunto introducendo il concetto di elementi passivi, specifici elementi FEM con proprietà termo-meccaniche dipendenti dallo stato del materiale. Una volta raggiunta la temperatura di evaporazione, questi elementi trasmettono istantaneamente l'energia in ingresso agli elementi sottostanti, facilitando la formazione del keyhole. Per quanto riguarda il processo di ottimizzazione, al fine di ridurre il costo computazionale, sono stati impiegati metamodelli. In particolare, sono state adottate due tecniche di machine learning altamente efficienti. In primo luogo, l'ottimo viene determinato in modo iterativo affinando il metamodello solo nelle regioni più promettenti, secondo i principi dell'ottimizzazione bayesiana. In secondo luogo, è stato utilizzato un approccio multifidelity per l’allenamento del modello, che coinvolge la collaborazione di dati high-fidelity e low-fidelity per trovare efficacemente la soluzione ottimale. Per quanto riguarda l'approccio multifidelity, è stata analizzata in dettaglio la performance delle strategie di infilling nested e non-nested in relazione al coefficiente di correlazione dei dati.