基于神经网络的水下湿焊工艺参数优化

与空气焊接相比，水下焊接的焊接质量差异使得对能够解决困难和复杂问题的人工神经网络（ANN）进行建模变得非常必要。

水下湿焊的焊缝几何形状可以通过神经网络控制输入参数来预测，焊缝金属周围的水导致焊缝快速冷却，从而将焊缝金属的延展性和抗拉强度分别降低50%和20%，水环境和水深对焊接工艺参数有显著的影响。

在较低的水温下，可扩散的氢含量增加，氧含量较低。可扩散氢含量的增加导致钢对氢辅助开裂的敏感性增加。

水深对焊接电弧的稳定性起着一定的作用，增加的水深会收缩电弧，从而随着水深的增加导致电流和电压增加，水深的增加减少了操作过程参数空间。

本文提出了利用神经网络优化焊接工艺参数的合适方法，以尽量减少水下焊接中冷却速率和水深的影响。

水下焊接用于船舶和海上工程结构（如石油钻井平台、管道和平台）的修复焊接，目前常用的水下焊接工艺是保护金属电弧焊（SMAW）和药芯电弧焊（FCAW）。由于焊缝快速冷却速度的影响，焊缝金属周围的水会降低水下焊缝的机械性能。

从板表面传导到移动水环境的热损失和辐射的热损失是水下焊接中的主要热损失，与空气焊接相比，水下焊接在相同的电弧电压下需要更高的电流，以实现更高的热输入，水下焊接的快速冷却速度导致形成马氏体和贝氏体等成分，用于钢的常规焊接。这些成分导致高强度、脆性材料，并且容易发生氢致裂纹。

水下湿焊的焊缝形状比空气焊缝更分散，穿透力更小。水下焊接电弧在增加的深度或压力下受到限制。然而，较浅深度的焊接比较深的焊接更为关键。不稳定的电弧会导致气孔，从而影响焊缝的坚固性。焊缝金属碳含量随着水深的增加而增加。此外，作为脱氧剂的锰和硅在水深增加时会越来越多地流失。

神经网络是一种数据建模工具，用于捕获和表示复杂的输入/输出关系，神经元从其输入链路获取信号，计算新的激活级别，并通过输出链路发送输出信号。学习算法是修改网络的突触权重以实现设计预期目标的过程。

权重是人工神经网络中长期记忆的基本手段，多层感知器神经网络（NN） 是当今使用的最适用的网络架构，其中每个单元都经过其输入的偏置加权和，并通过激活函数来产生其输出。这些单元以分层前馈拓扑排列。

多层感知器神经网络使用反向传播算法进行学习，在反向传播算法中，输入数据被重复呈现给神经网络，在每个演示中，将神经网络的输出与期望的输出进行比较，从而计算错误信号，误差被呈现回神经网络以调整权重，使误差随着每次迭代而减小，并且神经网络模型更接近所需目标。使用反向传播算法的神经网络，其中权重随着迭代的增加而变化，从而减少误差并更接近所需目标。

用于预测水下湿焊中焊缝几何形状的ANN方案目的是通过从过去的例子中学习输入参数和输出参数之间的关系，将一组输入模式映射到一组相应的输出模式，使用使用缩放共轭梯度（SCG）反向传播算法训练的前馈反向传播网络。

当训练模式满足WPSF（熔深形状因子）=W/P和WRFF（增强形状因子）= W / R的可接受范围的要求时，可以验证焊缝质量，高质量焊缝的可接受范围是最大的熔深与宽度比和最小的咬边和加固。

水下焊接过程中影响焊缝几何形状的参数优化可以通过人工神经网络训练算法来完成，在这项研究中，回归分析表明，目标紧随输出，因为 R 在训练、测试和验证中至少为 96%。经过训练的神经网络具有令人满意的结果，可以用作焊接过程控制系统中的黑匣子。

水下湿焊中焊接工艺参数的有效优化具有优化的热输入和优化的电弧长度的焊接能力，将保证电弧稳定性。使用优化的工艺参数可以实现优化的焊缝几何形状，这是焊缝稳健性的关键因素。本文提出的水下焊接控制过程需要进一步研究，以充分应用NN优化过程。