基于原子尺度仿真引导的摩擦钻接焊热建模卷积神经网络

准确预测温度演化对于理解摩擦钻接焊的热力学行为至关重要。本研究使用LAMMPS进行分子动力学仿真，原子尺度建模铝材摩擦钻接焊，捕捉工具钞入、遍历和撤回期间的材料流动、塑性变形和热产生。从仿真轨迹中提取原子位置和速度，并转换为基于物理的二维空间网格。这些网格代表局部高度变化、速度分量、速度大小和原子密度，保留焊接区内的空间相关性。开发了一种二维卷积神经网络，用于从空间分辨的原子数据直接预测温度。对网络配置进行超参数优化，以确定合适的网络配置。在未见测试数据上，训练好的模型表现出强大的预测能力，均方根误差为14.94 K，平均绝对误差为11.58 K，决定系数R²为0.9439。类别激活图分析表明，该模型为工具材料界面附近的区域分配更高的重要性，这些区域与分子动力学仿真中剧烈变形和热产生相关。该结果表明，空间学习从原子尺度仿真数据可以准确再现摩擦钻接焊的温度趋势，同时保持与原子尺度观察到的物理变形和流动机制一致。