Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tích hợp mạng nơ-ron nhân tạo và thuật toán giải nhiệt mô phỏng để tối ưu hóa quy trình tạo hình sâu
Tóm tắt
Quy trình tạo hình sâu được đặc trưng bởi sự biến đổi rất phức tạp chịu tác động của các tham số quy trình như hình dáng khuôn, lực giữ phôi, tính chất vật liệu và điều kiện ma sát. Mục tiêu của nghiên cứu này là mô hình hóa và tối ưu hóa quy trình tạo hình sâu cho thép không gỉ 304 (SUS304). Để đạt được mục đích đó, bán kính khuôn, bán kính đòn bẩy, lực giữ phôi và điều kiện ma sát được xác định là các tham số đầu vào. Sự mỏng đi, như một trong những chế độ hỏng hóc chính trong các bộ phận được tạo hình sâu, được coi là tham số đầu ra của quy trình. Dựa trên kết quả phân tích phần tử hữu hạn (FE), một mạng nơ-ron nhân tạo (ANN) đã được phát triển như một công cụ dự đoán để liên kết các tham số quy trình quan trọng với các đặc tính đầu ra của quy trình. Mạng ANN được đề xuất với quá trình lan truyền ngược được đào tạo và thử nghiệm với các cặp dữ liệu đầu vào/đầu ra thu được từ phân tích FE. Để xác minh mô hình FE, các kết quả thu được từ mô hình FE đã được so sánh với các thử nghiệm thực nghiệm khác nhau. Sau đó, mạng ANN được tích hợp vào một thuật toán giải nhiệt mô phỏng để tối ưu hóa các tham số quy trình. Kết quả tối ưu hóa cho thấy rằng việc lựa chọn các thiết lập tham số quy trình phù hợp có thể đạt được độ dày tường đồng nhất với độ mỏng tối thiểu.
Từ khóa
#tạo hình sâu #mạng nơ-ron nhân tạo #thuật toán giải nhiệt mô phỏng #tối ưu hóa quy trình #thép không gỉ 304Tài liệu tham khảo
Zhang W, Shivpuri R (2009) Probabilistic design of aluminum sheet drawing for reduced risk of wrinkling and fracture. Reliab Eng Syst Saf 94:152–161
Browne MT, Hillery MT (2003) Optimising the variables when deep-drawing C.R.1 cups. J Mater Process Technol 136:64–71
Wifi AS et al (2007) A review of the optimization techniques applied to the deep drawing process. Proceeding of the 37th International Conference on Computers and Industrial Engineering, October 20–23, 2007, Alexandria
Wang L, Lee TC (2005) Controlled strain path forming process with space variant blank holder force using RSM method. J Mater Process Technol 167:447–455
Gantar G, Kuzman K (2002) Sensitivity and stability evaluation of the deep drawing process. J Mater Process Technol 125–126:302–308
Delamézière A et al (2002) Feasibility in deep drawing: optimization of material properties using response surface. Mécanique Ind 3:93–98
Özek C, Bal M (2009) The effect of die/blank holder and punch radiuses on limit drawing ratio in angular deep-drawing dies. Int J Adv Manuf Technol 40:1077–1083
Padmanabhan R et al (2007) Influence of process parameters on the deep drawing of stainless steel. Finite Elem Anal Des 43:1062–1067
Agrawal A, Reddy NV, Dixit PM (2007) Determination of optimum process parameters for wrinkle free products in deep drawing process. J Mater Process Technol 191:51–54
Singh D, Yousefi R, Boroushaki M (2011) Identification of optimum parameters of deep drawing of a cylindrical workpiece using neural network and genetic algorithm. World Acad Sci Eng Technol 5:167–174
Chamekh A et al (2010) An optimization strategy based on a metamodel applied for the prediction of the initial blank shape in a deep drawing process. Int J Adv Manuf Technol 50:93–100
Özek C, Ünal E (2011) Optimization and modeling of angular deep drawing process for square cups. Mater Manuf Process 26:1117–1125
Wifi A, Abdelmaguid T (2012) Towards an optimized process planning of multistage deep drawing: an overview. J Achiev Mater Manuf Eng 55(1):7–17
Hill R (1950) The mathematical theory of plasticity. Oxford University Press Inc., New York
Sheng ZQ, Jirathearanat S, Altan T (2004) Adaptive FEM simulation for prediction of variable blank holder force in conical cup drawing. Int J Mach Tools Manuf 44:487–494
Thomas W (1999) Product tool and process design methodology for deep drawing and stamping of sheet metal parts. Disertation, Ohio State University
Colgan M, Monaghan J (2003) Deep drawing process: analysis and experiment. J Mater Process Technol 13:235–241
Enzhi G et al (2010) Finite element simulation on the deep drawing of titanium thin-walled surface part. Rare Metals 29:108–111
Watiti VB, Labeas GN (2010) Finite element optimization of deep drawing process forming parameters for magnesium alloys. Int J Mater Form 3:97–100
Shen C, Wang L, Li Q (2007) Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method. J Mater Process Technol 183:412–418
Kirkpatrick S, Gelatt CD, Vecchi MP (1983) Optimization by simulated annealing. Science 220:671–680
Kolahan F, Sharifinya A (2009) Simultaneous job scheduling and tool replacement based on tool reliability by proposed Tabu-SA algorithm. J Sci Ind Res-JSIR 68:496–504