Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tối ưu hóa đa mục tiêu cho các tham số quy trình rèn lõm bằng phương pháp mặt phản hồi và thuật toán di truyền
Tóm tắt
Để nâng cao chất lượng hình thành của quy trình rèn và giảm thiểu chi phí rèn trong quy trình rèn lõm theo dạng radial, bài báo này xem xét ảnh hưởng của các tham số quy trình (sự giảm kích thước radial ∆h, góc xoay β, hệ số ma sát μ) đối với quy trình rèn thông qua mô phỏng số. Một phương pháp tối ưu hóa đa mục tiêu được áp dụng để cân bằng các hàm mục tiêu (đồng đều biến dạng E, tải trọng rèn F). Đầu tiên, các điểm mẫu cho các tổ hợp khác nhau của tham số quy trình được thu thập bằng thiết kế thí nghiệm tổ hợp trung tâm. Sau đó, một mô hình toán học giữa các tham số quy trình và hàm mục tiêu được thiết lập bằng phương pháp bề mặt phản hồi, mô hình này đã trải qua phân tích phương sai và phân tích độ nhạy. Cuối cùng, tổ hợp tham số quy trình tối ưu đã được xác định dựa trên thuật toán NSGA-II và hàm thỏa mãn. Kết quả tối ưu hóa đã được xác minh bằng mô phỏng phần tử hữu hạn. Tổ hợp quy trình tối ưu: ∆h = 0.25 mm, β = 21.68°, μ = 0.05. Các giá trị tương ứng của E và F là 0.241367 và 577.029, tương ứng. So với quy trình ban đầu, độ lệch chuẩn của tổng thể biến dạng đã giảm đi 14.25%, và tải trọng rèn đã giảm 1.76%. Kết quả cho thấy chất lượng của các sản phẩm rèn đã được cải thiện đáng kể trong khi chi phí rèn được giảm đến một mức độ nhất định.
Từ khóa
#tối ưu hóa đa mục tiêu #quy trình rèn lõm #mô phỏng số #thuật toán di truyền #phương pháp mặt phản hồiTài liệu tham khảo
Lahoti GD, Liuzzi L, Altan T (1977) Design of dies for radial forging of rods and tubes. J Mech Work Technol 1(1):99–109. https://doi.org/10.1016/0378-3804(77)90016-X
Burns E, Newkirk J, Castle J, Creamer J (2019) Micro-slotting residual stress measurement technique for understanding fatigue performance of open-hole Ti-6Al-4V samples. J Mater Eng Perform 28:5716–5724. https://doi.org/10.1007/s11665-019-04312-8
Ishkina S, Charni D, Herrmann M, Liu Y, Epp J, Schenck C, Kuhfuss B, Zoch HW (2019) Influence of process fluctuations on residual stress evolution in rotary swaging of steel tubes. Materials 12(6):855. https://doi.org/10.3390/ma12060855
Moumi E, Wilhelmi P, Schenck C, Herrmann M, Kuhfuss B (2018) Material flow control in plunge micro rotary swaging. In MATEC Web of Conferences. EDP Sciences 190:15014. https://doi.org/10.1051/matecconf/201819015014
Ameli A, Movahhedy MR (2007) A parametric study on residual stresses and forging load in cold radial forging process. The Int J Adv Manufact Technol 33:7–17. https://doi.org/10.1007/s00170-006-0453-2
Azari A, Poursina M, Poursina D (2014) Radial forging force prediction through MR, ANN, and ANFIS models. Neural Comput Appl 25:849–858. https://doi.org/10.1007/s00521-014-1562-8
Sanjari M, Saidi P, Taheri AK, Hossein-Zadeh M (2012) Determination of strain field and heterogeneity in radial forging of tube using finite element method and microhardness test. Mater Des 38:147–153. https://doi.org/10.1016/j.matdes.2012.01.048
Afrasiab H, Movahhedy MR (2014) Numerical study of the effects of process parameters on the tool life in the cold radial forging process. Scientia Iranica 21(2):339–346
Li H, Wang K, Luo R, Zhu Z, Deng S, Luo R, Zhang J, Fang F (2020) Influence of radial forging process on strain inhomogeneity of hollow gear shaft using finite element method and orthogonal design. J Central South Univ 27(6):1666–1677. https://doi.org/10.1007/s11771-020-4398-7
Lahoti GD, Altan T (1976) Analysis of the radial forging process for manufacturing rods and tubes. J Manuf Sci Eng. https://doi.org/10.1115/1.3438830
Hosford WF, Caddell RM (2011) Metal forming: mechanics and metallurgy. Cambridge University Press. https://doi.org/10.1017/CBO9780511976940
Wu Y, Dong X (2016) An upper bound model with continuous velocity field for strain inhomogeneity analysis in radial forging process. Int J Mech Sci 115:385–391. https://doi.org/10.1016/j.ijmecsci.2016.07.025
Chen J, Chandrashekhara K, Mahimkar C, Lekakh SN, Richards VL (2012) Study of void closure in hot radial forging process using 3D nonlinear finite element analysis. The Int J Adv Manufact Technol 62:1001–1011. https://doi.org/10.1007/s00170-011-3876-3
Ghaei A, Movahhedy MR, Taheri AK (2008) Finite element modelling simulation of radial forging of tubes without mandrel. Mater Des 29(4):867–872. https://doi.org/10.1016/j.matdes.2007.03.013
Domblesky JP, Shivpuri R (1995) Development and validation of a finite-element model for multiple-pass radial forging. J Mater Process Technol 55(3–4):432–441. https://doi.org/10.1016/0924-0136(95)02030-6
Bapari A, Najafizadeh A, Moazeny M, Shafyei A (2008) Simulation of radial forging conditions by third hits hot compression tests. Mater Sci Eng, A 491(1–2):258–265. https://doi.org/10.1016/j.msea.2008.01.087
Sun X, He X, Cao K (2022) Optimization of structural parameters of rotary swaging dies based on orthogonal experiments. J Phys: Conf Ser IOP Publ 2390(1):012052. https://doi.org/10.1088/1742-6596/2390/1/012052
Sanjari M, Taheri AK, Movahedi MR (2009) An optimization method for radial forging process using ANN and Taguchi method. The International Journal of Advanced Manufacturing Technology 40:776–784. https://doi.org/10.1007/s00170-008-1371-2
Tang YC, Zhou XH, Chen J (2008) Preform tool shape optimization and redesign based on neural network response surface methodology. Finite Elem Anal Des 44(8):462–471. https://doi.org/10.1016/j.finel.2008.01.007
Yang YH, Liu D, He ZY, Luo ZJ (2010) Optimization of preform shapes by RSM and FEM to improve deformation homogeneity in aerospace forgings. Chin J Aeronaut 23(2):260–267. https://doi.org/10.1016/S1000-9361(09)60214-4
Zhu FY, Wang ZH, Lv M (2016) Multi-objective optimization method of precision forging process parameters to control the forming quality. The International Journal of Advanced Manufacturing Technology 83:1763–1771. https://doi.org/10.1007/s00170-015-7682-1
Choi SK, Chun MS, Van Tyne CJ, Moon YH (2006) Optimization of open die forging of round shapes using FEM analysis. J Mater Process Technol 172(1):88–95. https://doi.org/10.1016/j.jmatprotec.2005.09.010
Darki S, Raskatov EY (2020) Analysis of the hot radial forging process according to the finite element method. The International Journal of Advanced Manufacturing Technology 110:1061–1070. https://doi.org/10.1007/s00170-020-05852-3
Jonhson, G R, Cook W H (1983, September). A constitutive model and data for metal subjected to large strains, high strain rates and high temperature. In Proceedings of the Seventh International Symposium on Ballistic, Hague, The Netherlands (pp. 19–21).
Li DY (2020) Study on dynamic deformation behavior and intrinsic structure model of 25CrMo4 steel. Southwest Jiaotong University. https://doi.org/10.27414/d.cnki.gxnju.2020.002719
Myers RH, Montgomery DC, Anderson-Cook CM (2016) Response surface methodology: process and product optimization using designed experiments. John Wiley & Sons. https://doi.org/10.1080/00401706.1996.10484509
Shi S, Lu X (2020) Matching study on radial feed parameters of coreless bar spin forging. Journal of Plasticity Engineering 27(4):21–26. https://doi.org/10.3969/j.issn.1007-2012.2020.04.003
Li P, Lu X (2020) Matching study on the variation of circumferential feed parameters of coreless bar spin forging. Journal of Plasticity Engineering 27(05):126–131. https://doi.org/10.3969/j.issn.1007-2012.2020.05.015
Kroiß T, Engel U, Merklein M (2013) Comprehensive approach for process modeling and optimization in cold forging considering interactions between process, tool and press. J Mater Process Technol 213(7):1118–1127. https://doi.org/10.1016/j.jmatprotec.2012.09.004
Deb K, Pratap A, Agarwal S, Meyarivan T (2002) A fast and elitist multiobjective genetic algorithm: NSGA-II. IEEE Trans Evol Comput 6(2):182–197. https://doi.org/10.1109/4235.996017
Bora TC, Mariani VC, dos Santos CL (2019) Multi-objective optimization of the environmental-economic dispatch with reinforcement learning based on non-dominated sorting genetic algorithm. Appl Therm Eng 146:688–700. https://doi.org/10.1016/j.applthermaleng.2018.10.020
Kramer O (2017) Genetic algorithms. In: Genetic Algorithm Essentials. Studies in Computational Intelligence, vol 679. Springer, Cham. https://doi.org/10.1007/3-540-24814-5_29
Coello C A C, Lechuga M S (2002) MOPSO: a proposal for multiple objective particle swarm optimization. Proceedings of the 2002 Congress on Evolutionary Computation. CEC'02 (Cat. No. 02TH8600) 2: 1051–1056. https://doi.org/10.1109/CEC.2002.1004388
Cao J, Zhang JL, Zhao FQ, Chen ZH (2021) A two-stage evolutionary strategy based MOEA/D to multi-objective problems. Expert Syst Appl 185:115654. https://doi.org/10.1016/j.eswa.2021.115654
Zhou G, Ma ZD, Li G, Cheng A, Duan L, Zhao W (2016) Design optimization of a novel NPR crash box based on multi-objective genetic algorithm. Struct Multidiscip Optim 54:673–684. https://doi.org/10.1007/s00158-016-1452-z