بررسی اثرات هندسه دورریز بر خواص مکانیکی قطعه تولیدی در فرآیند کشش عمیق با استفاده از روش المان محدود معکوس و شبکه عصبی مصنوعی|کدافزار

طراحی، ساخت و تولید > ساخت بدنه خودرو | BIW (Body in White Manufacturing)

بررسی اثرات هندسه دورریز بر خواص مکانیکی قطعه تولیدی در فرآیند کشش عمیق با استفاده از روش المان محدود معکوس و شبکه عصبی مصنوعی|کدافزار
رایگان
کد محصول: 75
استاد: کدافزار

می آموزیم:

بررسی اثرات هندسه دورریز بر خواص مکانیکی قطعه تولیدی در فرآیند کشش عمیق با استفاده از روش المان محدود معکوس و شبکه عصبی مصنوعی

کسری احمدی درزیکلایی منصور شاملوفرد احمد عاصم­پور

چکیده

فرآیند کشش عمیق برای شکل ­دهی ورق­ های فلزی بسیار مهم است و در بسیاری از صنایع از جمله خودروسازی، هوافضا و ... کاربرد فراوانی دارد. کیفیت قطعات در این روش به عوامل متعددی مانند خواص ماده، هندسه قالب و پارامترهای تنظیمی فرآیند بستگی دارد. تنطیم نامناسب هریک از این پارامترها باعث ایجاد عیوب مختلفی ازجمله پارگی، چروکیدگی و یا گوشواره­ای شدن می­شود. هدف از این تحقیق بررسی اثرات هندسه دورریز در کیفیت محصول نهایی در فرایند کشش عمیق می­باشد. در این پژوهش، از روش المان محدود معکوس بر پایه تکنیک تاکردن و شبکه عصبی مصنوعی برای بررسی اثرات هندسه دورریز در کیفیت محصول نهایی استفاده می­شود. متغیرهای مورد مطالعه شامل نازک­شدگی (کرنش ضخامتی) در مرکز و دیواره قطعه می­باشد و در مقابل تخمین بلانک اولیه و اثرات هندسه دورریز که شامل طول ناحیه ورق­گیر و شعاع فلنج است به عنوان متغیرهای خروجی در نظر گرفته می­شود. در این تحقیق، ابتدا فرآیند کشش عمیق با استفاده از روش المان محدود معکوس برای یک قطعه فنجان دایره­ای و مربعی مدلسازی می­شود و با نتایج حاصل از حل اجزاء محدود مستقیم صحه گذاری می­شود. سپس با استفاده از داده­ های جمع آوری شده از روش اجزاء محدود معکوس به ایجاد یک شبکه عصبی مصنوعی برای خروجی­ های فرآیند پرداخته­ می­شود. بررسی نتایج حاصل از مدل توسط شبکه عصبی مصنوعی ایجاد شده نشان از سرعت و دقت بالای این مدل در تخمین خروج­ها در فرآیند کشش عمیق دارد.

 

1- مقدمه

امروزه با افزایش فناوری و افزایش بازار رقابت جهانی، اغلب صنایع تولیدی قطعات فلزی از جمله صنایع خودروسازی به دنبال تولید قطعاتی با کیفیت بهتر، کمترین دورریز همراه با کاهش مراحل، زمان و هزینه تولید هستند. در میان روش ­های شکل­دهی ورق­های فلزی، فرآیند کشش عمیق به دلیل تولید قطعات پیچیده و کیفیت قطعات تولیدی بالا مورد توجه زیادی قرار گرفته است[1].

همچنین اثرات هندسه­ ی دورریز[1] در طول پروسه شکل­ دهی فلزات در کیفیت محصول نهایی بسیار تاثیر گذار می­باشد. منظور از دورریز میزان ماده­ ی اضافی است که پس از شکل­ دهی با عملیات آرایش[2] به دور ریخته می­شود. علاوه بر دورریز، شرایط مرزی نیز نظیر نیرو و اصطکاک در ناحیه ورق­گیر[3] تاثیر بسیار زیادی روی شکل­ پذیری و کیفیت محصول نهایی در تولید قطعات خودرو دارد. یک طراحی مناسب از هندسه ­ی دورریز می­تواند اثرات مفید زیادی روی حذف مشکل پارگی و چروکیدگی در قطعه، صرفه جویی در مواد مصرفی، کاهش هزینه و ... داشته باشد.

باتوز و همکارانش[2]، روش عددی جدیدی را برای بهینه ­سازی شکل بلانک اولیه که نقش مهمی بر روی کیفیت قطعه سه بعدی نهایی که توسط کشش عمیق ورق­های نازک بدست می­آید، ارائه کرده­اند. در این روش ابتدا به بیان یک روش المان محدود معکوس غیرخطی مبتنی بر اصل کار مجازی پرداخته است و همچنین یک الگوریتم بهینه­ سازی تکامل یافته را ارائه می­دهد. سپس این روش را در بهینه­ سازی شکل بلانک در کشش عمیق یک فنجان مربعی بکار می­گیرد. عاصم­پور و همکارانش[3]، با استفاده از کاربرد روش المان محدود معکوس یک بلانک بهینه برای هندسه­ های سه بعدی در فرآیند شکل ­دهی فلزات پیش بینی کرده ­اند. در این روش با استفاده از مفهوم تاکردن هندسه سه بعدی به یک مسأله دو بعدی تبدیل می­شود و با پیاده سازی تئوری تغییر شکل کلی [4] و به حداقل رساندن انرژی روی المان­های تاخورده، موقعیت گره­ ها و شکل بلانک اولیه را می­توان بدست آورد. دبری و همکارانش[4]، با استفاده از روش المان محدود معکوس به طراحی و بهینه­سازی سطوح دورریز پرداختند. در این پژوهش، چندین پارامتر هندسی مرتبط با سطوح دورریز بعنوان قید و تعدادی تابع هدف برای قطعه کار تعریف می­شود، سپس این پارامتر­های هندسی، بهینه می­شوند تا از حداقل مواد استفاده شود و بهترین شکل­ پذیری بدست بیاید. هم­چنین به مقایسه عملکرد و کارآیی دو الگوریتم [5]FSQP و [6]RSM می­پردازند. نتایج عددی نشان می­دهد که این طراحی به سرعت به سمت یک راه حل بهینه همگرا می­شود و همچنین روش RSM بدون محاسبه گرادیان با ثبات­تر و کارآمدتر از روش FSQP به نظر می­رسد.

لین و چانگ[5]، یک سیستم هوشمند مبتنی بر شبکه عصبی برای ابزار خمش ورق­های فلزی ارائه داده ­اند. آن­ها مدل یادگیری را با توجه به ویژگی­ های مشکل خود به دو دسته تقسیم کردند­، مشخصات دیجیتالی و مشخصات شرطی که از مشخصات شرطی به عنوان یک مدل یادگیری استفاده می­شود. رافینی و همکارانش[6]، از یک شبکه عصبی مصنوعی با استفاده از روش المان محدود برای به حداقل رساندن برگشت فنری[1] در یک فرآیند شکل­دهی کانال استفاده کرده­اند، آن­ها عوامل متعددی مانند خواص مواد، ضخامت ورق، شرایط روانکاری و هندسه ابزار در نظر گرفتند و از الگوریتم پسانتشار خطا[2] در شبکه مصنوعی استفاده کرده­اند. کیم و همکارانش[7] با استفاده از روش المان محدود یک شبکه عصبی مصنوعی برای فرآیند شکل­دهی فلزات پیشنهاد کرده ­اند. آن­ها از الگوریتم پس­انتشار خطا و الگوریتم تکثیر سه بعدی برای کاهش تعداد شبیه­ سازی المان محدود برای طراحی محصولات تولیدی آهنگری استفاده کرده ­اند. مروتی و همکاران[8]، از شبیه­ سازی فرآیند کشش عمیق در نرم­ افزار Abaquse و ترکیب شبکه­ عصبی مصنوعی و الگوریتم ژنتیک برای بهینه ­سازی شکل اولیه ورق استفاده کرده­ اند. براساس نتایج آن­ها شبکه عصبی مصنوعی و الگوریتم ژنتیک به خوبی می­توانند با هم ترکیب شده و برای مدلسازی و بهینه­ سازی فرآیند­های مختلف استفاده شوند. جی و رامامورتی[9]، یک روش بهینه­ سازی عددی برای تعیین هندسه ­ی بهینه­ ی ورق پیشنهاد داده­ اند. هدف آن­ها افزایش شکل ­پذیری ورق با جلوگیری از ایجاد دو عیب شکست[3] و کشیده­ شدگی به داخل[4] و پارامترهای متغیر آن­ها مشخصات یک ورق مناسب بوده است. آن­ها طراحی بهینه را برای سه پروفیل مختلف انجام داده و در نهایت با توجه به شکل پذیری قطعه و یکنواختی شکل فلنج قطعه نهایی، پروفیل دایره­ای را به عنوان شکل بهینه ورق برای کشش قطعه مستطیل شکل پیشنهاد کرده­اند.

با مطالعه مقالات در زمینه بررسی اثرات هندسه دورریز و شرایط مرزی در کیفیت محصول نهایی، به این نتیجه رسیده شد که تا­کنون این اثرات در کیفیت محصول با استفاده از روش اجزاء محدود معکوس[5] بر پایه تکنیک تاکردن[6] مدلسازی نشده است . در نتیجه هدف از این تحقیق بررسی اثرات هندسه دورریز در کیفیت محصول نهایی فرایند کشش عمیق در صنایع خودروسازی می­باشد. در این مدلسازی، از روش المان محدود معکوس بر پایه تکنیک تاکردن و شبکه عصبی مصنوعی[7]برای بررسی اثرات هندسه دورریز در کیفیت محصول نهایی استفاده خواهد شد. در این مدلسازی، مقدار نازک­شدگی(کرنش ضخامتی) در مرکز و دیواره قطعه، بعنوان متغیرهای طراحی مسأله تعریف می­شوند و همچنین تعدادی مشخصه خروجی به منظور محک زدن کیفیت ورق شکل داده شده نظیر تخمین اندازه بلانک اولیه و اثرات هندسه دورریز که شامل طول ناحیه ورق­گیر و شعاع فلنج قطعه است، در نظر گرفته می­شود.

 

2- روش پژوهش

1-2- روش المان محدود معکوس

در روش المان محدود معکوس هندسه قطعه نهایی جز ورودی مشخص طراحی مسأله است و بوسیله آن به تخمین پارامترهای فرآیند کشش عمیق پرداخته می­شود. در این روش شکل، اندازه بلانک اولیه و توزیع کرنش و تنش در قطعه نهایی جز مجهولات محسوب می­شوند. در این روش سه فرض­ زیر برای حل مسائل در نظر گرفته می­شود:

1) ماده همسانگرد و ناهمسانگرد نرمال

2) استفاده از تئوری تغییر شکل پلاستیسیته

3) شرایط تنش صفحه­ای

در ادامه روش المان محدود معکوس تاکردن تک مرحله­ای معرفی می­شود.

در ابتدا هندسه­ ی قطعه نهایی را با المان غشایی مثلثی که هر گره دارای دو درجه آزادی هستند مش­بندی کرده، سپس از تکنیک تاکردن بر روی هندسه قطعه نهایی استفاده می­شود. این تکنیک همانطور که در شکل 1 نشان داده شده است شامل دو مرحله اصلی است: 1) تصویر کردن، که در آن مختصات طول و عرض تمام المان­ها تصویر شده روی سطح برابر مختصات طول و عرض نقاط موجود روي قطعه سه بعدي مي­باشد. 2) تا کردن، که در آن هر المان بطور مجزا حول مرکز المان دوران داده می­شود تا بصورت افقی در بیایند.

 

شکل1- فرآیند تاکردن و تصویر کردن هر المان از قطعه نهایی[3]

شکل1- فرآیند تاکردن و تصویر کردن هر المان از قطعه نهایی[3]

 

از آن­ جایی که در این تکنیک از روابط تغییر شکل کوچک استفاده می­شود، ماتریس سختی المان یک ماتریس ثابت خواهد بود در نتیجه با استفاده از اصل کمینه کردن انرژی پتانسیل در المان غشایی مثلثی، ماتریس سختی هر المان بصورت زیر تعیین می­گردد[3]:

فرمول 1

در اين رابطه، ماتریسD ، ماتریس خاصیت ماده و ماتريسB ، عملگر خطي کرنش است. همچنين در ابتدا، ضخامت تمامی المان­ها برابر ضخامت ورق اوليه فرض می­شود و در مراحل بعدي حل، تصحيح خواهد گرديد. در روش تاکردن، نيروهاي خارجي وارد بر سيستم به صورت نيروهاي صفحه ­اي درنظر گرفته مي­شوند. اين نيروها معادل نيرو­هايي هستند که سبب تغيير شکل قطعه سه بعدي به حالت اوليه و يا حالت تاشده به ورق اوليه مي­باشند. همچنین جابجایی هر گره از المان دو مولفه دارد:

فرمول 2

بنابراین می­توان از تفاضل مختصات گره­ هاي المان تاخورده با المان تصوير شده مولفه­های مربوط به جابجایی گره­ های المان را بدست آورد. درنتيجه بردار نيرو در المان f به صورت زير محاسبه مي­گردد:

فرمول3

کمينه کردن انرژي پتانسيل در روش المان محدود، به يک دستگاه معادلات خطي بر حسب سختي، جابجايي گره ­ها و نيروهاي خارجي وارد بر گره­ها منجر مي­شود. بنابراين در اين مرحله بايد بردار نيروها و سختي در تمام گره ­ها با يکديگر مونتاژ گردند. در نتیجه نيرو در يک گره، از جمع برداري نيروهاي تمامي المان­ هايي که در آن گره اشتراک دارند به دست مي­آيد. همچنين مونتاژ ماتريس سختي براي تمام المان­ هاي تا­خورده مطابق اصول روش المان محدود انجام مي­گيرد. بنابراين سيستم معادلات خطي کلي ناشي از اصل کمينه کردن انرژي پتانسيل به صورت زير می­شود:

فرمول 4

در رابطه بالا F بردار نیروی کلی، K ماتریس سختی و بردار نیروی جابجایی کلی گره­ها می­باشند.

براي حل دستگاه معادلات فوق بايد برخي از گره ­ها ثابت گردند. به عنوان نمونه وقتي که با استفاده از تقارن، يک چهارم قطعه مدل مي­شود، نقاط واقع برروي خطوط تقارن بايد روي همان محور حرکت کنند. بردار a به دست آمده از معادله، معرف ميزان جابجايي گره­ها بوده و با افزودن آن به مختصات نقاط تصوير شده، شکل بلانک اوليه حاصل مي­شود. شکل به دست آمده به عنوان تخمين ابتدايي محسوب گشته و در ادامه تصحيح مي­گردد. براي انجام تصحيحات برروي شکل به دست آمده، لازم است کرنش­هاي هر المان محاسبه شوند. در اين مرحله، براي هر المان مثلثي که تغييرشکل همگن را تجربه کرده است، دو حالت ابتدايي(قبل از بارگذاری) و نهايي(بعد از بارگذاری) معلوم است. بنابراين کرنش مطابق روابط مکانيک محيط­هاي پيوسته قابل محاسبه است. بعد از محاسبه کرنش در هر المان، خواص ماده تصحيح شده و مجدداً حل تکرار مي­شود. بعد از تکرار اين روند، تغييري در جابجايي گره­ها حاصل نشده و همگرايي حاصل مي­گردد. پس از اولین مرتبه حل و بدست آوردن کرنش­ها، خاصیت ماده از روش مستقیم[1] مطابق شکل 2 تصحیح می­شود[10].

 

شکل 2- تصحیح خاصیت ماده با روش مستقیم[11]

شکل 2- تصحیح خاصیت ماده با روش مستقیم[11]

 

از آنجاييکه در اولين مرحله، مقدار کرنش در هر المان معين نيست، خاصيت تمامي المان­ها الاستيک و ضخامت آن ها با يکديگر برابر فرض شده است. به اين ترتيب ماتريس خاصيت ماده در اولين تکرار (D) براي همه المان­ها به صورت زير خواهد بود:

فرمول 5

در این رابطه، ضریب پواسون و E مدول الاستیسیته ماده است. بعد از اولین مرتبه حل و محاسبه کرنش­ها در جهات اصلی، می­توان کرنش معادل را محاسبه نمود.

فرمول 6

در رابطه بالا، r ضریب ناهمسانگرد نرمال است. همچنین نازک­شدگی از مجموع کرنش­ها در جهات اصلی محاسبه می­شود.

فرمول 7

با داشتن مقدار کرنش معادل می­توان از رابطه سخت­شوندگی هولمن، تنش سیلان معادل را محاسبه نمود.

فرمول 8

درنتيجه با استفاده از تئوري تغيير شکل پلاستيسته در قانون سيلان[1]، ماتریس D مطابق زير خواهد شد:

فرمول 9

که در رابطه بالا r ضریب ناهمسانگرد نرمال است. در مرحله بعدي، با توجه به کرنش­ هاي به دست آمده در هر المان، ماتريس خاصيت ماده و ضخامت هر المان اصلاح شده و مجدداً دستگاه معادلات خطي حل مي­گردد[11].

 

2-2- شبکه عصبی مصنوعی

شبکه‌های عصبی، سیستم‌ها و روش‌های محاسباتی جدیدی برای یادگیری ماشینی، نمایش دانش­ها و در آخر اعمال دانش به دست آمده در جهت پیش‌بینی پاسخ‌های خروجی از سامانه ­های پیچیده هستند. فکر اصلی این گونه شبکه‌ها تا حدودی الهام‌گرفته از شیوه ­ی کارکرد سیستم عصبی زیستی برای پردازش داده ­ها و اطلاعات به منظور یادگیری و ایجاد دانش قرار دارد. عنصر کلیدی این ایده، ایجاد ساختارهایی جدید برای سامانه­ ی پردازش اطلاعات است. این سیستم از شمار زیادی عناصر پردازشی فوق‌العاده بهم‌پیوسته با نام نورون[1] تشکیل شده که برای حل یک مسئله با هم هماهنگ عمل می‌کنند و توسط سیناپس­ها (ارتباطات الکترومغناطیسی) اطلاعات را منتقل می‌کنند. قوانین یادگیری مختلفی برای شبکه­ های عصبی موجود است که یکی از معروف­ترین و پرکاربردترین قوانین شبکه­ های عصبی مصنوعی، شبکه عصبی پرسپترون[1] بخصوص پرسپترون چندلایه می­باشد. این شبکه­ها قادرند، پس از انتخاب مناسب تعداد لایه ­ها و نورون­ها، یک مدل غیرخطی را با دقت بالا تخمین بزنند. در بسیاری از مسائل پیچیده­ ی ریاضی که به حل معادلات غیر خطی منجر می­شود، یک شبکه­ ی پرسپترون چند لایه می­تواند به سادگی با تعریف اوزان و توابع مناسب مورد استفاده قرار گیرد. نورون­هایی که در لایه ورودی هستند، نورون­هایی حسی[2] و نورون­های لایه خروجی، نورون­های پاسخ دهنده[3] هستند. در لایه­ پنهان[4] نیز، نورون­های پنهان وجود دارند.

بنابراین در این پژوهش از نرم­افزار Matlab جهت ایجاد شبکه عصبی مصنوعی برای بررسی اثرات هندسه دورریز در فرآیند کشش عمیق بهره برده می­شود.

 

1-2-2- مدلسازی فرآیند کشش عمیق توسط شبکه عصبی مصنوعی

از آن جایی که در این پژوهش طراحی اثرات هندسه دورریز که شامل طول ناحیه ورق­گیر و شعاع فلنج و همچنین تخمین بلانک اولیه به­عنوان مشخصه­ های مهم خروجی در این فرآیند در نظر گرفته می­شود، بنابراین به ایجاد و آموزش شبکه­ های عصبی پرداخته می­شود. به منظور استفاده از شبکه ­های عصبی مصنوعی اطلاعات جمع­آوری شده از روش المان محدود معکوس بصورت تصادفی به سه دسته ­ی داده­ های آموزش، داده ­های اعتبارسنجی و داده ­های تست تقسیم می­شوند. از میان 29 گروه داده ­ی موجود 21 گروه داده برای آموزش و 4 گروه داده جهت اعتبارسنجی و 4 گروه داده جهت تست شبکه عصبی استفاده می­شود. در این پروژه تعداد نورون­های مخفی برابر 6 در نظر گرفته می­شود.

همچنین نازک­شدگی در مرکز و دیواره قطعه در قطعات فنجان دایره ­ای و مربعی بعنوان تابع ورودی شبکه عصبی در نظر گرفته می­شوند. شکل 3 ساختار شبکه عصبی مورد استفاده در مدلسازی فرآیند کشش عمیق را نشان می­دهد.

 

شکل 3- ساختار شبکه عصبی مورد استفاده در مدلسازی فرآیند کشش عمیق

شکل 3- ساختار شبکه عصبی مورد استفاده در مدلسازی فرآیند کشش عمیق

 

در شکل 4 نمودار رگرسیون آموزش شبکه عصبی برای قطعه فنجان دایره­ای(الف) و مربعی(ب) برای تخمین بلانک اولیه آورده شده است که محور افقی هر نموار نشان­دهنده­ی تخمین بلانک اولیه حاصل از روش المان محدود معکوس و محور عمودی نشا­ن­ دهنده مقادیر حاصل از پیش­بینی شبکه عصبی مصنوعی است.

 

شکل4- رگرسیون خطی داده¬ها آموزشی

شکل4- رگرسیون خطی داده ­ها آموزشی

 

3- نتایج و بحث

در این پژوهش از دو فنجان دایره­ای و مربعی مطابق شکل 5 برای بررسی اثرات هندسه دورریز استفاده شده است. از آن­جایی که قطعات متقارن هستند، یک­ چهارم قطعه در نظر گرفته می­شوند(تمامی ابعاد در شکل 5 برحسب میلی­متر است). همچنین جنس و مشخصات ورق استفاده شده در این پژوهش در جدول 1 آورده شده است[3].

 

شکل 5- فنجان¬های دایره¬ای و مربعی

شکل 5- فنجان­ های دایره­ ای و مربعی

 

جدول 1

 

همانطور که در قسمت قبل بیان شد، برای جمع­آوری داده برای ایجاد شبکه عصبی در قطعه فنجان دایره­ای شعاع فلنج (برحسب میلی­متر) را در بازه­ی 7≥ R≥ 3 و طول فلنج (برحسب میلی­متر) در بازه 23.76≥ L≥ 19.44 و برای قطعه فنجان مربعی 12≥ R≥ 8 و طول فلنج در بازه­ ی 33≥ L≥ 27 در نظر گرفته می­شود.

به منظور بررسی کارآیی روش پیشنهادی برای اثرات هندسه دورریز در فرآیند کشش عمیق باید نتایج شبکه عصبی با داده­های حاصل از روش المان محدود معکوس مقایسه شود. برای این منظور مقادیر پارامترهای ورودی برای چند نمونه از قطعات فنجان مربعی و دایره­ای با استفاده از روش المان محدود معکوس حل می­گردند و مقادیر خروجی اخذ شده با نتایج شبکه عصبی برای این مقادیر ورودی مقایسه می­شوند. همچنین در این مقاله برای صحت­ سنجی نتایج المان محدود معکوس از نرم­ افزار Abaquse استفاده می­شود.

در جدول 2 و 3 ابتدا برای صحت سنجی نتایج روش المان محدود معکوس به مقایسه نتایج آن با استفاده از نرم ­افزار Abaquse پرداخته و در مرحله بعد به مقایسه نتایج شبکه عصبی دو مدل دلخواه از قطعه فنجان دایره­ای با روش المان محدود معکوس پرداخته می­شود.

 

جدول 2و 3

نمودار حد شکل­ دهی و بلانک اولیه برای طول(L) 5 میلی­متر و شعاع فلنج(R) 21.6 میلی­متر از فنجان دایره­ ای در شکل6 نشان داده شده است.(در نمودار حد شکل­ دهی محور افقی کرنش در جهت اصلی x و محور قائم کرنش در جهت اصلی y است).

 

شکل 6- نمودار حد شکل¬دهی و بلانک اولیه برای فنجان دایره¬ای

شکل 6- نمودار حد شکل­ دهی و بلانک اولیه برای فنجان دایره ­ای

 

همچنین در جدول 4 و 5 ابتدا برای صحت سنجی نتایج روش المان محدود معکوس به مقایسه نتایج آن با استفاده از نرم­افزار Abaquse پرداخته و سپس به مقایسه نتایج شبکه عصبی دو مدل دلخواه از قطعه فنجان مربعی با روش المان محدود معکوس پرداخته می­شود.

جدول 4 و 5

نمودار حد شکل­ دهی و بلانک اولیه برای طول 10 میلی­متر و شعاع فلنج 30 میلی­متر از فنجان مربعی در شکل 7 نشان داده شده است.

 

شکل 7- نمودار حد شکل¬دهی و بلانک اولیه برای فنجان مربعی

شکل 7- نمودار حد شکل­ دهی و بلانک اولیه برای فنجان مربعی

 

‏‏4- نتیجه‏ گیری

در این تحقیق، ابتدا به جمع ­آوری داده ­ها از دو قطعه­ ی فنجان دایره­ ای و مربعی با استفاده از روش المان محدود معکوس تاکردن پرداخته و سپس برای تخمین مقادیر دورریز و بلانک اولیه به ایجاد شبکه­ های عصبی مصنوعی پرداخته می­شود، که نتایج زیر را به دنبال دارد:

1- با استفاده از مدل­های شبکه عصبی می­توان در صرف هزینه و زمان صرفه­ جویی کرد.

2- این روش نیازی به استفاده از روش المان محدود مستقیم و یا انجام آزمایشات عملی نخواهد داشت.

3- همچنین با ایجاد این مدل­های شبکه عصبی مصنوعی براحتی می­توان مقادیر بلانک اولیه و هندسه دورریز شامل طول ناحیه ورق­گیر و شعاع فلنج را برای قطعات بررسی شده در این پژوهش با تعیین مقدار نازک­شدگی در مرکز و دیواره قطعه بدست آورد.

Body in white

جهت دیدن مطالب بیشتر کلیک کنید.

جهت دیدن فیلم های آموزشی بیشتر کلیک کنید

این مقاله توسط کسری احمدی درزیکلایی، منصور شاملوفرد، احمد عاصم­پور در اولین سمپوزیوم ساخت بدنه خودرو (BIW98) The First Symposium on Automotive Body In White manufacturingدر دانشگاه صنعتی شریف ارائه شده است

مراجع

[1] A. Haghparast, H. Gorji, M. Bakhshi, G.M. Alinejad . Experimental and Numerical Study of Hydrodynamic Deep Drawing Process of Rectangular Cups and Blank Shape Optimization, 2018, p 851-862.

[2] Naceur, H., Guo, Y. Q., & Batoz, J. L. (2004). Blank optimization­­ in sheet metal forming using an evolutionary algorithm. Journal of Materials Processing Technology, 151(1-3), 183-191.

[3] Azizi, R., &Assempour, A. (2008). Applications of linear inverse finite element method in prediction of the optimum blank in sheet metal forming. Materials & Design, 29(10), 1965-1972.

[4] Debray, K., Li, Y. M., &Guo, Y. Q. (2013). Parametric design and optimization of addendum surfaces for sheet metal forming process. International journal of material forming, 6(3), 315-325.

[5] Lin, Zone-Ching, and Da-Yuan Chang. "Application of a neural network machine learning model in the selection system of sheet metal bending tooling." Artificial intelligence in engineering 10, no. 1 (1996): 21-37.

[6] Ruffini, R., and J. Cao. Using neural network for springback minimization in a channel forming process. No. 980082. SAE Technical Paper, 1998.

[7] Kim, D. J., and B. M. Kim. "Application of neural network and FEM for metal forming processes." International Journal of Machine Tools and Manufacture 40, no. 6 (2000): 911-925.

[8] M. R. Morovvati, B. Mollaei-Dariani, M. Haddadzadeh, Initial Blank Optimization in Multilayer Deep Drawing Process Using GONNS. Journal of Manufacturing Science and Engineering, 2010. 210(13): p. 1738-1747

[9] H.C. Gea, R. Ramamurthy, Blank design optimization on deep drawing of square shells. IIE transactions, 1998. 30(10): p. 913-921.

http://behsanandish.com/learning/computational_intelligence/%D8%B4%D8%A8%DA%A9%D9%87-%D9%87%D8%A7%DB%8C-%D8%B9%D8%B5%D8%A8%DB%8C-%D9%85%D8%B5%D9%86%D9%88%D8%B9%DB%8C/

[10] مسعود حاجيان، "آناليز کرنش در پرسکاري ورق به روش اجزا محدود معکوس با در نظر گرفتن اثرات ابزار"،پايان نامه
کارشناسي ارشد، دانشگاه صنعتي شريف، شهريور 1387.

[11] مهدی بستان­شیرین، "ارایه یک روش المان محدود معکوس چندمرحله­ای در تحلیل فرآیند شکل­دهی ورق"، رساله دکتری، دانشگاه صنعتی شریف، دی 1392.

 


راهنما  لطفا برای درج نظر و یا سوال به موارد زیر توجه کنید:

  • قبل از طرح پرسش  خود ، سوالات دیگر را مطالعه بفرمایید.
  •  کلمات فارسی  را فارسی و انگلیسی را انگلیسی بنویسید.
  •  سوالتان بدون ابهام  و کامل باشد.
  • اگر میخواهید عکسی را همراه سوال آپلود نمایید  میتوانید لینک آن را در متن بگذارید و یا از گزینه  ارسال تصویر  استفاده کنید.

 

برای ارسال نظر، باید وارد اکانت کاربری خود شوید و یا در سایت ثبت نام کنید

Google Analytics Alternative