Прогнозування напружено-деформованого стану заготовки для нового методу інтенсивної пластичної деформації з використанням САЕ-системи та нейронної мережі
Анотація
Тарасов О. Ф., Васильєва Л. В., Грибков Е. П., Мирошниченко Д. В. Прогнозування напружено-деформованого стану заготовки для нового методу інтенсивної пластичної деформації з використанням САЕ-системи та нейронної мережі
Схема запропонованого процесу деформування дозволяє виконати інтенсифікацію зсувних деформацій в перерізі заготовки і за характером впливу на заготовку відповідає методам інтенсивної пластичної деформації. На відміну від інших методів реверсивного зсуву, в результаті кожної операції деформування отримується симетрична форма поперечного перерізу заготовки. Процеси такого типу простіше у реалізації, легше масштабуються, але вимагають вибору геометричної форми штампу, щоб забезпечити необхідний розподіл накопиченого ступеня деформації в поперечному перетині заготовки.
Розроблений програмний комплекс для виконання прогнозу зміни значень напружено-деформованого стану в заданих точках заготовки на основі нейронної мережі, який базується на результатах моделювання в САЕ-системі, і працює паралельно з нею. Виконано прогнозування за допомогою нейронної мережі процесу змінення напружено-деформованого стану заготовки в процесі розрахунку в САЕ-системі. Перевірка відбувалась на значеннях еквівалентної деформації, яка була розрахована при зміненні кількості точок в тілі заготовки від 1 до 5. Час підготовки даних, аналізу та прогнозування значень нейронної мережі не перевищував 60 с. Точність прогнозу значень еквівалентної деформації, який був отриманий в результаті розрахунків, змінювалась у межах 85–99 %. Також підтверджено залежність точності прогнозу від розміру тренувальної вибірки. Це дозволяє використовувати нейронну мережу для прогнозування, наприклад, небажаних тенденцій змінення напружено-деформованого стану заготовки в процесі розрахунку і вчасно припиняти роботу САЕ-системи для переходу до інших значень параметрів розрахунку. Таким чином комбіноване використання САЕ-системи та нейронної мережі може суттєво зменшити час вибору оптимальних значень параметрів геометрії штампу за рахунок прогнозування напружено-деформованого стану в заданих точках заготовки.
Посилання
Edalati K., Bachmaier A., Beloshenko V. A., Beygelzimer Y., at all. Nanomaterials by severe plastic deformation: Review of historical developments and recent advances. Materials Research Letters. 2022. 10(4), рр. 163-256. https://doi.org/10.1080/21663831.2022.2029779
Tarasov A.F., Altukhov A.V, Gribkov E.P., Abdulov A.R. Development and FEM modeling of a new severe plastic deformation process according to the reverse shear scheme. Modelling and Simulation in Engineering. vol. 2019. Article ID 8563830. 10 pages. 2019. https://doi.org/10.1155/2019/8563830
Frodal. B.H., Christiansen E., Myhr O.R., Hopperstad O.S. The role of quench rate on the plastic flow and fracture of three aluminium alloys with different grain structure and texture. International Journal of Engineering Science. 2020. 150. 103257. https://doi.org/10.1016/j.ijengsci.2020.103257
Dou K., Lordan E., Zhang Y.J., Jacot A.,. Fan Z.Y A complete computer aided engineering (CAE) modelling and optimization of high pressure die casting (HPDC) process. Journal of Manufacturing Processes. 2020. 60, pp. 435–446. https://doi.org/10.1016/j.jmapro.2020.10.062
Zou X., Yan S., Reza Ilkhani M., Brown L., Jones A., Hamadi M. An Abaqus plugin for efficient damage initiation hotspot identification in large-scale composite structures with repeated features, Advances in Engineering Software. 2021. 153. https://doi.org/10.1016/j.advengsoft.2020.102964.
Ning An, Guangyu Yang, Kun Yang, Jian Wang, Meie Li, Jinxiong Zhou, Implementation of Abaqus user subroutines and plugin for thermal analysis of powder-bed electron-beam-melting additive manufacturing process, Materials Today Communications. 2021. 27. https://doi.org/10.1016/j.mtcomm.2021.102307
Youngbin Lim, Sangyul Ha, RufGen: A plug-in for rough surface generation in Abaqus/CAE. SoftwareX. 2023. https://doi.org/10.1016/j.softx.2023.101380
Nesládek M., Španiel M. An Abaqus plugin for fatigue predictions, Advances in Engineering Software, 2017. 103, pp. 1–11. https://doi.org/10.1016/j.advengsoft.2016.10.008
Riano L., Joliff Y., An Abaqus™ plug-in for the geometry generation of Representative Volume Elements with randomly distributed fibers and interphases, Composite Structures. 2019. 209, pp. 644–651. https://doi.org/10.1016/j.compstruct.2018.10.096.
Tarasov O.F., Altukhov O.V., Sagaida P.I., Vasylieva L.V. Automated design and manufacture of products using CAD/CAM/CAE systems: monograph. Kramatorsk: Printing House. 2017. 239 p. ISBN 978-966-379-772-4. (in Ukrainian).
Hu Wang, Yang Zeng, Enying Li, Guangxin Huang, Guoqiang Gao, Guangyao Li. “Seen Is Solution” a CAD/CAE integrated parallel reanalysis design system. Computer Methods in Applied Mechanics and Engineering. 2016. Vol. 299, pp. 187–214. https://doi.org/10.1016/j.cma.2015.10.022.
Peng, L., Liu, L., Long, T. et al. An efficient truss structure optimization framework based on CAD/CAE integration and sequential radial basis function metamodel. Struct Multidisc Optim. 2014. 50, pp. 329–346. https://doi.org/10.1007/s00158-014-1050-x
Liu, D. A Practical Guide to ReLU. 2017. URl: https://medium. com/tinymind/a-practical-guide-to-relu-b83ca804f1f7
Pat. 153484 Ukraina, B22 F3/03. The method of multiple reversible intensive plastic deformation of blanks. Tarasov O.F., Hrybkov E.P., Vasylieva L.V., Altukhov O.V., Pavlenko D.V. 2023. Bul. № 28. (in Ukrainian).
