Numerické simulace inkrementálního tváření plechů umožňují podrobně sledovat, jak se materiál během výroby deformuje. Kvůli vysoké výpočetní náročnosti je však obtížné je využívat při optimalizaci drah nástroje, porovnávání výrobních strategií nebo kompenzaci výsledného tvaru. Vědci z IT4Innovations při VŠB – Technické univerzitě Ostrava a z Fraunhoferova institutu IWU proto vyvinuli náhradní model, který se učí z rozsáhlé sady FEM simulací a stav tvářeného plechu dokáže s potřebnou přesností předpovědět během desítek milisekund.
Pružná technologie s nepřesnostmi
Inkrementální tváření plechů (ISMF) je flexibilní výrobní metoda, při níž nástroj postupně deformuje plech podél předem definované dráhy. V něčem se podobá 3D tisku – výsledný tvar je dán digitálně nastaveným procesem, který lze snadno měnit. Hodí se proto hlavně pro prototypy, malé série a tvarově specifické díly. Stejně jako u 3D tisku ale výsledek nemusí přesně odpovídat zadání. Odchylky zde vznikají hlavně plastickou deformací, lokálním ztenčením materiálu a jeho odpružením po skončení zatěžování. Aby měl díl požadovaný tvar, je třeba tyto jevy předem odhadnout a geometrii či dráhu nástroje podle toho upravit.
K tomu se běžně využívají simulace metodou konečných prvků. Detailní FEM model popíše tváření velmi přesně, jeden výpočet však trvá desítky hodin. To je zásadní překážka všude tam, kde je třeba projít velké množství variant.
Tisíce simulací a miliony vzorků
Nový model nemá fyzikální simulace nahradit při tvorbě referenčních dat, ale naučit se z již hotových výpočtů vztah mezi průběhem výroby a odezvou materiálu. Po natrénování pak umí hodnotit nové varianty bez nutnosti znovu řešit celou FEM úlohu. Základem byl rozsáhlý dataset tisíců FEM simulací vytvořený na superpočítači Karolina, k trénování časově závislé varianty modelu posloužilo přes čtyři miliony vzorků, které zachycují i jednotlivé fáze deformace. Neuronové sítě se pak trénovaly na GPU evropského superpočítače LUMI.
Model pracuje nejen s požadovanou geometrií, ale i s historií pohybu nástroje, takže dokáže pro zvolený okamžik přímo předpovědět stav plechu, aniž by musel postupně generovat všechny předchozí kroky. Tím se omezuje hromadění chyb typické pro autoregresivní modely. Architektura Transformer Cross-Attention U-Net (TCAU) propojuje časovou a prostorovou složku úlohy: transformer zpracovává trajektorii nástroje, konvoluční část typu U-Net prostorovou odezvu plechu a mechanismus cross-attention obojí spojuje. V rozšířené verzi model současně předpovídá více fyzikálních veličin, například tvar, tloušťku, ekvivalentní plastickou deformaci či vnitřní energii, a samostatná část je určena i pro predikci odpružení.
Zlomek sekundy místo hodin
Výsledky ukazují, že model s vysokou přesností reprodukuje výsledky referenčních FEM simulací. Jedna predikce přitom na GPU trvá zhruba 34 až 90 milisekund. FEM simulace tak mohou sloužit k vytvoření fyzikálně konzistentních dat a k ověření vybraných řešení, zatímco neuronový model umožní rychle procházet rozsáhlý prostor výrobních parametrů. Typickým využitím je kompenzace geometrie – podobně jako se u 3D tisku předem upravuje model kvůli smrštění, lze u inkrementálního tváření hledat takovou dráhu nástroje či vstupní tvar, který po deformaci a odpružení povede k požadovanému výsledku.
Výzkum vznikl v rámci projektu FutureMold podpořeného ve výzvě 3 a spolufinancovaného Technologickou agenturou ČR z programu SIGMA. Výzkumná data i odborný článek jsou veřejně dostupné.
Zdroj: press.news
Zdroj: etec
“Model dokáže předpovědět stav plechu během desítek milisekund.”
Co vyvinuli vědci z IT4Innovations a Fraunhoferova institutu IWU?
Vyvinuli náhradní model pro simulace inkrementálního tváření plechů.
Jaký je význam nového modelu pro simulace?
Model zkracuje čas potřebný pro simulace z hodin na milisekundy.
Na čem byl model trénován?
Model byl trénován na datasetu tisíců FEM simulací vytvořených na superpočítači Karolina.
💬 Klíčové informace
- Nový model nemá fyzikální simulace nahradit při tvorbě referenčních dat, ale naučit se z již hotových výpočtů.
- Po natrénování pak umí hodnotit nové varianty bez nutnosti znovu řešit celou FEM úlohu.
- Model pracuje nejen s požadovanou geometrií, ale i s historií pohybu nástroje.
