بهينه سازي بازگشت فنري در فرآيند خمكاري ورق آلومينيومي A1050-H14 با تركيب روش المان محدود و الگوريتم ژنتيك چندهدفه

Optimization of Spring-back in Bending Process of Aluminum A1050-H14 Sheet Using Hybrid of Finite Element Method and Multi-Objective Genetic Algorithm

در فرآيندهاي شكل دهي قطعات ورقي، يكي از مهم ترين محدوديت ها، برگشت كشسان ورق بعد از برداشتن نيرو است كه معمولا منجر به پديده بازگشت فنري مي شود. در صورت كنترل نشدن اين پارامتر، توليد محصولات دقيق امكان پذير نخواهد بود. لذا هدف اصلي اين تحقيق، كمينه كردن ميزان بازگشت فنري همراه با جلوگيري از جوانه زني ترك در فرآيند خمكاري يك طرفه ورق آلومينيومي A1050-H14 است. بدين منظور، ابتدا فرآيند خمكاري ورق در نرم افزار المان محدود آباكوس شبيه سازي شد و تاثير پارامترهاي ضريب اصطكاك بين سنبه و ورق و سرعت پايين آمدن سنبه بر ميزان بازگشت كشسان ورق و همچنين بر ميزان تنش فون ميزز ايجادشده در ورق بررسي شد تا ضمن كمينه كردن ميزان بازگشت فنري، از جوانه زني ترك هم جلوگيري شود. در اين راستا، از زبان برنامه نويسي پايتون استفاده شد. سپس با تركيب الگوريتم بهينه سازي ژنتيك چندهدفه با روش المان محدود در نرم افزار مود فرانتير، مقادير بهينه پارامترهاي ورودي محاسبه شد. شايان ذكر است كه به منظور اعتبارسنجي نتايج، نتايج شبيه سازي اين تحقيق با نتايج تجربي ساير محققان مورد مقايسه قرار گرفت كه درصد خطاي نسبي بين نتايج عددي و تجربي برابر با 3/14% بود.

In sheet metal forming processes, one of the most important limitations relates to the elastic recovery after punch unloading, which usually leads to spring-back phenomenon. Production of precise parts without spring-back controlling is not possible. Hence, the main aim of the present research is to minimize the amount of spring-back as well as to prevent the crack initiation during bending process of Aluminum A1050-H14 sheet. For this purpose, firstly, the sheet metal bending process was numerically simulated in ABAQUS finite element package. Then, the effect of friction coefficient and punch velocity was investigated on elastic recovery and von Mises stress in order to minimize the spring-back as well as to prevent the crack initiation. In this regard, python programming language was utilized. Then, by linking multi-objective genetic algorithm and finite element method in modeFRONTIER software, the optimum values of the process parameters were determined. It should be mentioned that for validation purposes, the simulation results of the present study were compared with the experimental data available in literature, showing a 3.14% relative error between the numerical and experimental results.