بهيته سازي ابعاد پليسه، قطعه كار و فاكتور اصطكاك در فورجينگ سرد با قالب بسته

Optimization of Flash, Billet Dimensions and Friction Factor in Closed Die Cold Forging Process

در اين مقاله، در طراحي فرايند فورجينگ با قالبهاي بسته غير دقيق براي قطعات متقارن محوري، سه پارامتر نسبت عرض به ضخامت پليسه، نسبت ارتفاع به قطر قطعه كار (بيلت) و فاكتور اصطكاك، با روش اجزا محدود مورد بررسي قرار گرفته است. همچنين دو عامل مهم در فرايند فورج شامل نيروي لازم براي فورج و مقدار پرشدن فضاي داخلي قالب مورد بررسي قرار گرفتگرديد. با كنترل ابعاد پليسه، امكان كاهش مقدار دور ريز مواد مصرفي و افزايش درصد پرشدن قالب ايجاد مي‌شود. در اين مقاله شبيه‌سازي اجزا محدود فورج يك قطعه توليد شده انجام شده است. سپس، براي اعتبار سنجي نتايج اين كار تحقيقاتي، مقدار نيروي به‌دست آمده از روش اجزا محدود با مقدار نيروي كار تجربي مقايسه شده است. براي هماهنگ كردن و ارتباط دادن بين پارامترهاي مذكور و به‌دست آوردن تابع عملكرد، شبكه عصبي دولايه بكار گرفته شده است. با به كارگيري تابع به-دست آمده از شبكه عصبي و استفاده از الگوريتم ژنتيك، فاكتور اصطكاك و ابعاد پليسه و قطعه‌كار براي كاهش مقدار نيرو و افزايش درصد پر شدن قالب به‌دست آمد. سپس، اين مقادير با نتايج كار تجربي مرجع ديگر، مقايسه شده است. الگوريتم ژنتيك تخمين قابل قبولي براي پارامترهاي موثر در فرايند فورج ارايه كرد، به طوري‌كه تطابق و نزديكي خوبي بين نتايج اين الگوريتم و روش تجربي وجود دارد.

Three important parameters in designing a closed die for forging process are ratio of width to flash thickness, ratio of height to billet diameter and the friction factor. In this paper the influences of these parameters on the required force for the forging and percentage of die filling were investigated. It was found that by controlling the flash dimension, the material loss is reduced and the percentage of die filling is increased. Also, an experimental model was simulated and analyzed by finite element method. To validate the numerical results obtained by this research, value of gained force from finite element method was compared with the obtained experimental results. In order to coordinate and connect between the mentioned parameters and obtain a performance function, a two layer neural network was used. Finally, by using neural network and genetic algorithm, the optimum sets of parameters which minimized the force and maximized the percentage of die filling were found. These values were compared with the experimental results of other researchers. The genetic algorithm has good correlation with the experimental method as well as it has presented acceptable estimation for effective parameters in the forging process.