استفاده از هوش مصنوعي به منظور بهينه سازي پارامترهاي مؤثر در فرآيند كشش عميق با هدف كنترل توزيع ضخامت در ديواره محصولات

The use of artificial intelligence in order to optimize the effective parameters in the deep drawing process with the aim of controlling the thickness distribution in the walls of the products

فرآيند كشش عميق يكي از روش هاي متداول شكل دهي ورق هاي فلزي در صنعت مي باشد. در اين فرآيند پارامترهاي متعددي روي موفقيت فرآيند و خواص مكانيكي قطعات توليد شده تأثير مي گذارند. در تحقيق حاضر، تأثيرات هشت مورد از مهم ترين پارامترهاي فرآيند كشش عميق شامل شعاع گوشه سنبه، شعاع گوشه ماتريس، ضخامت ورق، نيروي ورق‌گير، سرعت شكل‌دهي، ضريب اصطكاك بين قالب و ورق، ضريب اصطكاك بين ورق و ورق‌گير و ضريب اصطكاك بين ورق و سنبه بر روي خروجي ضخامت روي ديواره قطعات توليد شده بررسي شده است. در ابتدا با توجه به تعداد پارامترها و سطوح آن ها با استفاده از روش طراحي آزمايشات پاسخ سطح (RSM) تعداد آزمايشات لازم جهت انجام كاهش يافت. سپس قالب مورد نياز به منظور انجام آزمايشات طراحي و ساخته شده و نمونه ها با تنظيم پارامترهاي ورودي روي سطوح آزمايشات طراحي شده توليد گرديدند. براي به دست آوردن مقادير بهينه از نرم افزار اِلِمان محدود Abaqus، روش طراحي آزمايش و شبكه عصبي استفاده شده است. سپس به منظور صحه گذاري نتايج، مدل شبيه سازي مربوط به آزمايشي كه در آن پارامترهاي خروجي بصورت تجربي اندازه گيري شده است ايجاد گرديد. همچنين براي بررسي پارامتر خروجي در باقي نمونه ها از مدل المان محدود استفاده شد. نتايج به دست آمده از المان محدود براي آموزش شبكه عصبي از نوع Levenberg- Marquardt (LM) به كار برده شده اند. شبكه آموزش داده شده به وسيله داده هاي ديگر تست شد و براي به دست آوردن آزمايش بهينه در الگوريتم بهينه سازي Brute force به كار گرفته شدند. نهايتا، نتايج به دست آمده از بهينه سازي، با نتايج مدل المان محدود صحه گذاري شده توسط مدل آزمايشگاهي ارزيابي شده اند. در پژوهش حاضر نتايج استخراج شده توسط روش هاي مختلف، از تطابق خوبي با يكديگر برخوردار بوده اند.

|Deep drawing process is one of the common methods of forming sheet metals in the industry. In this process, several parameters affect the success of the process and the mechanical properties of the produced parts. In this research, the effects of eight most important parameters of the process on the thickness distribution on the wall of the produced parts have been investigated. First, by using the response surface method (RSM) design method, the number of tests needed to perform was reduced. Then, the mold needed to perform the tests was designed and made, and the samples were produced. Finite element method (FEM), experimental design method and neural networks have been used to obtain optimal values. Then, in order to validate the results, the simulation model related to the experiment in which the output parameters were experimentally measured was created. Also, the finite element model was used to check the output parameter in the rest of the samples. The results obtained from the finite element have been used to train the Marquardt-Levenberg (LM) neural network. The trained network was tested by the other data and were used to obtain the optimal test in the Brute force optimization algorithm. Finally, the results obtained from the optimization have been evaluated with the results of the finite element model validated by the experimental study. In the present study, the results obtained by different methods have been in good agreement with each other.