بهينه سازي چند هدفه فرآيند شكل دهي دمشي در دماهاي بالا براي توليد قطعات مربعي توسط شبكه عصبي و الگوريتم ژنتيك

Multiobjective optimization of hot metal gas forming process to production of square parts

شكل‌دهي دمشي فلز در دماهاي بالا فرآيندي است براي شكل‌دادن فلزاتي از قبيل آلومينيوم، منيزيم و تيتانيوم كه شكل‌پذيري پايين يا استحكام بالايي در دماي اتاق دارند و با افزايش دماي فرآيند تا دماهايي بالاتر از دماي تبلور مجدد فلز، شكل‌پذيري آن‌ها افزايش و استحكامشان كاهش قابل توجهي پيدا مي‌كند. در اين فرآيند براي توليد قطعاتي با خواص مطلوب، تعيين ميزان بهينه براي پارامترها ضروري مي‌باشد. در اين تحقيق فرآيند شكل‌دهي دمشي در دماهاي بالا با استفاده از نرم‌افزار Abaqus شبيه‌سازي شد و توسط نتايج شبيه‌سازي، نحوه تاثيرگذاري پارامترهاي ورودي بر خروجي‌هاي فرآيند مورد بررسي قرار گرفت. به منظور تأييد آزمايش‌هاي شبيه‌سازي نيز آزمايش‌هاي تجربي با استفاده از مجموعه شكل‌دهي دمشي انجام گرفت. با استفاده از اطلاعات به دست آمده از شبيه‌سازي عددي فرآيند، يك شبكه‌ي عصبي مصنوعي در نرم‌افزار Matlab به منظور مدل‌سازي فرآيند شكل‌دهي دمشي در دماهاي بالا آموزش داده شد. در شبكه عصبي آموزش داده شده، فشار، تغذيه محوري و زمان به عنوان پارامترهاي ورودي و شعاع، كمينه و بيشينه ضخامت به عنوان خروجي‌هاي مساله درنظر گرفته شد. درمرحله بعد اين مدل به عنوان تابع ورودي به الگوريتم بهينه سازي ژنتيك چند هدفه ارائه گرديد تا جبهه پارتو و پارامترهاي بهينه‌ي فرآيند به دست آيند. پارامترهاي بهينه‌ي حاصل شده عبارتند از: فشار داخلي 15/82 bar، تغذيه محوري 2/76 mm و زمان 69/02 s و مقادير شعاع گوشه، كمينه و بيشينه ضخامت بدست آمده از پارامترهاي بهينه به ترتيب برابر 0/808 mm، 4/43 mm و 1/93 mm مي-باشد.

Hot gas forming process forms materials with low formability or high strength at room temperature such as aluminum, magnesium and titanium. With increasing temperature, the formability of these metals increases and the strength decreases. In this process, for producing products with desirable properties, determination of optimal parameters is essential. In this study, hot gas forming process was investigated numerically by using Abaqus software, and the effects of input parameters on the outputs were studied by analyzing simulation results. In order to validate simulation results, the experimental test was carried out by using hot gas forming setup. For modeling hot gas forming process, artificial neural network and regression models was created by using data obtained from the numerical simulation and then the accuracy of these models was examined. In these models, pressure, axial feeding and time were assumed as input parameters and the radius, minimum and maximum thickness were considered as output. In the next stage, best model was used as input function in multi-objective genetic optimization algorithm to obtain Pareto front and optimum process parameters. Optimum parameters were obtained as follows: pressure 15.82bar, axial feeding 2.76mm and time 69.02s. In addition, values of radius corner, minimum and maximum thickness achieved from using optimum parameters are 4.43mm, 0.808mm and 1.93mm respectively.