بهینه‌سازی بازگشت فنری در فرآیند خمکاری ورق آلومینیومی A1050-H14 با ترکیب روش المان محدود و الگوریتم ژنتیک چندهدفه

در فرآیندهای شکل دهی قطعات ورقی، یکی از مهم ترین محدودیت ها، برگشت کشسان ورق بعد از برداشتن نیرو است که معمولاً منجر به پدیده بازگشت فنری می شود. در صورت کنترل نشدن این پارامتر، تولید محصولات دقیق امکان پذیر نخواهد بود. لذا هدف اصلی این تحقیق، کمینه کردن میزان بازگشت فنری همراه با جلوگیری از جوانه زنی ترک در فرآیند خمکاری یک طرفه ورق آلومینیومی a1050-h14 است. بدین منظور، ابتدا فرآیند خمکاری ورق در نرم افزار المان محدود آباکوس شبیه سازی شد و تاثیر پارامترهای ضریب اصطکاک بین سنبه و ورق و سرعت پایین آمدن سنبه بر میزان بازگشت کشسان ورق و همچنین بر میزان تنش فون میزز ایجادشده در ورق بررسی شد تا ضمن کمینه کردن میزان بازگشت فنری، از جوانه زنی ترک هم جلوگیری شود. در این راستا، از زبان برنامه نویسی پایتون استفاده شد. سپس با ترکیب الگوریتم بهینه سازی ژنتیک چندهدفه با روش المان محدود در نرم افزار مود فرانتیر، مقادیر بهینه پارامترهای ورودی محاسبه شد. شایان ذکر است که به منظور اعتبارسنجی نتایج، نتایج شبیه سازی این تحقیق با نتایج تجربی سایر محققان مورد مقایسه قرار گرفت که درصد خطای نسبی بین نتایج عددی و تجربی برابر با 3/14% بود.

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

In sheet metal forming processes, one of the most important limitations relates to the elastic recovery after punch unloading, which usually leads to springback phenomenon. Production of precise parts without springback controlling is not possible. Hence, the main aim of the present research is to minimize the amount of springback as well as to prevent the crack initiation during bending process of Aluminum A1050H14 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 springback as well as to prevent the crack initiation. In this regard, python programming language was utilized. Then, by linking multiobjective 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.