استفاده از هوش مصنوعی به منظور بهینه سازی پارامترهای موثر در فرآیند کشش عمیق با هدف کنترل توزیع ضخامت در دیواره محصولات

فرآیند کشش عمیق یکی از روش های متداول شکل دهی ورق های فلزی در صنعت می باشد. در این فرآیند پارامترهای متعددی روی موفقیت فرآیند و خواص مکانیکی قطعات تولید شده تاثیر می گذارند. در تحقیق حاضر، تاثیرات هشت مورد از مهم ترین پارامترهای فرآیند کشش عمیق شامل شعاع گوشه سنبه، شعاع گوشه ماتریس، ضخامت ورق، نیروی ورق‌گیر، سرعت شکل‌دهی، ضریب اصطکاک بین قالب و ورق، ضریب اصطکاک بین ورق و ورق‌گیر و ضریب اصطکاک بین ورق و سنبه بر روی خروجی ضخامت روی دیواره قطعات تولید شده بررسی شده است. در ابتدا با توجه به تعداد پارامترها و سطوح آن ها با استفاده از روش طراحی آزمایشات پاسخ سطح (rsm) تعداد آزمایشات لازم جهت انجام کاهش یافت. سپس قالب مورد نیاز به منظور انجام آزمایشات طراحی و ساخته شده و نمونه ها با تنظیم پارامترهای ورودی روی سطوح آزمایشات طراحی شده تولید گردیدند. برای به دست آوردن مقادیر بهینه از نرم افزار اِلِمان محدود abaqus، روش طراحی آزمایش و شبکه عصبی استفاده شده است. سپس به منظور صحه گذاری نتایج، مدل شبیه سازی مربوط به آزمایشی که در آن پارامترهای خروجی بصورت تجربی اندازه گیری شده است ایجاد گردید. همچنین برای بررسی پارامتر خروجی در باقی نمونه ها از مدل المان محدود استفاده شد. نتایج به دست آمده از المان محدود برای آموزش شبکه عصبی از نوع levenberg- marquardt (lm) به کار برده شده اند. شبکه آموزش داده شده به وسیله داده های دیگر تست شد و برای به دست آوردن آزمایش بهینه در الگوریتم بهینه سازی brute force به کار گرفته شدند. نهایتا، نتایج به دست آمده از بهینه سازی، با نتایج مدل المان محدود صحه گذاری شده توسط مدل آزمایشگاهی ارزیابی شده اند. در پژوهش حاضر نتایج استخراج شده توسط روش های مختلف، از تطابق خوبی با یکدیگر برخوردار بوده اند.

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

|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.