Milling force-induced elastic deformation modeling and physical constraint transfer prediction of thin-walled grid conical shell

Stellen Sie sich eine dünne, gekrümmte Schale aus Metall vor, geformt wie ein Kegel und verstärkt durch ein Gitter aus Rippen, ähnlich dem Skelett eines Vogelflügels oder dem Gerüst einer Brücke. Diese Strukturen sind in der Luft- und Raumfahrt sowie in der Tiefsee-Exploration von entscheidender Bedeutung, da sie unglaublich stark und dennoch leicht genug sind, um schwere Lasten zu tragen, ohne übermäßiges Gewicht hinzuzufügen. Die Herstellung dieser Teile ist jedoch ein empfindlicher Balanceakt. Wenn ein Werkzeug das Material einer dieser Schalen abträgt, drückt die Kraft des Schneidwerkzeugs gegen das dünne Metall. Da das Metall so dünn und die Stützung durch die Rippen ungleichmäßig ist, biegt sich die Schale unter diesem Druck leicht durch. Diese Verbiegung ist während des Schnitts für das bloße Auge unsichtbar, verändert aber die Schnitttiefe. Wenn das Werkzeug sich entfernt und der Druck nachlässt, federt das Metall in seine ursprüngliche Form zurück, wodurch die endgültige Oberfläche leicht von dem beabsichtigten Zustand abweicht. Dies führt zu einem Bauteil mit ungleichmäßiger Dicke, was die Festigkeit und Sicherheit beeinträchtigen kann.

Die Herausforderung für Ingenieure bestand darin, genau vorherzusagen, wie stark diese Verbiegung ausfallen wird. Traditionelle Methoden stützen sich entweder auf komplexe mathematische Theorien, die mit den unregelmäßigen Mustern der Rippen Schwierigkeiten haben, oder sie nutzen Computersimulationen, die zwar unglaublich genau, aber so langsam und teuer sind, dass sie nicht für jeden einzelnen Schnitt in einer echten Fabrikhalle eingesetzt werden können. Zudem mangelt es an realen Daten; es würde Jahre dauern, genügend physische Tests durchzuführen, um jede mögliche Variation zu erlernen, und dabei unzählige teure Bauteile zerstören. Forscher suchten nach einem Weg, die Geschwindigkeit datengestützter Vorhersagen mit der Zuverlässigkeit physikalischer Gesetze zu kombinieren, insbesondere wenn sie nur über eine geringe Anzahl echter Experimente verfügen.

Ein Team von Forschern der Dalian University of Technology hat einen neuen Ansatz entwickelt, um dieses Problem für diese spezifischen, gitterartigen konischen Schalen zu lösen. Anstatt zu versuchen, die endgültige Form direkt aus den Maschineneinstellungen zu erraten, zerlegten sie das Problem in zwei miteinander verbundene Schritte. Zuerst konzentrierten sie sich darauf, die Kraft vorherzusagen, die das Schneidwerkzeug auf das Metall ausübt. Um dies zu erreichen, verwendeten sie eine Technik namens Transfer Learning. Sie begannen damit, ein Computermodell mit einer riesigen Menge an simulierten Daten zu trainieren, wobei der Computer tausende virtuelle Szenarien schnell durchspielen konnte. Dies gab dem Modell ein tiefes Verständnis dafür, wie sich das Werkzeug im Allgemeinen verhält. Anschließend nahmen sie dieses Wissen und verfeinerten es mithilfe eines viel kleineren Datensatzes aus tatsächlichen Fräsexperimenten. Dies ermöglichte es dem Modell, die spezifischen Besonderheiten der echten Maschine und des echten Metalls zu erlernen, ohne tausende physische Tests durchführen zu müssen.

Sobald das Modell die Schnittkraft vorhergesagt hatte, leitete es diese Information an einen zweiten Teil des Systems weiter. Dieser zweite Teil nutzte einen Satz physikalischer Regeln, die aus der Theorie der Verbiegung dünner Schalen abgeleitet wurden. Er nahm die vorhergesagte Kraft und die spezifische Steifigkeit des Metalls an genau dieser Stelle – unter Berücksichtigung der Nähe des Werkzeugs zu einer Rippe oder einer Lücke – und berechnete exakt, wie stark sich die Schale verbiegen würde. Durch die Verknüpfung der datengestützten Vorhersage der Kraft mit der physikbasierten Berechnung der Verbiegung schufen die Forscher ein System, das sowohl schnell als auch physikalisch konsistent ist. Sie verifizierten diese Methode, indem sie einen echten Kegel aus einer Aluminiumlegierung frästen, der ursprünglich eine Dicke von 10 Millimetern aufwies und auf eine Endrippenhöhe von 3,5 Millimetern bearbeitet wurde. Die Maschine verwendete ein 10 Millimeter breites Fräswerkzeug, das mit 5.000 Umdrehungen pro Minute rotierte.

Die Ergebnisse zeigten, dass diese hybride Methode signifikant genauer war als die Verwendung von reinen Daten oder traditionellen Simulationsmethoden allein. Bei Tests gegen reale Messungen, die während des Prozesses durchgeführt wurden, sagte das neue Modell die elastische Verformung in mehr als 93 Prozent der Fälle korrekt voraus, wobei einige Testmodi sogar über 95 Prozent Genauigkeit erreichten. Im Gegensatz dazu zeigten Modelle, die sich nur auf Daten oder nur auf Simulationen ohne diese spezifische Kombination von Techniken stützten, eine geringere Genauigkeit und hatten größere Schwierigkeiten mit plötzlichen Änderungen der Steifigkeit des Metalls. Die Studie zeigt, dass die Behandlung der Schnittkraft als entscheidender Zwischenschritt und die Nutzung einer kleinen Menge realer Daten zur Korrektur einer großen Menge simulierter Daten es Ingenieuren ermöglichen, das Verhalten dieser komplexen, dünnwandigen Teile zuverlässig vorherzusagen. Diese Fähigkeit bietet einen praktischen Weg, um diese kritischen Komponenten für die Luft- und Raumfahrt sowie für die Tiefsee mit der für ihren sicheren Betrieb erforderlichen Präzision herzustellen.