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

Stel je een dunne, gebogen schaal voor van metaal, gevormd als een kegel en versterkt met een rooster van ribben, vergelijkbaar met het skelet van een vogelvleugel of het frame van een brug. Dergelijke structuren zijn essentieel in de luchtvaart en diepzee-exploratie omdat ze ongelooflijk sterk zijn, maar tegelijkertijd licht genoeg om zware lasten te dragen zonder excessief gewicht toe te voegen. Het maken ervan is echter een delicaat evenwicht. Wanneer een werktuigmachine materiaal wegsnijdt om deze schalen vorm te geven, duwt de kracht van het snijwerktuig tegen het dunne metaal. Omdat het metaal zo dun is en de ondersteuning van de ribben ongelijkmatig is, buigt de schaal onder deze druk lichtjes door. Deze buiging is met het blote oog onzichtbaar tijdens het snijden, maar het verandert de diepte van de snede. Wanneer het werktuig weg beweegt en de druk wordt losgelaten, veert het metaal terug naar zijn oorspronkelijke vorm, waardoor het uiteindelijke oppervlak iets anders is dan de bedoeling was. Dit resulteert in een onderdeel met een ongelijkmatige dikte, wat de sterkte en veiligheid kan in gevaar brengen.

De uitdaging voor ingenieurs is geweest om precies te voorspellen hoeveel deze buiging zal plaatsvinden. Traditionele methoden leunen ofwel op complexe wiskundige theorieën die moeite hebben met de onregelmatige patronen van de ribben, of ze gebruiken computersimulaties die ongelooflijk nauwkeurig zijn, maar zo traag en duur dat ze niet voor elke enkele snede op een echte fabrieksvloer gebruikt kunnen worden. Er is ook een gebrek aan real-world data; het uitvoeren van voldoende fysieke tests om elke mogelijke variatie te leren, zou jaren duren en talloze dure onderdelen vernietigen. Onderzoekers hadden een manier nodig om de snelheid van datagestuurde voorspellingen te combineren met de betrouwbaarheid van natuurkundige wetten, vooral wanneer ze slechts over een klein aantal echte experimenten beschikten.

Een team van onderzoekers aan de Dalian University of Technology heeft een nieuwe aanpak ontwikkeld om dit probleem voor deze specifieke roosterpatroon-kegelvormige schalen op te lossen. In plaats van te proberen de uiteindelijke vorm direct te voorspellen vanuit de instellingen van de machine, deelden zij het probleem op in twee verbonden stappen. Eerst richtten zij zich op het voorspellen van de kracht die het snijwerktuig op het metaal uitoefent. Hiervoor gebruikten zij een techniek genaamd transfer learning. Ze begonnen met het trainen van een computermodel op een enorme hoeveelheid gesimuleerde data, waarbij de computer snel duizenden virtuele snijscenario's kon draaien. Dit gaf het model een sterk begrip van hoe het werktuig over het algemeen functioneert. Vervolgens namen ze deze kennis en verfijnden ze deze met een veel kleinere set gegevens uit werkelijke freesexperimenten. Hierdoor kon het model de specifieke eigenaardigheden van de echte machine en het echte metaal leren zonder dat daar duizenden fysieke tests voor nodig waren.

Zodra het model de snijkracht voorspelde, gaf het deze informatie door aan een tweede deel van het systeem. Dit tweede deel gebruikte een reeks natuurkundige regels afgeleid van de theorie over hoe dunne schalen buigen. Het nam de voorspelde kracht en de specifieke stijfheid van het metaal op die exacte plek mee — rekening houdend met hoe dicht het werktuig bij een rib of een opening was — en berekende exact hoeveel de schaal zou buigen. Door de datagestuurde voorspelling van de kracht te koppelen aan de natuurkundige berekening van de buiging, creëerden de onderzoekers een systeem dat zowel snel als natuurkundig consistent is. Ze verifieerden deze methode door een echte aluminium legering kegelvormige schaal te frezen, die begon met een dikte van 10 millimeter en werd bewerkt tot een uiteindelijke ribhoogte van 3,5 millimeter. De machine gebruikte een 10 millimeter brede frees die met 5.000 omwentelingen per minuut draaide.

De resultaten toonden aan dat deze hybride methode aanzienlijk nauwkeuriger was dan het gebruik van alleen data of traditionele simulatiemethoden. Bij testen tegenover echte metingen die tijdens het proces werden genomen, voorspelde het nieuwe model de elastische vervorming in meer dan 93 procent van de gevallen, waarbij sommige testmodi een nauwkeurigheid van meer dan 95 procent bereikten. In contrast hiermee vertoonden modellen die alleen op data of alleen op simulaties vertrouwden zonder deze specifieke combinatie van technieken, een lagere nauwkeurigheid en hadden zij meer moeite met plotselinge veranderingen in de stijfheid van het metaal. De studie demonstreert dat door de snijkracht als een cruciale tussenstap te behandelen en een kleine hoeveelheid real-world data te gebruiken om een grote hoeveelheid gesimuleerde data te corrigeren, ingenieurs betrouwbaar kunnen voorspellen hoe deze complexe, dunwandige onderdelen zullen reageren. Deze capaciteit biedt een praktisch pad naar het vervaardigen van deze kritieke luchtvaart- en diepzeecomponenten met de hoge precisie die vereist is voor hun veilige exploitatie.