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

想象一个由金属制成的薄、弯曲的壳体，其形状如圆锥，并由肋骨网格加固，非常类似于鸟类翅膀的骨架或桥梁的框架结构。这些结构在航空航天和深海探索中至关重要，因为它们强度极高，同时又足够轻盈，能够承载重物而不会增加过多的重量。然而，制造这些结构是一场精妙的平衡博弈。当机床工具切除材料来塑造这些壳体时，切削工具的压力会作用于薄金属。由于金属非常薄，且肋骨提供的支撑是不均匀的，壳体会在此压力下发生轻微弯曲。这种弯曲在切割过程中肉眼是看不见的，但它改变了切削深度。当工具移开且压力释放后，金属会弹回原始形状，导致最终的表面与预期略有不同。这会导致零件厚度不均，从而可能损害其强度和安全性。

工程师面临的挑战在于如何准确预测这种弯曲发生的程度。传统方法要么依赖复杂的数学理论，但这些理论难以处理肋骨的不规则模式；要么使用计算机模拟，虽然极其精确，但速度极慢且成本高昂，无法在真实的工厂车间里对每一次切削都进行模拟。此外，也缺乏现实世界的实验数据——运行足够的物理测试来学习每一种可能的变体将耗时数年，并损毁无数昂贵的零件。研究人员需要一种方法，将数据驱动预测的速度与物理定律的可靠性结合起来，特别是在他们只有少量真实实验数据的情况下。

大连理工大学的一个研究小组开发了一种针对这类特定网格图案圆锥壳体的新方法。他们没有试图直接从机器设置中预测最终形状，而是将问题分解为两个相互关联的步骤。首先，他们专注于预测切削工具对金属施加的力。为此，他们使用了一种称为迁移学习的技术。他们首先利用大量的模拟数据训练计算机模型，在这种情况下，计算机可以快速运行数千种虚拟切削场景。这使模型对工具的一般行为有了深刻理解。然后，他们利用一小组来自实际铣削实验的数据对这些知识进行了精炼。这使得模型能够在不需要数千次物理测试的情况下，学习到真实机器和真实金属的特定特性。

一旦模型预测出切削力，它就会将该信息传递给系统的第二部分。第二部分使用一套源自薄壳弯曲理论的物理规则。它获取预测的力和该位置处金属的具体刚度——考虑到工具距离肋骨或间隙的具体位置——并计算出壳体究竟会弯曲多少。通过将数据驱动的力预测与基于物理的弯曲计算相结合，研究人员创建了一个既快速又符合物理规律的系统。他们通过铣削一个真实的铝合金圆锥壳体验证了这种方法，该壳体初始厚度为10毫米，加工后的最终肋高为3.5毫米。机器使用直径为10毫米的切削刀具，以每分钟5,000转的速度旋转。

结果表明，这种混合方法比仅使用数据或传统的模拟方法显著更准确。在与加工过程中进行的实际测量值进行对比测试时，新模型在超过93%的情况下正确预测了弹性变形，其中某些测试模式的准确率甚至超过了95%。相比之下，仅依赖数据或在没有这种特定组合技术的情况下仅依赖模拟的模型，准确度较低，且在应对金属刚度的突然变化时表现得更为吃力。这项研究表明，通过将切削力视为一个关键的中间步骤，并利用少量的真实数据来修正大量的模拟数据，工程师可以可靠地预测这些复杂的薄壁零件的行为。这种能力为制造这些对安全运行要求极高的关键航空航天和深海组件提供了一条实现高精度制造的实用路径。