Skip to main content
SUPERVISOR
Hassan Moosavi,Hassan Khademi zadeh
حسن موسوی (استاد راهنما) حسن خادمی زاده (استاد راهنما)
 
STUDENT
Hojjatollah Haddad Khouzani
حجت اله حدادخوزانی

FACULTY - DEPARTMENT

دانشکده مهندسی مکانیک
DEGREE
Master of Science (MSc)
YEAR
1390

TITLE

Prediction of Limiting Drawing Ratio in Conventional Deep Drawing Process of Rectangular Parts Using Artificial Neural Network (ANN) And Finite Element Simulation
Deep drawing process is a flexible and inexpensive process which can be use for mass production of parts. Ductility of sheet metal deep drawing process is determined by the traction sheet and process parameters which influences the properties of deep drawing. Determination of forming limit is considered one of the most important difficultly in this process. Limit ratio the diameter of the plate (D max ) to the diameter cup (d) without breaking or tearing is called limiting drawing ratio. The relationship between the tensile properties of a metal sheet material and process parameters, is essential. This is due to the fact that the larger the ratio is, the higher will be the height of the cup. The numerical solution of the problem and spending much time is needed for each specific problem. Drawing ratio in the deep drawing process based on experimental data and finite element simulation, is predicted by a neural network. the goal for using neural network is to organize the data obtained from finite element .In this study whit organize data obtained from finite element analysis process in a neural network, produced a mathematical function, and an easier and faster way to solve this problem. Since the limit drawing ratio is effected by various parameters such as: Thickness, friction coefficient, the profile of radius die and punch, the blank holder force and the punch speed, are considered for study. The listed parameters have been combined by the L 27 Taguchi array in different levels and deep-drawing has simulated 27 different cases and the limit ratio of drawing is obtained by trial and error method for each modes. the simulation by finite element software ABAQUS is used for conducted experiments validation. Forming Limit Diagram of criteria for predicting damage initiation and growth of damage during the process and therefore plate ductility can be determined. The simulation results of used to train the network. Model of neural network has been by MATLAB program. Therefore, data obtained from similar organizing process, a neural network is an easy and fast way to solve the much difficult problem in deep drawing process for rectangular pieces and thus the relationship between limiting drawing ratio and the parameters different processes are determined. Finally, it can be seen that neural networks can be a good way for new modes predict the level of tension. Keywords : Limiting drawing ratio, Arti?cial neural network, Finite element method Deep drawing,
فرآیند کشش عمیق یک فرآیند انعطاف پذیر و ارزان قیمت است که برای تولید قطعات به صورت انبوه مورد استفاده قرار می گیرد. قابلیت کشش ورق های فلزی در فرآیند کشش عمیق توسط نسبت کشش مشخص می شود که متاثر از خواص جنس ورق و پارامترهای فرآیند کشش عمیق می باشد. تعیین حد شکل دهی یکی از چالش های مهم در این فرآیند محسوب می گردد. حد نسبت بزرگ ترین قطر ورق ( )، به قطر فنجان( d ) که بدون شکست و پارگی تبدیل می شود، حد نسبت کشش نامیده می شود. ارتباط بین حد نسبت کشش یک ورق فلزی با خواص مواد آن و پارامترهای فرآیند، برای بهبود توانایی کشش ورق ها، بسیار ضروری می باشد. زیرا هر چه این نسبت بزرگتر باشد، ارتفاع فنجان نیز بلندتر خواهد بود. حل عددی مسئله نیز، نیاز به صرف هزینه و وقت زیاد دارد و برای هر مسئله خاص باید یک حل جداگانه صورت گیرد. در این جا حد نسبت کشش در فرآیند کشش عمیق با تکیه بر اطلاعات تجربی و شبیه سازی به روش اجزای محدود، توسط یک شبکه عصبی پیش بینی می گردد. لذا هدف این است که با سازماندهی داده های حاصل از تحلیل اجزای محدود فرآیند در یک شبکه عصبی، یک تابع ریاضی تولید نمود، و یک راه حل ساده تر و سریع تر برای حل این مساله به دست آورد. از آن جا که حد نسبت کشش تحت تاثیر پارامترهای مختلفی است در این جا تاثیر پارامترهای مختلفی از قبیل: ضخامت ورق، ضریب اصطکاک، شعاع انحنا قالب، شعاع انحناسنبه، نیروی ورق گیر و سرعت سنبه، مورد بررسی قرار گرفته اند. به منظور بانک اطلاعات برای آموزش شبکه عصبی مصنوعی جهت تعیین حد نسبت کشش، پارامترهای ذکر شده در سطوح مختلف مطابق با آرایه تاگوچی ترکیب شده و فرآیند کشش عمیق برای 27 حالت متفاوت شبیه سازی و حد نسبت کشش برای هر کدام از حالت ها به روش سعی و خطا به دست می آید. شبیه سازی فرآیند توسط نرم افزار اجزای محدود ABAQUS انجام شده که نتایج آزمایشات تجربی موید درستی نتایج حاصل از شبیه سازی می باشند. از معیار آسیب نمودار حد شکل دهی برای پیش بینی شروع آسیب و رشد آن در فرآیند استفاده و حد شکل پذیری ورق تعیین می شود. سپس نتایج حاصل از شبیه سازی به عنوان داده hy;های آموزشی جهت آموزش شبکه استفاده می شود. مدل سازی شبکه عصبی و تست آن توسط نرم افزار متلب انجام شده است. بنابراین با سازماندهی داده های حاصل از شبیه سازی فرآیند، در یک شبکه عصبی مصنوعی یک راه حل آسان و سریع برای پیش بینی حد نسبت کشش در فرآیند کشش عمیق قطعات مستطیل شکل ایجاد شد و به این ترتیب رابطه بین نسبت کشش و پارامترهای مختلف فرآیند تعیین می شود. درپایان مشاهده می شود که روش شبکه های عصبی به نحوه قابل قبولی می تواندحدنسبت کشش رابرای حالت های جدیدپیش بینی کند. کلمات کلیدی : کشش عمیق،شبکه عصبی مصنوعی،حد نسبت کشش،اجزای محدود

ارتقاء امنیت وب با وف بومی