KNN-Entwicklung in der Halbwarmumformung/ANN development in semi-hot forming
Inhaltsverzeichnis
Bibliographische Infos
wt Werkstattstechnik online
Jahrgang 113 (2023), Heft 10
- Autor:innen:
- Verlag
- VDI fachmedien, Düsseldorf
- Copyrightjahr
- 2023
- ISSN-Online
- 1436-4980
- ISSN-Print
- 1436-4980
Kapitelinformationen
Jahrgang 113 (2023), Heft 10
KNN-Entwicklung in der Halbwarmumformung/ANN development in semi-hot forming
- Autor:innen:
- ISSN-Print
- 1436-4980
- ISSN-Online
- 1436-4980
- Kapitelvorschau:
Die numerische Abbildung thermomechanischer Umformprozesse erfordert hohe Rechnerleistungen. Diese können durch die Kombination von FE-Simulationen und künstlichen neuronalen Netzen (KNN) reduziert werden, insbesondere bei Prozessen, die eine Umformung und Wärmebehandlung umfassen. Es wird die Entwicklung eines KNN vorgestellt, mit dem die Materialeigenschaften einer EN AW7075 T6-Legierung nach kathodischer Tauchlackierung in Abhängigkeit von der Umformhistorie vorhersagt werden können.
The numerical representation of thermomechanical forming processes requires high computing power. This can be reduced by combining FE simulation and artificial neural networks (KNN), especially for processes involving forming and heat treatment. The article presents the development of a KNN to be used for predicting the material properties of an EN AW-7075 T6 alloy after cathodic dip painting depending on the forming history.
Literaturverzeichnis
Es wurden keine Treffer gefunden. Versuchen Sie einen anderen Begriff.
- [1] Lin, J.; Bao, X.; Hou, Y. et al.: Investigation on Yield Behavior of 7075-T6 Aluminum Alloy at Elevated Temperatures. Chinese Journal of Mechanical Engineering 33 (2020) 1, p. 76 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [2] Pandya, K. S.; Roth, C. C.; Mohr, D.: Strain Rate and Temperature Dependent Plastic Response of AA7075 during Hot Forming. IOP Conference Series: Materials Science and Engineering 651 (2019) 1, p. 12100 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [3] Kohar, C. P.; Greve, L.; Eller, T. K. et al.: A machine learning framework for accelerating the design process using CAE simulations: An application to finite element analysis in structural crashworthiness. Computer Methods in Applied Mechanics and Engineering 385 (2021), #114008 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [4] Maysam B. G.; Dirk M.: Towards neural network models for describing the large deformation behavior of sheet metal. IOP Conference Series: Materials Science and Engineering 651 (2019) 1, #12102 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [5] Decke, J.; Engelhardt, A.; Rauch, L. et al.: Predicting Flow Stress Behavior of an AA7075 Alloy Using Machine Learning Methods. Crystals 12 (2022) 9, doi.org/10.17170/kobra-202304217875 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [6] Lin, Y. C.; Zhang, J.; Zhong, J.: Application of neural networks to predict the elevated temperature flow behavior of a low alloy steel. Computational Materials Science 43 (2008) 4, pp. 752–758 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [7] Kingma, D. P.; Ba, J.: Adam: A method for stochastic optimization. arXiv preprint arXiv:1412 (2014), #6980, doi.org/10.48550/arXiv.1412.6980 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [8] Behrens, B.-A.; Vogt, H.; Jalanesh, D. M. et al.: Warmumformung von 7xxx-Aluminiumlegierungen. EFB-Forschungsbericht Nr. 501. Stand: 2018. Internet: www.gbv.de/dms/tib-ub-hannover/1049514572.pdf. Zugriff am 22.09.2023 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29
- [9] Wangtu H.; Longgang H.; Yusheng Z. et al.: Warm formability and post-forming microstructure/property of high-strength AA 7075-T6 Al alloy. Materials Science and Engineering: A 675 (2016), pp. 44–54 Google Scholar öffnen doi.org/10.37544/1436-4980-2023-10-29