تخمین برگشت فنری در شکل‌دهی غلتکی سرد با استفاده از شبکه‌های عصبی مصنوعی

نوع مقاله : مقاله پژوهشی

نویسندگان

1 نویسنده مسئول و استاد؛ دانشکده فنی و مهندسی؛ دانشگاه تربیت مدرس

2 دانشجوی کارشناسی ارشد؛ دانشکده فنی و مهندسی، دانشگاه تربیت مدرس

3 دانشیار؛ مرکز مکانیک و فنآوریهای ساخت؛ دانشگاه صنعتی مالکاشتر:

چکیده

شکل‌دهی غلتکی سرد یکی از فرآیندهای شکل‌دهی ورق‌های فلزی است که در آن ورق با عبور از بین یک سری غلتک‌های شکل‌دهی در ایستگاه‌های متوالی به طور پیوسته و ملایم خم شده و شکل نهایی را به خود می‌گیرد. با وجود سادگی ظاهری، به دلیل زیاد بودن کمیت‌های دخیل در فرآیند و اثر متقابل آنها، طراحی و کنترل فرآیند با چالش‌هایی درگیر است که  پدیده برگشت‌فنری یکی از آن‌ها است.
هدف اصلی در این مقاله، ارائه معیاری ساده برای برگشت‌فنری و بیان راه‌حلی برای دستیابی سریع به آن معیار است که شبکه ‌عصبی مصنوعی به عنوان ابزاری قدرتمند برای نیل به این هدف انتخاب شد. شکل‌دهی غلتکی سرد برای مقطع کانالی‌شکل در ایستگاه اول، با نرم‌افزار مارک‌منتات[i] شبیه‌سازی شد و با استفاده از داده‌های به‌دست آمده از شبیه‌سازی، آموزش و امتحان شبکه عصبی انجام شد. مقایسه خروجی‌های شبکه عصبی با نتایج شبیه‌سازی‌ اجزای محدود که در مجموعه داده‌های آموزشی موجود نیستند درستی عملکرد شبکه عصبی را به اثبات رساند.



[i] Marc-Mentat 

کلیدواژه‌ها

عنوان مقاله [English]

Using Artificial Neural Networks for Estimationof Springback in Cold Roll Forming

نویسندگان [English]

  • Hasan Moslemi Naieni 1
  • Rohollah Azizi Tafti 2
  • Mehdi Tajdari 3
چکیده [English]

Cold roll forming is a sheet metal forming process in whichthe bending occurs gradually in several forming steps from an undeformed strip to a finishedprofile. Althoughsimple appearance, the process is influenced by several parametersthat complicate the process design and control such as springback.
The main purpose in this article is to determine a simple criterion for the springback and to introduce a fast solution to obtain it and therefore artificial neural network was proposed for achiving this goal. Cold roll forming of a channel section in the first station was simulated by a commercial package named “Msc Marc Mentat”. The data obtained from the finite element simulations were used as training and testingsetsfor neural networks. Perfect performance of neural network was proved when the neural network outputs were compared with the testing set that did not exist in the training set.

کلیدواژه‌ها [English]

  • Cold Roll Forming
  • springback
  • Artificial Neural Networks
  • Finite element simulation

مراجع

[1] Bhattacharyya, D.; Smith, P. D.; “The development of longitudinal strain in cold roll forming and its influence on product straightness”, Journal ofAdvanced technology of plasticity, Vol. 1, 1984.
[2] McClure, C. K.; Hanhui, L.; “Roll forming simulation using finite element analysis”, Armstrong world industries, P.O.Box 3511, Lancaster, PA 17604, 1995.
[3] Heislitz, F.; Livatyali, H.; Ahmetoglu, M. A.; Kinzel, G. L.; Altan, T.;“Simulation of roll forming process with the 3D FEM code PAM-STAMP”, Journal of Materials Processing Technology, Vol. 59, pp. 59-67,1996.
[4] Brunet, M.; Lay, B.; Pol, P.; “Computer aided design of roll Forming of channel sections”,Journal of Materials Processing Technology, Vol. 60, pp. 209-214,1996.
[5] Brunet, M.; Mguil, S.; Pol, P.;“Modelling of a roll-forming process with a combined 2D and 3D FEM code”, Journal of Materials Processing Technology, Vol. 80–81, pp. 213–219, 1998.
[6] Hong, S.; Lee, S.; Kim, N.; “A parametric study on forming length in roll forming”, Journal ofMaterials Processing Technology, Vol. 113, pp. 774–778,2001.
[7] Lindgren, M.;“An improved model for the longitudinal peak strain in the flange of a roll formed U-channel developed by FE-analyses”, steel research int. 78, No. 1, 2007.
[8] Lindgren, M.; “Cold roll forming of a U-channel made of high strength steel”, Journal ofMaterials Processing Technology, Vol. 186, pp. 77–81, 2007.
[9] Lindgren, M.,“Experimental investigations of the roll load and roll torque when high strength steel is roll formed”, Journal of Materials Processing Technology, Vol. 191, pp. 44–47, 2007.
[10] Downes, A., Hartley, P.,“ Using an artificial neural network to assist roll design in cold roll-forming processes”, Journal of Materials Processing Technology, Vol. 177, pp. 319–322, 2006.
[11] Tehrani, M. S.; Hartley, P.; Naeini, H. M.; Khademizadeh, H.; “Localised edge buckling in cold roll-forming of symmetric channel section”, Journal of Thin-Walled Structures, Vol. 44, pp. 184–196, 2006.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار