Predicting Wall Thickness Changes in Cold Forging Processes: An Integrated FEM and Neural Network approach

要約

この研究では、ノージングプロセス中のチューブの壁厚の変化を予測するための新しいアプローチを紹介します。
具体的には、まず、ノージングプロセスと影響を与えるパラメーターの徹底的な分析を提供します。
さらに、有限要素法 (FEM) シミュレーションをセットアップして、さまざまなプロセス パラメーターの影響をより適切に分析しました。
ただし、従来の FEM シミュレーションは正確ではありますが、時間がかかり、計算量が多く、リアルタイム アプリケーションには適用できないため、特別に設計されたグラフ ニューラル ネットワークに基づく新しいモデリング フレームワークをサロゲート モデルとして紹介します。
この目的を達成するために、さまざまな種類のエッジとそれに対応するエンコーダーをモデル オブジェクトの相互作用に追加することで、ノージング プロセスに関する情報を直接組み込むことでニューラル ネットワーク アーキテクチャを拡張します。
この拡張により、モデルの精度が向上し、閉ループ生産プロセス内で正確な代替モデルを使用できる可能性が広がります。
提案されたアプローチは、厚さ曲線間の面積 (ABTC) と呼ばれる新しい評価指標を使用して評価されます。
この結果は、有望なパフォーマンスを実証し、ノージング鍛造プロセス中の肉厚変化を予測する際の代理モデルとしてのニューラル ネットワークの可能性を強調しています。

要約(オリジナル)

This study presents a novel approach for predicting wall thickness changes in tubes during the nosing process. Specifically, we first provide a thorough analysis of nosing processes and the influencing parameters. We further set-up a Finite Element Method (FEM) simulation to better analyse the effects of varying process parameters. As however traditional FEM simulations, while accurate, are time-consuming and computationally intensive, which renders them inapplicable for real-time application, we present a novel modeling framework based on specifically designed graph neural networks as surrogate models. To this end, we extend the neural network architecture by directly incorporating information about the nosing process by adding different types of edges and their corresponding encoders to model object interactions. This augmentation enhances model accuracy and opens the possibility for employing precise surrogate models within closed-loop production processes. The proposed approach is evaluated using a new evaluation metric termed area between thickness curves (ABTC). The results demonstrate promising performance and highlight the potential of neural networks as surrogate models in predicting wall thickness changes during nosing forging processes.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google