Cómo Siemens utiliza el aprendizaje automático y ElectroPuls para predecir la fatiga en piezas impresas en 3D
Utilizando datos de fatiga del mundo real de un sistema Instron ElectroPuls E10000, Siemens Digital Industries Software desarrolló un método de aprendizaje automático que predice el rendimiento a la fatiga en componentes metálicos impresos en 3D que nunca han sido probados físicamente, reduciendo el tiempo y el número de pruebas necesarias para caracterizar piezas fabricadas aditivamente.
Acerca de
Siemens AG es una empresa multinacional alemana centrada en la automatización industrial, la automatización de edificios, el transporte ferroviario y la tecnología sanitaria. Es la empresa de ingeniería más grande de Europa y líder del mercado mundial en IA industrial, automatización y software industrial.
Ubicación
Múnich, Alemania
Sitio web
La fabricación aditiva (FA), también conocida como impresión 3D, describe una serie de técnicas de fabricación que construyen piezas tridimensionales capa por capa, utilizando solo el material que compone el componente final. Los procesos de FA no solo permiten piezas altamente complejas y estructuralmente eficientes, sino que también reducen en gran medida el material de desecho asociado con técnicas sustractivas como el mecanizado a partir de un volumen de material mayor.
Siemens ha tomado datos de una campaña de pruebas realizada en una máquina de ensayo de fatiga ElectroPuls E10000, optimizada para el ensayo de fatiga de productos fabricados aditivamente. Estos datos se utilizaron para evaluar los desafíos asociados con la FA para aleaciones metálicas y para ofrecer una solución a algunos de esos desafíos a través de Siemens Digital Industries Software.
Por qué es tan difícil predecir la fatiga en piezas impresas en 3D
El rendimiento a la fatiga de un componente metálico está determinado por las características de la microestructura del material y la geometría de la probeta. Como ocurre con cualquier técnica de fabricación, los componentes producidos mediante FA contienen características inherentes al proceso —tensiones residuales, porosidades o diferencias en la rugosidad superficial— y su presencia depende en gran medida de la geometría local del componente, como se muestra en la Figura 1. Esto significa que la relación entre la geometría de un componente y las características microestructurales que dictan su rendimiento a la fatiga se vuelve altamente compleja; modelar matemáticamente la interacción entre estas características, y el impacto individual de cada una, se vuelve prácticamente imposible.
Para los fabricantes que producen componentes críticos para el rendimiento, la investigación de las características de fatiga suele implicar una gran dependencia de las pruebas de prototipos y de campañas de pruebas extensas y costosas. Esto se debe a la falta de herramientas de ingeniería asistida por ordenador (CAE) capaces de predecir cómo difiere el rendimiento dinámico en función de la disposición y combinación de características que se encuentran localmente dentro de cada componente.
La rugosidad superficial es un claro ejemplo de cómo las características locales pueden diferir entre los componentes impresos en 3D, ya que las piezas se construyen mediante capas de material superpuestas en una pequeña cantidad, como muestran las diferentes distribuciones de la Figura 2. Por lo tanto, los fabricantes deben imprimir y probar las piezas en tantas orientaciones como sea posible para determinar cuál produce las mejores características de fatiga.
No es factible probar cada orientación de construcción o evaluar cada combinación de características microestructurales, sin mencionar los efectos de las condiciones de carga, las tensiones residuales y los postratamientos. No obstante, para que las piezas impresas en 3D se utilicen en escenarios críticos para la seguridad, estos efectos deben predecirse de forma fiable.
Una solución de aprendizaje automático
Mediante el aprendizaje automático, Siemens Digital Industries Software puede evaluar el rendimiento a la fatiga de componentes impresos en 3D que nunca han sido probados mecánicamente. La metodología se evaluó en probetas impresas por 3D Systems según un conjunto fijo de parámetros de procesamiento, con pruebas y análisis de fatiga realizados por el equipo de Fabricación Aditiva del Departamento de Ingeniería Mecánica de la KU Leuven, utilizando un Instron® ElectroPuls E10000.
Con su mesa de ranura en T integrada, el ElectroPuls E10000 de Instron está optimizado para el ensayo de fatiga de productos fabricados aditivamente. Su diseño totalmente eléctrico, junto con el software WaveMatrix3 fácil de usar y características como la sintonización basada en rigidez patentada, se combinan en un sistema versátil y altamente eficaz para realizar pruebas en un espacio reducido. La conectividad sencilla a galgas extensométricas, cámaras DIC y una gran cantidad de otros sensores permite a los usuarios registrar un mapeo detallado de la deformación en la superficie de componentes de prueba complejos, lo que hace que sea más rápido y fácil que nunca producir un conjunto de datos detallado para una campaña de pruebas.
A partir de los datos S-N del mundo real adquiridos por el sistema ElectroPuls, el software puede predecir la curva S-N para combinaciones de condiciones no probadas.
El enfoque de aprendizaje automático utiliza la regresión de procesos gaussianos, un método que proporciona una distribución de probabilidad para los resultados basada en un conjunto mínimo de datos de entrada, ofreciendo ventajas sobre los enfoques clásicos de interpolación o extrapolación.
De los datos de prueba a las predicciones de durabilidad
Después de incorporar el aprendizaje automático en el software Siemens Simcenter 3D Specialist Durability, las propiedades de fatiga se pueden definir por región o elemento, incluyendo tratamientos de material adicionales. A partir del modelo CAD, el sistema identifica las características que afectan a la fatiga en el componente, y el algoritmo de aprendizaje automático predice las curvas S-N locales correspondientes a diferentes elementos de la superficie en el modelo. Un cálculo de durabilidad cuantifica entonces la acumulación de daños para toda la estructura, basándose en sus características locales, propiedades del material y el mapeo de las curvas S-N en todo el modelo, produciendo una simulación como la que se muestra esquemáticamente en la Figura 3.
Los resultados de la Figura 4 muestran el comportamiento de fatiga predicho para tres muestras diferentes. En cada caso, los datos de prueba reales para esa muestra (mostrados como puntos de datos azules) no se introdujeron en el algoritmo de aprendizaje automático. El algoritmo predijo con éxito el comportamiento de cada muestra, con todos los puntos dentro de los límites superior e inferior de la predicción y cerca de la curva S-N predicha (línea roja continua). Las muestras incluyeron una construcción orientada a 90 grados con mecanizado posterior y tratamiento de prensado isostático en caliente (HIP), y dos construcciones orientadas a 50 grados, una que recibió tratamiento de recocido completo (FA) y la otra tratamiento HIP.
Un camino más rápido hacia datos de fatiga fiables
Este enfoque de aprendizaje automático de Siemens ofrece un método exitoso para caracterizar las propiedades de fatiga de los componentes fabricados aditivamente, sin requerir una inferencia específica de cada factor que afecta a la fatiga. El método también es lo suficientemente flexible como para tener en cuenta fenómenos locales dentro de una muestra determinada.
Para las instalaciones de fabricación aditiva que suelen tener un número limitado de personal especializado pero una alta demanda de pruebas, la combinación del enfoque de aprendizaje automático de Siemens y la eficiencia de las pruebas del ElectroPuls E10000 da como resultado una reducción significativa tanto del tiempo como del número de pruebas necesarias para lograr una amplia gama de resultados.
Lectura adicional
Lea el artículo original de Siemens(se abre en una nueva pestaña)
Hable con un experto de Instron.
¿No está seguro de si el ElectroPuls E10000 se adapta a su aplicación de pruebas de fatiga o fabricación aditiva? Cuéntenos sus requisitos y le ayudaremos a encontrar la solución adecuada.
Hable con un ingeniero de aplicaciones
Cuéntenos sus necesidades de ensayo y le ayudaremos a configurar el bastidor, la célula de carga, las mordazas y el software adecuados para su laboratorio. Complete el siguiente formulario y le responderemos en un plazo de 1 a 2 días laborables. Para una respuesta más rápida, llame al +1-800-473-7838 o al +1 781 828 2500 si se encuentra fuera de los EE. UU.
