Come Siemens utilizza il machine learning ed ElectroPuls per prevedere la fatica nei componenti stampati in 3D
Utilizzando dati di fatica reali provenienti da un sistema Instron ElectroPuls E10000, Siemens Digital Industries Software ha sviluppato un metodo di machine learning che prevede le prestazioni a fatica in componenti metallici stampati in 3D mai testati fisicamente, riducendo il tempo e il numero di prove necessarie per caratterizzare i componenti prodotti in modo additivo.
Informazioni
Siemens AG è un'azienda multinazionale tedesca focalizzata sull'automazione industriale, l'automazione degli edifici, il trasporto ferroviario e la tecnologia sanitaria. È la più grande azienda di ingegneria in Europa e leader di mercato globale nell'intelligenza artificiale industriale, nell'automazione e nel software industriale.
Sede
Monaco di Baviera, Germania
Sito web
La produzione additiva (AM), nota anche come stampa 3D, descrive una serie di tecniche di fabbricazione che costruiscono componenti tridimensionali strato per strato, utilizzando solo il materiale che costituisce il componente finale. I processi AM non solo consentono di realizzare componenti altamente complessi e strutturalmente efficienti, ma riducono anche notevolmente il materiale di scarto associato alle tecniche sottrattive come la lavorazione meccanica a partire da un volume di materiale più grande.
Siemens ha utilizzato i dati di una campagna di prove eseguita su una macchina per prove di fatica ElectroPuls E10000, ottimizzata per le prove di fatica di prodotti fabbricati in modo additivo. Questi dati sono stati utilizzati per valutare le sfide associate alla produzione additiva per le leghe metalliche e per offrire una soluzione ad alcune di queste sfide attraverso Siemens Digital Industries Software.
Perché prevedere la fatica nei componenti stampati in 3D è così difficile
Le prestazioni a fatica di un componente metallico sono determinate dalle caratteristiche presenti nella microstruttura del materiale e dalla geometria del provino. Come per qualsiasi tecnica di fabbricazione, i componenti prodotti mediante produzione additiva contengono caratteristiche intrinseche al processo — tensioni residue, porosità o differenze nella rugosità superficiale — e la loro presenza dipende fortemente dalla geometria locale del componente, come mostrato nella Figura 1. Ciò significa che la relazione tra la geometria di un componente e le caratteristiche microstrutturali che ne determinano le prestazioni a fatica diventa estremamente complessa; modellare matematicamente l'interazione tra queste caratteristiche e l'impatto individuale di ciascuna diventa di fatto impossibile.
Per i produttori che realizzano componenti critici per le prestazioni, l'indagine delle caratteristiche di fatica comporta tipicamente una forte dipendenza dalle prove su prototipi e campagne di test estese e costose. Ciò è dovuto alla mancanza di strumenti di ingegneria assistita da computer (CAE) in grado di prevedere come le prestazioni dinamiche differiscano in funzione della gamma e della combinazione di caratteristiche presenti localmente all'interno di ciascun componente.
La rugosità superficiale è un chiaro esempio di come le caratteristiche locali possano differire tra i componenti stampati in 3D, poiché i componenti vengono costruiti attraverso strati di materiale sovrapposti di una piccola quantità, come mostrato dalle diverse distribuzioni nella Figura 2. I produttori devono quindi stampare e testare i componenti in quante più orientamenti possibili per determinare quale produce le migliori caratteristiche di fatica.
Non è fattibile testare ogni orientamento di stampa o valutare ogni combinazione di caratteristiche microstrutturali, per non parlare degli effetti delle condizioni di carico, delle tensioni residue e dei post-trattamenti. Tuttavia, affinché i componenti stampati in 3D possano essere utilizzati in scenari critici per la sicurezza, questi effetti devono essere previsti in modo affidabile.
Una soluzione basata sul machine learning
Attraverso il machine learning, Siemens Digital Industries Software può valutare le prestazioni a fatica di componenti stampati in 3D che non sono mai stati testati meccanicamente. La metodologia è stata valutata su provini stampati da 3D Systems secondo un insieme fisso di parametri di processo, con prove di fatica e analisi eseguite dal team di produzione additiva del Dipartimento di Ingegneria Meccanica della KU Leuven, utilizzando un Instron® ElectroPuls E10000.
Con il suo tavolo a T-slot integrato, l'ElectroPuls E10000 di Instron è ottimizzato per le prove di fatica di prodotti fabbricati in modo additivo. Il suo design completamente elettrico, abbinato al software WaveMatrix3 di facile utilizzo e a funzionalità come la Stiffness Based Tuning brevettata, si combinano in un sistema versatile ed estremamente efficace per le prove in un ingombro ridotto. La semplice connettività a estensimetri, telecamere DIC e una serie di altri sensori consente agli utenti di registrare una mappatura dettagliata delle deformazioni sulla superficie di componenti di prova complessi, rendendo più veloce e semplice che mai produrre un dataset dettagliato per una campagna di prove.
Dai dati S-N reali acquisiti dal sistema ElectroPuls, il software può quindi prevedere la curva S-N per combinazioni di condizioni non testate.
L'approccio di machine learning utilizza la regressione con processi gaussiani, un metodo che fornisce una distribuzione di probabilità per i risultati basata su un insieme minimo di dati di input, offrendo vantaggi rispetto agli approcci classici di interpolazione o estrapolazione.
Dai dati di prova alle previsioni di durabilità
Dopo aver incorporato il machine learning nel software Siemens Simcenter 3D Specialist Durability, le proprietà di fatica possono essere definite per regione o elemento, includendo trattamenti materiali aggiuntivi. Dal modello CAD, il sistema identifica le caratteristiche che influenzano la fatica nel componente e l'algoritmo di machine learning prevede le curve S-N locali corrispondenti a diversi elementi superficiali nel modello. Un calcolo di durabilità quantifica quindi l'accumulo di danno per l'intera struttura, in base alle sue caratteristiche locali, alle proprietà del materiale e alla mappatura delle curve S-N sul modello, producendo una simulazione come quella mostrata schematicamente nella Figura 3.
I risultati nella Figura 4 mostrano il comportamento a fatica previsto per tre diversi campioni. In ciascun caso, i dati di prova effettivi per quel campione (mostrati come punti dati blu) non sono stati inseriti nell'algoritmo di machine learning. L'algoritmo ha previsto con successo il comportamento di ciascun campione, con tutti i punti che rientrano nei limiti superiore e inferiore della previsione e vicini alla curva S-N prevista (linea rossa continua). I campioni includevano una stampa orientata a 90 gradi con successiva lavorazione meccanica e trattamento di pressatura isostatica a caldo (HIP), e due stampe orientate a 50 gradi, una sottoposta a trattamento di ricottura completa (FA), l'altra a trattamento HIP.
Un percorso più rapido verso dati di fatica affidabili
Questo approccio di machine learning di Siemens offre un metodo efficace per caratterizzare le proprietà di fatica dei componenti fabbricati in modo additivo, senza richiedere l'inferenza specifica di ogni fattore che influenza la fatica. Il metodo è anche sufficientemente flessibile da tenere conto dei fenomeni locali all'interno di un dato campione.
Per gli impianti di produzione additiva che tipicamente dispongono di un numero limitato di personale specializzato ma di un'elevata domanda di prove, la combinazione dell'approccio di machine learning di Siemens e dell'efficienza di prova dell'ElectroPuls E10000 si traduce in una riduzione significativa sia del tempo che del numero di prove necessarie per ottenere un'ampia gamma di risultati.
Ulteriori letture
Leggi l'articolo originale di Siemens(si apre in una nuova scheda)
Parla con un esperto Instron.
Non sei sicuro che l'ElectroPuls E10000 sia adatto alla tua applicazione di prove di fatica o produzione additiva? Raccontaci i tuoi requisiti e ti aiuteremo a trovare la soluzione giusta.
Parla con un ingegnere delle applicazioni
Parlaci delle tue esigenze di prova e ti aiuteremo a configurare il telaio, la cella di carico, gli afferraggi e il software giusti per il tuo laboratorio. Completa il modulo sottostante e risponderemo entro 1-2 giorni lavorativi. Per una risposta più rapida, chiama il numero +1-800-473-7838 o +1 781 828 2500 se ti trovi fuori dagli Stati Uniti.
