Siemens가 머신러닝과 ElectroPuls를 사용하여 3D 프린팅 부품의 피로를 예측하는 방법
Instron ElectroPuls E10000 시스템에서 얻은 실제 피로 데이터를 사용하여, Siemens Digital Industries Software는 물리적으로 테스트된 적 없는 3D 프린팅 금속 부품의 피로 성능을 예측하는 머신러닝 방법을 개발했습니다. 이를 통해 적층 제조 부품의 특성 분석에 필요한 시간과 테스트 횟수를 줄일 수 있었습니다.
소개
Siemens AG는 산업 자동화, 빌딩 자동화, 철도 운송 및 헬스케어 기술에 중점을 둔 독일의 다국적 기업입니다. 유럽 최대의 엔지니어링 회사이자 산업 AI, 자동화 및 산업 소프트웨어 분야의 글로벌 시장 선두 주자입니다.
위치
독일 뮌헨
웹사이트
적층 제조(AM)는 3D 프린팅으로도 알려져 있으며, 최종 부품을 구성하는 재료만을 사용하여 3차원 부품을 층별로 제작하는 여러 제조 기술을 설명합니다. AM 공정은 고도로 복잡하고 구조적으로 효율적인 부품을 가능하게 할 뿐만 아니라, 더 큰 재료 부피에서 가공하는 것과 같은 절삭 가공 기술과 관련된 폐기물 재료를 크게 줄여줍니다.
Siemens는 적층 제조 제품의 피로 테스트에 최적화된 ElectroPuls E10000 피로 테스트 장비에서 수행된 테스트 캠페인 데이터를 확보했습니다. 이 데이터는 금속 합금의 AM과 관련된 과제를 평가하고, Siemens Digital Industries Software를 통해 이러한 과제에 대한 해결책을 제시하는 데 사용되었습니다.
3D 프린팅 부품의 피로 예측이 어려운 이유
금속 부품의 피로 성능은 재료의 미세 구조 내 특성과 시편의 형상에 의해 결정됩니다. 다른 제조 기술과 마찬가지로, AM을 통해 생산된 부품에는 잔류 응력, 다공성 또는 표면 거칠기 차이와 같은 공정 고유의 특성이 포함되며, 이러한 특성의 존재는 그림 1에 표시된 대로 부품의 국부적인 형상에 크게 의존합니다. 이는 부품의 형상과 피로 성능을 결정하는 미세 구조적 특성 간의 관계가 매우 복잡해진다는 것을 의미합니다. 이러한 특성 간의 상호 작용과 각 특성의 개별적인 영향을 수학적으로 모델링하는 것은 사실상 불가능해집니다.
성능이 중요한 부품을 생산하는 제조업체의 경우, 피로 특성을 조사하는 것은 일반적으로 프로토타입 테스트와 광범위하고 비용이 많이 드는 테스트 캠페인에 크게 의존한다는 것을 의미합니다. 이는 각 부품 내에서 국부적으로 발견되는 특성의 배열 및 조합에 따라 동적 성능이 어떻게 달라지는지 예측할 수 있는 컴퓨터 지원 엔지니어링(CAE) 도구가 부족하기 때문입니다.
표면 거칠기는 3D 프린팅 부품에서 국부적인 특성이 어떻게 다를 수 있는지 보여주는 명확한 예시입니다. 그림 2의 다른 분포에서 볼 수 있듯이, 부품은 소량의 돌출된 재료 층을 통해 쌓아 올려지기 때문입니다. 따라서 제조업체는 최상의 피로 특성을 생성하는 빌드 방향을 결정하기 위해 가능한 한 많은 방향으로 부품을 프린팅하고 테스트해야 합니다.
모든 빌드 방향을 테스트하거나 미세 구조적 특성의 모든 조합을 평가하는 것은 실현 불가능합니다. 하중 조건, 잔류 응력 및 후처리 효과는 말할 것도 없습니다. 그럼에도 불구하고, 안전에 중요한 시나리오에서 3D 프린팅 부품을 사용하려면 이러한 효과를 안정적으로 예측해야 합니다.
머신러닝 솔루션
머신러닝을 통해 Siemens Digital Industries Software는 기계적으로 테스트된 적 없는 3D 프린팅 부품의 피로 성능을 평가할 수 있습니다. 이 방법론은 3D Systems에서 고정된 처리 매개변수 세트에 따라 프린팅된 시편에 대해 평가되었으며, KU Leuven 기계 공학과 적층 제조 팀에서 Instron® ElectroPuls E10000을 사용하여 피로 테스트 및 분석을 수행했습니다.
Instron의 ElectroPuls E10000은 통합 T-슬롯 테이블을 갖추고 있어 적층 제조 제품의 피로 테스트에 최적화되어 있습니다. 완전 전기식 설계는 사용자 친화적인 WaveMatrix™3 소프트웨어 및 특허받은 강성 기반 튜닝(Stiffness Based Tuning)과 같은 기능과 결합되어 작은 공간 내에서 테스트를 위한 다재다능하고 매우 효과적인 시스템을 제공합니다. 스트레인 게이지, DIC 카메라 및 기타 여러 센서에 대한 간단한 연결을 통해 사용자는 복잡한 테스트 부품 표면 전반에 걸쳐 상세한 변형 매핑을 기록할 수 있어, 테스트 캠페인을 위한 상세한 데이터 세트를 그 어느 때보다 빠르고 쉽게 생성할 수 있습니다.
ElectroPuls 시스템으로 획득한 실제 S-N 데이터로부터, 소프트웨어는 테스트되지 않은 조건 조합에 대한 S-N 곡선을 예측할 수 있습니다.
머신러닝 접근 방식은 가우시안 프로세스 회귀(Gaussian Process Regression)를 사용합니다. 이는 최소한의 입력 데이터를 기반으로 결과에 대한 확률 분포를 제공하는 방법으로, 고전적인 보간 또는 외삽 접근 방식에 비해 이점을 제공합니다.
테스트 데이터에서 내구성 예측까지
Siemens Simcenter 3D Specialist Durability 소프트웨어에 머신러닝을 통합한 후, 추가 재료 처리를 포함하여 영역 또는 요소별로 피로 특성을 정의할 수 있습니다. CAD 모델에서 시스템은 부품의 피로 영향 요인을 식별하고, 머신러닝 알고리즘은 모델의 다른 표면 요소에 해당하는 국부적인 S-N 곡선을 예측합니다. 그런 다음 내구성 계산은 국부적인 특성, 재료 속성 및 모델 전반의 S-N 곡선 매핑을 기반으로 전체 구조에 대한 손상 누적을 정량화하여, 그림 3에 개략적으로 표시된 것과 같은 시뮬레이션을 생성합니다.
그림 4의 결과는 세 가지 다른 샘플에 대한 예측된 피로 거동을 보여줍니다. 각 경우에 해당 샘플의 실제 테스트 데이터(파란색 데이터 포인트로 표시)는 머신러닝 알고리즘에 입력되지 않았습니다. 알고리즘은 각 샘플의 거동을 성공적으로 예측했으며, 모든 포인트가 예측의 상한 및 하한 내에 있고 예측된 S-N 곡선(실선 빨간색 선)에 가깝게 위치했습니다. 샘플에는 후속 가공 및 열간 등방압 성형(HIP) 처리를 거친 90도 방향 빌드와, 하나는 완전 어닐링(FA) 처리, 다른 하나는 HIP 처리를 받은 50도 방향 빌드 두 개가 포함되었습니다.
신뢰할 수 있는 피로 데이터에 이르는 더 빠른 경로
Siemens의 이 머신러닝 접근 방식은 모든 피로 영향 요인을 구체적으로 추론할 필요 없이 적층 제조 부품의 피로 특성을 분석하는 성공적인 방법을 제공합니다. 이 방법은 또한 주어진 샘플 내의 국부적인 현상을 설명할 수 있을 만큼 유연합니다.
일반적으로 전문 인력이 제한적이지만 테스트 수요가 높은 적층 제조 시설의 경우, Siemens의 머신러닝 접근 방식과 ElectroPuls E10000의 테스트 효율성 조합은 광범위한 결과를 얻는 데 필요한 시간과 테스트 횟수를 모두 크게 줄여줍니다.
Instron 전문가와 상담하십시오.
ElectroPuls E10000이 귀사의 피로 테스트 또는 적층 제조 애플리케이션에 적합한지 확실하지 않으신가요? 귀사의 요구 사항을 알려주시면 적합한 솔루션을 찾는 데 도움을 드리겠습니다.
애플리케이션 엔지니어에게 문의하기
테스트 요구 사항에 대해 알려주시면, 귀하의 실험실에 적합한 프레임, 로드셀, 그립 및 소프트웨어를 구성하는 데 도움을 드리겠습니다. 아래 양식을 작성해 주시면 1~2영업일 이내에 답변해 드리겠습니다. 더 빠른 답변을 원하시면 +1-800-473-7838로 전화하시거나, 미국 외 지역에 계신 경우 +1 781 828 2500으로 전화하십시오.
