Como a Siemens utiliza Machine Learning e o ElectroPuls® para prever a fadiga em peças impressas em 3D
Utilizando dados reais de fadiga de um sistema Instron ElectroPuls® E10000, a Siemens Digital Industries Software desenvolveu um método de machine learning que prevê o desempenho em fadiga em componentes metálicos impressos em 3D que nunca foram testados fisicamente — reduzindo o tempo e o número de ensaios necessários para caracterizar peças fabricadas aditivamente.
Sobre
A Siemens AG é uma empresa multinacional alemã focada em automação industrial, automação predial, transporte ferroviário e tecnologia de saúde. É a maior empresa de engenharia da Europa e líder de mercado global em IA industrial, automação e software industrial.
Localização
Munique, Alemanha
Site
A manufatura aditiva (AM), também conhecida como impressão 3D, descreve uma série de técnicas de fabricação que constroem peças tridimensionais camada por camada, utilizando apenas o material que compõe o componente final. Os processos de AM não apenas permitem peças altamente complexas e estruturalmente eficientes, mas também reduzem drasticamente o desperdício de material associado a técnicas subtrativas, como a usinagem a partir de um volume maior de material.
A Siemens utilizou dados de uma campanha de ensaios realizada em uma máquina de ensaios de fadiga ElectroPuls® E10000, otimizada para ensaios de fadiga de produtos fabricados aditivamente. Esses dados foram usados para avaliar os desafios associados à AM para ligas metálicas e para oferecer uma solução a alguns desses desafios por meio da Siemens Digital Industries Software.
Por que prever a fadiga em peças impressas em 3D é tão difícil
O desempenho em fadiga de um componente metálico é determinado por características da microestrutura do material e pela geometria do corpo de prova. Como em qualquer técnica de fabricação, os componentes produzidos por AM contêm características inerentes ao processo — tensões residuais, porosidades ou diferenças na rugosidade da superfície — e sua presença depende fortemente da geometria local do componente, conforme mostrado na Figura 1. Isso significa que a relação entre a geometria de um componente e as características microestruturais que ditam seu desempenho em fadiga torna-se altamente complexa; modelar matematicamente a interação entre essas características, e o impacto individual de cada uma, torna-se efetivamente impossível.
Para fabricantes que produzem componentes críticos para o desempenho, investigar as características de fadiga normalmente significa uma forte dependência de testes de protótipos e campanhas de ensaios extensas e caras. Isso se deve à falta de ferramentas de engenharia auxiliada por computador (CAE) capazes de prever como o desempenho dinâmico difere dependendo da matriz e da combinação de características encontradas localmente em cada componente.
A rugosidade da superfície é um exemplo claro de como as características locais podem diferir entre componentes impressos em 3D, uma vez que as peças são construídas através de camadas de material levemente sobrepostas, como mostrado pelas diferentes distribuições na Figura 2. Os fabricantes devem, portanto, imprimir e testar peças no maior número possível de orientações para determinar qual produz as melhores características de fadiga.
Não é viável testar cada orientação de construção ou avaliar cada combinação de características microestruturais — sem mencionar os efeitos das condições de carregamento, tensões residuais e pós-tratamentos. No entanto, para que as peças impressas em 3D sejam usadas em cenários críticos de segurança, esses efeitos devem ser previstos de forma confiável.
Uma solução de Machine Learning
Por meio de machine learning, a Siemens Digital Industries Software pode avaliar o desempenho em fadiga de componentes impressos em 3D que nunca foram testados mecanicamente. A metodologia foi avaliada em corpos de prova impressos pela 3D Systems de acordo com um conjunto fixo de parâmetros de processamento, com ensaios de fadiga e análises realizados pela equipe de Manufatura Aditiva do Departamento de Engenharia Mecânica da KU Leuven, utilizando um Instron® ElectroPuls® E10000.
Com sua mesa de ranhura em T integrada, o ElectroPuls® E10000 da Instron é otimizado para ensaios de fadiga de produtos fabricados aditivamente. Seu design totalmente elétrico, combinado com o software WaveMatrix3 intuitivo e recursos como o Stiffness Based Tuning patenteado, formam um sistema versátil e altamente eficaz para ensaios em um espaço reduzido. A conectividade simples a extensômetros, câmeras DIC e uma série de outros sensores permite que os usuários registrem o mapeamento detalhado de deformação na superfície de componentes de teste complexos — tornando mais rápido e fácil do que nunca produzir um conjunto de dados detalhado para uma campanha de ensaios.
A partir dos dados reais de S-N adquiridos pelo sistema ElectroPuls®, o software pode prever a curva S-N para combinações de condições não testadas.
A abordagem de machine learning utiliza a Regressão por Processos Gaussianos — um método que fornece uma distribuição de probabilidade para resultados com base em um conjunto mínimo de dados de entrada, oferecendo vantagens sobre as abordagens clássicas de interpolação ou extrapolação.
Dos dados de ensaio às previsões de durabilidade
Após a incorporação do machine learning no software Siemens Simcenter 3D Specialist Durability, as propriedades de fadiga podem ser definidas por região ou elemento, incluindo tratamentos de materiais adicionais. A partir do modelo CAD, o sistema identifica características que afetam a fadiga no componente, e o algoritmo de machine learning prevê curvas S-N locais correspondentes a diferentes elementos de superfície no modelo. Um cálculo de durabilidade quantifica então o acúmulo de danos para toda a estrutura, com base em suas características locais, propriedades do material e no mapeamento das curvas S-N em todo o modelo — produzindo uma simulação como a mostrada esquematicamente na Figura 3.
Os resultados na Figura 4 mostram o comportamento de fadiga previsto para três amostras diferentes. Em cada caso, os dados reais do ensaio para essa amostra (mostrados como pontos de dados azuis) não foram inseridos no algoritmo de machine learning. O algoritmo previu com sucesso o comportamento de cada amostra, com todos os pontos caindo dentro dos limites superior e inferior da previsão e próximos à curva S-N prevista (linha vermelha sólida). As amostras incluíram uma construção orientada a 90 graus com usinagem subsequente e tratamento de Prensagem Isostática a Quente (HIP), e duas construções orientadas a 50 graus — uma recebendo tratamento de Recozimento Total (FA) e a outra tratamento HIP.
Um caminho mais rápido para dados de fadiga confiáveis
Esta abordagem de machine learning da Siemens oferece um método bem-sucedido para caracterizar as propriedades de fadiga de componentes fabricados aditivamente, sem exigir a inferência específica de cada fator que afeta a fadiga. O método também é flexível o suficiente para levar em conta fenômenos locais dentro de uma determinada amostra.
Para instalações de manufatura aditiva que normalmente possuem um número limitado de pessoal especializado, mas alta demanda por ensaios, a combinação da abordagem de machine learning da Siemens e a eficiência de ensaio do ElectroPuls® E10000 resulta em uma redução significativa tanto no tempo quanto no número de ensaios necessários para alcançar uma ampla gama de resultados.
Leitura Adicional
Leia o artigo original da Siemens(abre em uma nova aba)
Fale com um Especialista Instron.
Não tem certeza se o ElectroPuls® E10000 se adapta à sua aplicação de ensaio de fadiga ou manufatura aditiva? Conte-nos sobre seus requisitos e ajudaremos você a encontrar a solução ideal.
Fale com um Engenheiro de Aplicações
Conte-nos sobre suas necessidades de ensaio e ajudaremos você a configurar a estrutura, a célula de carga, as garras e o software certos para o seu laboratório. Preencha o formulário abaixo e responderemos em 1–2 dias úteis. Para uma resposta mais rápida, ligue para +1-800-473-7838 ou +1 781 828 2500 se você estiver fora dos EUA.
