کاهش هزینههای محاسباتی در پیشبینی تابیدگی قطعات
تابیدگی (Warpage) ناخواسته قطعات پلاستیکی یک مشکل رایج در قالبگیری تزریقی است. برای جلوگیری از آن، تولیدکنندگان باید علت این پدیده را شناسایی کرده و پارامترهای قالبگیری تزریقی را بر اساس آن تغییر دهند. روشهای سنتی برای تشخیص عیوب و بهینهسازی سریع پارامترها همیشه نیازهای تولیدکنندگان را برآورده نمیکند. یک راهحل چنددقتی (Multi-Fidelity) میتواند راهحلی قابل اجرا و کمهزینهتر برای تولیدکنندگان و مهندسان باشد.
درک تابیدگی
عوامل بسیاری، مانند خواص مواد یا طراحی قطعه، میتوانند منجر به تابیدگی شوند. پارامترهای فرآیند در طول قالبگیری تزریقی نیز میتوانند عامل مؤثری باشند. به عنوان مثال، تغییرات در ضخامت قطعه یا تنش برشی در طول فرآیند پر شدن قالب میتواند دلیل تاب برداشتن قطعات پلاستیکی باشد.
با ادغام یک شبکه عصبی در فرآیند بازرسی، تولیدکنندگان و مهندسان میتوانند ارتباط بین این عوامل را کشف و رفع کنند. شبکههای عصبی میتوانند ارتباط بین ورودیهایی مانند دمای قالب و فشار نگهداری را به صورت لحظهای درک کنند. با این حال، تکیه بر دادههای با دقت بالا (high-fidelity) میتواند به هزینههای محاسباتی زیادی منجر شود.
راهحل چنددقتی
محققان در دانشگاه دلاور از رویکرد چنددقتی برای ایجاد یک شبکه عصبی جهت تحلیل تابیدگی استفاده کردند. این یک چارچوب است که هر دو نوع داده زیر را ترکیب میکند:
- دادههای با دقت پایین (Low-fidelity): حاصل از شبیهسازیها
- دادههای با دقت بالا (High-fidelity): جمعآوریشده به صورت تجربی
به جای تکیه تنها بر دادههای با دقت بالا، یک شبکه عصبی چنددقتی با ادغام دادههای با دقت پایین، هزینههای محاسباتی را کاهش میدهد. برای جمعآوری دادههای تجربی، محققان لبههای قطعات قالبگیری شده رنگ کرده و سپس از آنها عکس گرفتند. از این تصاویر، مقدار تابیدگی بر حسب میلیمتر و همچنین نوع آن (محدب یا مقعر) را محاسبه کردند. محققان همچنین دادههایی را از حسگرهای درون قالب جمعآوری کردند.
با استفاده از نرمافزار Moldex3D، یک شبیهسازی با همان پارامترهای آزمایش، دادههای با دقت پایین را تولید کرد. با استفاده از هر دو منبع داده، محققان یک شبکه عصبی برگشتپذیر (invertible neural network) ایجاد کردند. این نوع شبکه عصبی میتواند دادههای ورودی را از دادههای خروجی بازسازی کند و بنابراین، پارامترهای فرآیند مورد نیاز را پیشبینی نماید.
تجسم دادهها از شبکه عصبی چنددقتی، به وضوح رابطه بین دمای دیواره قالب و ضخامت را نشان داد. دیواره ضخیمتر منجر به خنک شدن کندتر و در نتیجه، زمان بیشتری برای کاهش تنش میشود. دیوارههای نازکتر باعث خنک شدن سریع، تثبیت جهتگیری مولکولی و تنشهای پسماند بالاتر میشوند. پس از آزمایش، شبکه عصبی چنددقتی، بهبود در دقت پیشبینی را نشان داد.
این رویکرد، با استفاده از این منابع داده ترکیبی، نویدبخش ایجاد شبکههای عصبی مؤثرتر برای پشتیبانی از تولیدکنندگان در فرآیند قالبگیری تزریقی است. دادههای با دقت بالا به دادههای کمتری نیاز دارند و نتایج با کیفیت بالاتری نسبت به دادههای با دقت پایین تولید میکنند. اما این مزیت به بهای نیاز به قدرت محاسباتی بسیار بالاتر است. رویکرد چنددقتی، راهکاری میانه بین این دو را فراهم میکند — یک پیشرفت هیجانانگیز برای تولید هوشمند.
دیدگاه خود را بنویسید