【技術實現步驟摘要】
本專利技術屬于拉深模擬，更具體地說，是涉及一種各向異性材料的拉深模擬方法。
技術介紹
1、在當代金屬板材成型的復雜工藝體系中，各向異性材料因其獨特且復雜的晶體微觀結構排列，致使其力學性能在不同方向上呈現出極為顯著的差異。
2、當這類材料投身于杯形件拉深工藝的關鍵環節時，板材在拉深力的驅動下，各部位所經歷的變形過程復雜多變且極度不均勻，進而在杯口邊緣規律性地滋生出凸耳這一棘手難題。傳統應對凸耳問題的策略，大多依賴于長期積累現場實操經驗的技術人員，憑借手工操作對模具參數進行調整，同時佐以大范圍、粗粒度的工藝參數試探。
3、然而，這種傳統模式存在著諸多難以克服的弊端：第一，由于缺乏對材料微觀結構與宏觀變形行為之間內在緊密關聯的深度剖析，使得在探尋凸耳形成根源時如同盲人摸象，模具調試過程充滿盲目性；第二，反復的試模流程需耗費海量的人力、物力以及寶貴的時間成本，并且最終產品質量的穩定性欠佳，廢品率長期居高不下，已然無法順應現代制造業向智能化、精密化迅猛發展的時代浪潮，嚴重掣肘產業升級的前進步伐。
技術實現思路
1、本專利技術的目的在于提供一種各向異性材料的拉深模擬方法，通過構建本構模型并形成對應有限元模型的有限元結果，根據拉深模擬獲得杯形件的凸耳率，以預測杯形件拉深的凸耳問題。
2、為實現上述目的，本專利技術采用的技術方案是：提供一種各向異性材料的拉深模擬方法，包括以下步驟：
3、s1：測定各向異性材料的微觀晶體結構，獲取晶體取向分布函數、位錯
4、s2：將本構模型導入有限元分析軟件中，基于拉深過程中因塑性變形產生的溫度變化、應變率突變、模具與板材間電磁感應效應以及潤滑介質的流體動力學行為設置相應邊界條件，形成多物理場交互行為的有限元模型；
5、s3：將有限元模型導入自適應網格劃分算法，依據模型應力、應變梯度以及物理場梯度對網格進行疏密調整，形成有限元模擬結果；
6、s4：利用深度學習算法對有限元模擬結果進行實時分析，獲取凸耳形成的敏感區域、潛在觸發因素及多物理場間的關聯，以可視化圖表形式輸出分析報告；
7、s5：模具圓角半徑、拉深間隙、壓邊力、拉深速度、摩擦系數以及電磁調控參數協同動態優化，通過設定多目標優化函數進行拉深模擬，根據拉深模擬獲得杯形件的凸耳率。
8、在一種可能的實現方式中，在步驟s1中，運用電子背散射衍射技術、原子力顯微鏡以及透射電子顯微鏡協同作業，將電子背散射衍射技術得到的晶體取向信息、原子力顯微鏡得到的表面信息和透射電子顯微鏡得到的內部微觀結構信息進行綜合分析，測定各向異性材料的微觀晶體結構。
9、在一種可能的實現方式中，在步驟s2中設置相應邊界條件時，
10、3.1、基于材料自身產生的熱傳導以及周圍環境與材料間存在的熱傳導，以設置熱邊界條件；
11、3.2、基于拉深速度、模具幾何形狀以及材料流動特性，采用自適應時間步長算法，依據材料應變率敏感指數結合位錯動力學理論，調整本構模型中的參數，以設置應變率邊界條件；
12、3.3、基于電磁感應效應對應電磁場分布計算電磁力，將電磁力作為體力加載到本構模型中，以設置電磁感應邊界條件；
13、3.4、基于潤滑理論和實際潤滑方式，設置入口和出口的壓力邊界條件，結合潤滑介質的流速變化，設置流速邊界條件。
14、在一種可能的實現方式中，在步驟s2中，有限元模擬軟件內置虛擬材料庫，虛擬材料庫涵蓋多種各向異性材料的基礎參數，可依據材料成分、組織結構調取相應的基礎參數，并結合實測數據通過機器學習算法自動完善有限元模型。
15、在一種可能的實現方式中，在步驟s3中有限元模型導入自適應網格劃分算法時，
16、5.1、將有限元模型的數據轉換為abaqus軟件或ansys軟件可識別的格式；
17、5.2、運用abaqus軟件提供的python腳本接口或ansys軟件的apdl語言編程環境，編寫適配代碼；
18、5.3、指定啟用自適應網格劃分算法，并將編寫好的適配代碼與之綁定；
19、5.4、進行初步調試，設置拉深速度和模具幾何形狀，觀察算法模塊能否正確讀取模型數據、實時獲取物理量并根據梯度信息進行初步的網格調整，通過調試日志分析排查可能出現的數據傳輸中斷和算法報錯問題，優化適配代碼與算法模塊的關聯設置。
20、在一種可能的實現方式中，在步驟s4中，選用卷積神經網絡或長短時記憶網絡作為深度學習模型的基礎架構，將預處理后的數據集以70:15:15的比例劃分為訓練集、驗證集和測試集，使用訓練集對深度學習模型進行訓練，將模擬得到的物理量數據作為輸入，將拉深凸耳的特征作為輸出，同時調整深度學習模型的權重。
21、在一種可能的實現方式中，在步驟s4中，在深度學習模型中輸入不同時刻的應力應變云圖，得到凸耳形成的敏感區域；在深度學習模型中輸入拉深的不同工藝參數，得到凸耳的潛在觸發因素；分析溫度場、電磁強度以及流體速度多物理場與凸耳的關聯。
22、在一種可能的實現方式中，在步驟s4中，可視化圖表至少包括應力應變云圖、溫度場分布圖、電磁強度矢量圖以及流體速度矢量圖。
23、在一種可能的實現方式中，在步驟s5中，采用遺傳算法、粒子群優化算法以及模擬退火算法組成的混合優化策略驅動模具圓角半徑、拉深間隙、壓邊力、拉深速度、摩擦系數以及電磁調控參數協同動態優化，通過設定多目標優化函數，獲取凸耳高度最小化、壁厚均勻性最大化、殘余應力最小化以及表面質量最優化的綜合成型質量指標。
24、在一種可能的實現方式中，在步驟s5之后，運用掃描技術對試生產杯形件從毛坯下料到成型全過程進行掃描，將采集的掃描數據實時傳輸至有限元模型，對有限元模型進行動態校正。
25、本專利技術提供的一種各向異性材料的拉深模擬方法的有益效果在于：與現有技術相比，首先測定各向異性材料的微觀晶體結構，獲取晶體取向分布函數、位錯密度張量以及晶格畸變參數，構建基于位錯理論與晶體塑性本構相結合的動態自適應材料的本構模型；將本構模型導入有限元分析軟件中，基于拉深過程中因塑性變形產生的溫度變化、應變率突變、模具與板材間電磁感應效應以及潤滑介質的流體動力學行為設置相應邊界條件，形成多物理場交互行為的有限元模型；將有限元模型導入自適應網格劃分算法，依據模型應力、應變梯度以及物理場梯度對網格進行疏密調整，形成有限元模擬結果；利用深度學習算法對有限元模擬結果進行實時分析，獲取凸耳形成的敏感區域、潛在觸發因素及多物理場間的關聯，以可視化圖表形式輸出分析報告；模具圓角半徑、拉深間隙、壓邊力、拉深速度、摩擦系數以及電磁調控參數協同動態優化，通過設定多目標優化函數進行拉深模擬，根據拉深模擬獲得杯形件的凸耳率。本專利技術提供的一種各向異性材料的拉深模擬方法，通過構建本構模型并形成對應有限元模型的有限元本文檔來自技高網...
【技術保護點】
1.一種各向異性材料的拉深模擬方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S1中，運用電子背散射衍射技術、原子力顯微鏡以及透射電子顯微鏡協同作業，將電子背散射衍射技術得到的晶體取向信息、原子力顯微鏡得到的表面信息和透射電子顯微鏡得到的內部微觀結構信息進行綜合分析，測定各向異性材料的微觀晶體結構。
3.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S2中設置相應邊界條件時，
4.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S2中，有限元模擬軟件內置虛擬材料庫，虛擬材料庫涵蓋多種各向異性材料的基礎參數，可依據材料成分、組織結構調取相應的基礎參數，并結合實測數據通過機器學習算法自動完善有限元模型。
5.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S3中有限元模型導入自適應網格劃分算法時，
6.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S4中，選用卷積神經網絡或長短時記憶網
7.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S4中，在深度學習模型中輸入不同時刻的應力應變云圖，得到凸耳形成的敏感區域；在深度學習模型中輸入拉深的不同工藝參數，得到凸耳的潛在觸發因素；分析溫度場、電磁強度以及流體速度多物理場與凸耳的關聯。
8.如權利要求7所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S4中，可視化圖表至少包括應力應變云圖、溫度場分布圖、電磁強度矢量圖以及流體速度矢量圖。
9.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S5中，采用遺傳算法、粒子群優化算法以及模擬退火算法組成的混合優化策略驅動模具圓角半徑、拉深間隙、壓邊力、拉深速度、摩擦系數以及電磁調控參數協同動態優化，通過設定多目標優化函數，獲取凸耳高度最小化、壁厚均勻性最大化、殘余應力最小化以及表面質量最優化的綜合成型質量指標。
10.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟S5之后，運用掃描技術對試生產杯形件從毛坯下料到成型全過程進行掃描，將采集的掃描數據實時傳輸至有限元模型，對有限元模型進行動態校正。
...【技術特征摘要】
1.一種各向異性材料的拉深模擬方法，其特征在于，包括以下步驟：
2.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟s1中，運用電子背散射衍射技術、原子力顯微鏡以及透射電子顯微鏡協同作業，將電子背散射衍射技術得到的晶體取向信息、原子力顯微鏡得到的表面信息和透射電子顯微鏡得到的內部微觀結構信息進行綜合分析，測定各向異性材料的微觀晶體結構。
3.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟s2中設置相應邊界條件時，
4.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟s2中，有限元模擬軟件內置虛擬材料庫，虛擬材料庫涵蓋多種各向異性材料的基礎參數，可依據材料成分、組織結構調取相應的基礎參數，并結合實測數據通過機器學習算法自動完善有限元模型。
5.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟s3中有限元模型導入自適應網格劃分算法時，
6.如權利要求1所述的一種各向異性材料的拉深模擬方法，其特征在于，在步驟s4中，選用卷積神經網絡或長短時記憶網絡作為深度學習模型的基礎架構，將預處理后的數據集以70:15:15的比例劃分為訓練集、驗證集和測試集，使用訓練集對深度學習模型進...
【專利技術屬性】
技術研發人員：李河宗，許晨，黃素霞，曹晶晶，李振，蔡永眾，李明，龐勇，孫偉，
申請(專利權)人：河北工程大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。