板料成形过程的知识基于云的有限元模拟
2016年12月13日
以下论文介绍了一种新颖的 FE 仿真技术 （KBC-FE），该技术通过应用单个模块在云计算环境中执行仿真来降低计算成本。此外，它还在世界领先的科学家之间建立了一个无缝的协作网络，能够将尖端知识模块集成到 FE 仿真中。
基于知识的云 FE 仿真方法的总体目标是将来自不同领域的专业技术结合在一个门户中，以提高成型工艺仿真的能力和准确性，而不会显著增加它们的使用难度。这种方法可以帮助回答钣金成型领域的关键问题，例如成功设置成型组件的参数，以及预测成型工具的使用寿命。这种方法的一个主要优势是，它使高级预测模型可以与任何 FE 仿真软件一起使用，而无需对模型本身进行任何修改。
通常，由于压力在于用户界面，刚接触这种方法的人将能够毫不费力地使用它。可视化演示将展示在传统 FE 仿真中包含高级预测模型是多么简单。本节介绍了如何使用 KBC-FE 计算来预测热冲压过程中的成形性。
在 FE 仿真软件中启动一个新项目。保存项目时，选择工艺为冲压热成型，求解器类型为 PAM-AutoStamp。接下来，首先通过单击导入工具 CAD 导入门内模，将导入的对象命名为模具，切换热成型策略以对工具进行网格划分，然后将门内 IGS 几何文件导入并传输到图形界面中。
现在，重复该过程以导入冲头和压边板。接下来，在设置选项卡下，单击空白。然后，在空白编辑器中，单击 add blank.
将新对象设置为 blank，并将 type 设置为 surface blank。现在，选择轮廓作为定义类型，然后单击从 CAD 文件导入来导入空白形状。在 mesh options （网格选项） 下，将细化定义为 impose level （拼版级别），然后选择级别 1 。
然后，关闭自动网格划分并将网格大小设置为 4 毫米。继续在空白编辑器中定义材料属性。在 material 选项卡下，单击 load a material，然后选择 AA-six-zero-eight-two 材料。
将滚动方向设置为 X 等于 1。将坯料厚度设置为 2 毫米，将坯料初始温度设置为 490 摄氏度。接下来，转到设置选项卡，单击进程，然后选择加号图标以加载新的宏。
然后，浏览到冲压热成型文件夹并选择 HF 验证双作用 GPA 文件。在自定义对话框中，激活 blank、die、punch 和 blank holder 对象。在 stages 选项卡下，激活 gravity、holding、stamping 和 queching。
现在，在 set up （设置） 选项卡下设置对象属性中的所有参数，以与实际的实验设置相对应。将传热系数设置为间隙和接触压力的函数。然后，单击检查图标以检查设置是否有错误，如果没有，请单击计算图标以在主机上开始模拟。
观察结果后，运行脚本，将所有仿真状态中所有单元的主应变、次要应变和温度等值线值导出为 ASCII 文件，然后保存这些文件。通过以这种方式利用数据，有关组件几何形状的信息不会传输到在线门户，从而保护了任何机密信息。现在，访问 Smart Forming，这是为 KBC-FE 模拟新创建的门户，并登录您自己的用户配置文件。
选择成形极限预测模块，并将仿真结果文件导出到云计算机。然后，输入仿真中的状态数，手动输入仿真详细信息和参数，然后开始计算。计算完成后，从云计算机下载结果，以便在 FE 仿真中进行可视化。
然后，加载 FE 仿真结果的最终状态，在 coutours 选项卡下，单击 imported，然后单击标量值。选择 ascii 以显示成形极限预测结果。本节介绍了如何使用 KBC-FE 计算来使用替代成形工艺来预测刀具寿命。
在 FE 仿真软件中创建并命名新的仿真项目。保存项目时，选择工艺作为标准冲压，选择求解器类型作为 PAM AutoStamp。接下来，通过单击导入工具 CAD 导入模具几何图形。
然后，将 U 形模具 IGS 几何文件导入并传输到图形界面中。选择工具网格划分的验证策略，并将网格大小设置为 2 毫米，最大角度为 5。将导入的对象命名为 die。
以相同的方式导入冲头和压边板。现在，在 setup-up 下，单击 blank，然后在空白编辑器中添加 blank。将新对象设置为空白，然后选择类型作为 surface blank。
然后，为定义类型选择四个点，并将空白大小设置为 120 x 80 平方毫米。确保自动网格划分已关闭，并将网格大小设置为 1 点 5 毫米。现在，在空白编辑器中定义材质属性。
单击 material 选项卡下的 load a material，然后选择 AA 5-seven-five-four H one-one-one 材料作为材料属性。然后将坯料厚度设置为一个点 5 毫米，初始温度为 20 摄氏度。单击设置选项卡下的 process 并继续，然后选择加号图标以加载新的宏。
浏览到图章可行性文件夹，然后选择仅加章双动作点 GPA 文件。在自定义对话框中，激活毛坯、模具、冲芯和压边板。在 stages （阶段） 下，激活戳记。
现在，将仿真中的所有参数设置为与实际实验设置相对应。接下来，单击设置中的检查以确保没有出现错误。现在，单击计算图标，开始在主机上进行 11 态 U 形弯曲仿真的计算。
仿真完成后，运行脚本以导出坐标数据和模具接触压力数据的 ascii 文件。然后，从智能成形门户，选择刀具寿命预测模块，手动输入模拟详情和模拟中的状态数，并将模拟结果文件导出到云计算机。然后，开始计算。
计算完成后，下载结果并在 FE 仿真软件中查看其最终状态。为此，请转到 contours 选项卡，单击 imported，然后单击标量值。然后选择 ascii 以显示刀具寿命预测结果。
KBC-FE 模拟使用了从传统冷冲压工艺中采用的初始坯料形状。这种形状的实验结果在热冲压后可见较大的失效区域。经过一次毛坯形状优化迭代后，几乎完全成功的面板成型，颈缩现象大大减少。
可以看出，面板右上角和左上角的凹槽处仍有缩颈的迹象。经过进一步优化，获得了面板上没有可见颈缩的空白形状。通过在全自动生产线上进行的热冲压试验验证了优化的坯料形状。
为了研究毛坯夹持力对刀具寿命的影响，检查了三种毛坯夹持力。在每秒 250 毫米的恒定成型速度下，超过 300 个成型周期，剩余的编码厚度随着坯料夹持力的增加而减少。沿芯片曲线距离绘制压力和剩余编码厚度的图表表明，编码的磨损主要发生在芯片入口半径处。
编码厚度减少的两个峰值与压力的峰值相对应。通过立即开发预测模型并将其作为模块在智能成型门户上实施，商业 FE 模拟的准确性可以不可估量地提高，而无需使用复杂的子程序。在尝试此过程时，重要的是要记住不同的模块，同时必须根据正在仿真的钣金合金进行校准。
除了成形极限和模具寿命预测外，还可以使用这种技术捕获成形过程的其他特征，例如结构演变和后成形强度的预测。这意味着，通过以模块的形式贡献金属成型工作，现在可以将来自世界各地的领先科学家的专业联系在一起。这项技术的影响延伸到大数据。
可以整理来自许多过程的成型条件信息以进行相关分析，以指导未来的实验工作和模型开发。
概述
本文介绍了基于知识的云端有限元仿真方法（KBC-FE），该方法将各种专业领域整合到一个平台中，以提高成形过程仿真的准确性。它允许用户利用先进的预测模型，而无需修改现有的有限元仿真软件。
关键研究组成部分
科学领域
- 有限元仿真
- 云计算
- 板材成形
背景
- KBC-FE方法旨在简化先进仿真的使用。
- 它解决了板材成形行业的关键挑战。
- 该方法支持全球科学家之间的合作。
- 它在仿真过程中保护机密信息。
研究目的
- 提高成形过程仿真的能力。
- 预测各种过程中的工具寿命和成形性。
- 促进预测模型与有限元仿真的集成。
使用的方法
- 利用用户友好的界面进行仿真设置。
- 导入几何体和定义参数的逐步指导。
- 云端计算仿真结果。
- 导出结果以进行可视化和分析。
主要结果
- 成功地将先进的预测模型集成到仿真中。
- 准确预测成形性和工具寿命。
- 简化了设置和运行仿真的过程。
- 在云处理过程中保护机密几何信息。
结论
- KBC-FE显著降低了使用先进仿真的复杂性。
- 该方法增强了研究人员之间的合作和知识共享。
- 它为未来有限元仿真的发展提供了一个强大的框架。
常见问题
Executive Industry Relevance
Advanced FE simulation methods, such as Knowledge Based Cloud FE (KBC-FE), address the increasing complexity and predictive demands of material forming in automotive and aerospace R&D. By integrating advanced material and friction models with cloud-based computation, KBC-FE enhances simulation accuracy and operational efficiency at critical design and manufacturing inflection points. This capability supports rapid iteration, risk reduction, and data-driven decision-making across the product development pipeline.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Enables robust hypothesis testing for material behavior under diverse forming conditions.
- Supports mechanistic de-risking by integrating temperature and strain rate effects into predictive models.
- Facilitates rapid evaluation of new alloy candidates for process feasibility and manufacturability.
Screening & Assay Development
- Prepares validated digital models for downstream process optimization and tool design workflows.
- Standardizes simulation outputs, supporting reproducibility and quantitative comparison across conditions.
- Accelerates screening of process parameters, reducing reliance on physical prototyping.
Translational & Preclinical Research
- Aligns simulation outputs with experimental validation, supporting translational continuity from digital to physical trials.
- Enables risk-adjusted advancement of process designs based on predictive tool life and formability metrics.
- Supports iterative optimization, reducing late-stage failure risk in manufacturing scale-up.
Pipeline & Workflow Integration
KBC-FE simulation integrates seamlessly from early process design through to preclinical manufacturing validation, enabling iterative optimization and data-driven decision support.
- Discovery Biology: Provides a platform for hypothesis-driven interrogation of material and process variables.
- Screening: Delivers reproducible, quantitative outputs for parameter optimization and tool design.
- Analytics: Generates detailed strain, temperature, and pressure readouts for comparative analysis.
- Translational Research: Bridges digital simulation with experimental validation, supporting robust process transfer.
- Enterprise Reuse: Modular cloud-based architecture enables scalable deployment and cross-project knowledge sharing.
Operational & Enterprise Impact
- Scientific Value: Increases predictive confidence and reduces mechanistic ambiguity in process development.
- Operational Value: Streamlines simulation workflows, enhances reproducibility, and supports scalability.
- Strategic Value: Improves go/no-go decision quality and capital efficiency by reducing trial-and-error cycles.
- Portfolio Impact: Enables risk-adjusted prioritization and advancement of manufacturing innovations.
Implementation Considerations
- Requires expertise in FE simulation setup and interpretation of advanced material models.
- Demands access to cloud computing infrastructure and secure data handling protocols.
- Benefits from standardized simulation procedures across teams for reproducibility.
- Adaptation of modules may be necessary for different alloys or forming processes.
- Practical limitations include the need for calibration and validation against experimental data.
Biopharma FAQs
Chapters in this video
0:05
Title
1:05
Knowledge-based Cloud Finite Element (KBC-FE) Simulation Case Study 1: Predicting the Forming Limit under Hot Stamping Conditions
5:10
KBC-FE Simulation Case Study 2: Tool Life Prediction under Multi-cycle Loading Conditions
8:26
Results: KBC-FE Simulation for Necking Prediction and for Tool Life Prediction
9:48
Conclusion
