シートメタル成形プロセスの知識ベースのクラウドFEシミュレーション
2016年12月13日
次の論文では、個々のモジュールを適用することにより、クラウドコンピューティング環境でシミュレーションを行うことで計算コストを削減する新しいFEシミュレーション技術(KBC-FE)を紹介しています。さらに、世界をリードする科学者間のシームレスな協力ネットワークを確立し、最先端の知識モジュールをFEシミュレーションに統合することを可能にしています。
Knowledge Based Cloud FE Simulation Methodの全体的な目標は、異なる分野の専門分野を1つのポータルに組み合わせて、成形プロセスシミュレーションの能力と精度を向上させることです。これにより、シミュレーションの使用難易度が大幅に向上することはありません。この方法は、成形コンポーネントにパラメータを正常に設定したり、成形ツールの寿命を予測したりするなど、シートメタル成形分野の重要な質問に答えるのに役立ちます。この方法論の大きな強みは、モデル自体に変更を加えることなく、高度な予測モデルを任意のFEシミュレーションソフトウェアで利用できることです。
一般に、この方法に不慣れな個人は、ひずみのあるユーザーインターフェースのために非常に困難なくそれを利用することができます。視覚的なデモンストレーションでは、従来のFEシミュレーションで高度な予測モデルを包含することがいかに簡単であるかを示します。このセクションでは、KBC-FEコンピューティングを使用してホットスタンププロセスでの成形性を予測する方法について説明します。
FEシミュレーションソフトウェアで新しいプロジェクトを開始します。プロジェクトを保存するときに、プロセスをスタンプホットフォーミングとして選択し、ソルバータイプをPAM-AutoStampとして選択します。次に、最初にインポートツールCADをクリックしてドアインナーダイをインポートし、インポートしたオブジェクトにダイと名付け、ホットフォーミング戦略を切り替えてツールをメッシュ化してから、ドアインナーIGSジオメトリファイルをグラフィカルインターフェースにインポートして転送します。
次に、プロセスを繰り返してパンチとブランクホルダーをインポートします。次に、[セットアップ]タブで、[空白]をクリックします。次に、空白のエディタで、[空白の追加] をクリックします。
新しいオブジェクトを空白として設定し、タイプを表面空白として設定します。次に、定義タイプにアウトラインを選択し、[CADファイルからのインポート]をクリックして空白の形状をインポートします。[メッシュ オプション]で、細分化を強制レベルとして定義し、レベル 1 を選択します。
次に、自動メッシュをオフにして、メッシュ サイズを 4 ミリメートルに設定します。ブランクエディタで材料特性の定義に進みます。[マテリアル]タブで、[マテリアルのロード]をクリックし、AA-six-zero-eight-twoマテリアルを選択します。
ローリング方向をXが1に等しいに設定します。ブランクの厚さを 2 ミリメートルに、ブランクの初期温度を摂氏 490 度に設定します。次に、[セットアップ]タブに移動し、[プロセス]をクリックし、プラスアイコンを選択して新しいマクロをロードします。
次に、スタンプホットフォーミングフォルダを参照し、HF検証ダブルアクションGPAファイルを選択します。カスタマイズダイアログで、ブランク、ダイ、パンチ、ブランクホルダーの各オブジェクトをアクティブにします。「ステージ」タブで、「重力」、「保持」、「スタンピング」、「クエンチ」をアクティブにします。
次に、セットアップタブの下にあるオブジェクトの属性のすべてのパラメータを、実際の実験セットアップに対応するように設定します。熱伝達係数をギャップと接触圧力の関数として設定します。次に、チェックアイコンをクリックしてセットアップにエラーがないか確認し、エラーがない場合は、計算アイコンをクリックしてホストコンピュータでシミュレーションを開始します。
結果を確認した後、スクリプトを実行して、すべてのシミュレーション状態のすべての要素の主ひずみ、副ひずみ、および温度コンター値をASCIIファイルとしてエクスポートし、ファイルを保存します。この方法でデータを活用することにより、コンポーネントの形状に関する情報がオンラインポータルに転送されることはなく、機密情報が保護されます。次に、KBC-FEシミュレーション用に新しく作成されたポータルであるスマートフォーミングにアクセスし、自分のユーザープロファイルにログインします。
成形限界予測モジュールを選択し、シミュレーション結果ファイルをクラウドコンピュータにエクスポートします。次に、シミュレーションの状態数を入力し、シミュレーションの詳細とパラメーターを手動で入力して、計算を開始します。計算が完了したら、FEシミュレーションで視覚化するために、クラウドコンピューターから結果をダウンロードします。
次に、FEシミュレーション結果の最終状態を読み込み、[coutours]タブで[インポート]、[スカラー値]の順にクリックします。ASCIIを選択して、成形限界の予測結果を表示します。このセクションでは、KBC-FE計算を使用して、代替成形プロセスを使用して工具寿命を予測する方法について説明します。
FEシミュレーションソフトウェアで新しいシミュレーションプロジェクトを作成し、名前を付けます。プロジェクトを保存するときに、プロセスを標準スタンピングとして選択し、ソルバータイプをPAM AutoStampとして選択します。次に、インポートツールCADをクリックしてダイ形状をインポートします。
次に、U字型のダイIGSジオメトリファイルをグラフィックインターフェースにインポートして転送します。工具のメッシュ作成の検証方法を選択し、メッシュ サイズを 2 ミリメートル、最大角度 5 に設定します。インポートしたオブジェクトに die という名前を付けます。
同様に、パンチとブランクホルダーをインポートします。次に、[セットアップ]で[空白]をクリックし、空白のエディターで空白を追加します。新しいオブジェクトを空白として設定し、次にタイプとしてサーフェス空白として選択します。
次に、定義タイプとして 4 つのポイントを選択し、空白サイズを 120 x 80 平方ミリメートルに設定します。自動メッシュがオフになっていることを確認し、メッシュ サイズを 1 ポイント 5 ミリメートルに設定します。次に、ブランクエディタで材料特性を定義します。
[材料]タブで[材料をロード]をクリックし、材料特性としてAA five-seven-five-four H one-one-one材料を選択します。次に、ブランクの厚さを1点5ミリメートル、初期温度を摂氏20度に設定します。[セットアップ]タブの下の[プロセス]をクリックして続行し、プラスアイコンを選択して新しいマクロをロードします。
スタンプの実現可能性フォルダを参照し、スタンピングのみのダブルアクションドットGPAファイルを選択します。カスタマイズダイアログで、ブランク、ダイ、パンチ、ブランクホルダーをアクティブにします。ステージの下で、スタンピングをアクティブにします。
次に、シミュレーション内のすべてのパラメーターを実際の実験設定に対応するように設定します。次に、セットアップのチェックをクリックして、エラーが発生していないことを確認します。次に、計算アイコンをクリックして、ホストコンピューター上で11状態のu字型曲げシミュレーションの計算を開始します。
シミュレーションが完了したら、スクリプトを実行して、ダイの座標データと接触圧力データのASCIIファイルをエクスポートします。次に、スマートフォーミングポータルから工具寿命予測モジュールを選択し、シミュレーションの詳細とシミュレーションの状態数を手動で入力し、シミュレーション結果ファイルをクラウドコンピューターにエクスポートします。次に、計算を開始します。
計算が完了したら、結果をダウンロードし、FEシミュレーションソフトウェアで最終状態を表示します。これを行うには、[等高線] タブに移動し、[インポート済み] をクリックしてから [スカラー値] をクリックします。次に、[ASCII]を選択して、工具寿命の予測結果を表示します。
KBC-FEのシミュレーションでは、従来のコールドスタンピングプロセスで採用された初期ブランク形状を使用しました。この形状の実験結果では、ホットスタンプ後に大きな故障領域が見えました。ブランク形状の最適化を1回繰り返した後、ネッキングが大幅に減少し、ほぼ完全に成功したパネルが形成されました。
パネルの右上隅と左上隅のポケットにまだネッキングの兆候があることがわかります。さらに最適化を行った結果、パネルにネッキングが見えないブランク形状が得られました。最適化されたブランク形状は、全自動生産ラインで行われたホットスタンピング試験によって検証されました。
ブランク保持力が工具寿命に及ぼす影響を調べるため、3つのブランク保持力を調べた。毎秒250mmの一定の成形速度で、300回以上の成形サイクルで、ブランク保持力が増加するにつれて残りのコーディング厚さが減少しました。ダイの曲線距離に沿った圧力と残りのコーディング厚さをグラフ化すると、コーディングの摩耗は主にダイの入口半径で発生していることが示されました。
コーディング厚さの低減の 2 つのピーク値は、圧力のピークに対応しています。予測モデルを一度に開発し、それらをスマートフォーミングポータル上のモジュールとして実装することで、複雑なサブルーチンを使用せずに、商用FEシミュレーションの精度を計り知れないほど向上させることができます。この手順を試行する際には、シミュレートされる板金合金に応じて、さまざまなモジュールを校正する必要があることを覚えておくことが重要です。
成形限界と工具寿命の予測に加えて、この手法を使用して、マルキ構造進化や成形後の強度の予測など、成形プロセスの他の特徴を捉えることができる可能性があります。これは、世界中の主要な科学者の専門分野が、モジュールの形で金属成形の研究に貢献することにより、相互にリンクできるようになったことを意味します。この手法の意味するところは、ビッグデータにまで及びます。
多数のプロセスから得られた成形条件の情報を照合して、将来の実験作業やモデル開発の指針となる関連解析を行うことができます。
概要
この論文では、様々な専門分野を単一のプラットフォームに統合し、成形プロセスシミュレーションの精度を向上させる知識ベースクラウドFEシミュレーション法（KBC-FE）を紹介します。これにより、既存のFEシミュレーションソフトウェアを変更することなく、高度な予測モデルを活用することができます。
主要な研究要素
科学分野
- 有限要素法シミュレーション
- クラウドコンピューティング
- 板金成形
背景
- KBC-FE法は、高度なシミュレーションの使用を簡素化することを目指しています。
- 板金成形産業における主要な課題に対処します。
- この方法は、世界中の科学者間の協力をサポートします。
- シミュレーション中に機密情報を保護します。
研究の目的
- 成形プロセスシミュレーションの能力を向上させる。
- 様々なプロセスにおける工具寿命と成形可能性を予測する。
- 予測モデルをFEシミュレーションに統合しやすくする。
使用した方法
- シミュレーション設定のためのユーザーフレンドリーなインターフェースの利用。
- ジオメトリのインポートとパラメータ定義のためのステップバイステップのガイダンス。
- シミュレーション結果のためのクラウドベースの計算。
- 可視化と分析のための結果のエクスポート。
主要な結果
- 高度な予測モデルのシミュレーションへの成功した統合。
- 成形可能性と工具寿命の正確な予測。
- シミュレーションの設定と実行の合理化されたプロセス。
- クラウド処理中の機密ジオメトリ情報の保護。
結論
- KBC-FEは、高度なシミュレーションの使用の複雑さを大幅に軽減します。
- この方法は、研究者間の協力と知識共有を向上させます。
- FEシミュレーションの将来の発展のための堅牢なフレームワークを提供します。
よくある質問
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
