Prevedere la resistenza a fatica delle parti realizzate con l’additive manufacturing

L’additive manufacturing (AM) consente ai progettisti di realizzare progetti sempre più complessi e apre la strada alla produzione distribuita. Tuttavia, prevedere la resistenza a fatica delle parti realizzate tramite produzione additiva non è semplice. Il processo produttivo induce molteplici fattori locali che non possono essere separati. Pertanto, la modellazione matematica non può descrivere l'interazione e l'influenza di questi fattori. Oggi è troppo laborioso stimare la vita a fatica dei componenti stampati in 3D essenziali per la sicurezza.

Partecipa al nostro webinar e scopri come Simcenter 3D di Siemens è in grado di:

• Integrare il modello di machine learning nell'ambiente aperto del solutore di durabilità
• Considerare i diversi fattori indotti dal processo di AM che influenzano la fatica
• Applicarsi ai componenti strutturali essenziali per la sicurezza

Risolvere il problema della resistenza a fatica delle parti realizzate con l’additive manufacturing

L’approccio convenzionale alla gestione della fatica non funziona con i componenti prodotti in modo additivo. È impossibile verificare l'infinita combinazione delle condizioni del materiale e dei fattori che influenzano la fatica, o separarli e descrivere la loro interazione e il loro impatto in modo isolato. Inoltre, è inutile fare affidamento sui database perché non esiste una formula che possa prevedere le curve S-N per un insieme casuale di condizioni del materiale. Per risolvere il problema della fatica nei componenti realizzati tramite AM, gli ingegneri devono collegare il processo al materiale e alle prestazioni della parte, il che richiede uno strumento in grado di mostrare quali prestazioni di resistenza alla fatica corrispondono a qualsiasi condizione AM.

Utilizzo del machine learning per modellare con precisione le prestazioni della resistenza a fatica dei componenti AM

Gli ingegneri non possono permettersi di testare tutte le condizioni del processo di additive manufacturing e, anche qualora potessero, alcune condizioni sono impossibili da riprodurre su scala di prova. La soluzione per modellare con precisione le prestazioni della resistenza a fatica dei componenti AM è un database di machine learning (ML). Il modello ML apprende come i singoli parametri influenzano la durata, per prevedere la vita a fatica per qualsiasi fattore che incida sulla fatica. Se i test sono limitati, il modello ML farà comunque la migliore supposizione in base ai pochi dati disponibili, laddove altri metodi non avranno successo. Infine, combinerà diversi input per arricchire il set di dati e realizzerà un unico modello ML a partire da conoscenze pregresse, test propri, simulazioni agli elementi finiti (FE), regole empiriche tratte dalla letteratura o dall'esperienza.

Integrare l'analisi della durabilità per prevedere con precisione la fatica dei componenti AM

Gli ingegneri possono avvalersi dell’analisi della durabilità per prevedere la vita a fatica e adattare il progetto al fine di garantire un uso sicuro del componente. Tuttavia, gli ingegneri devono adattare il loro solutore di durabilità per gestire le proprietà di fatica locali con la fatica dei componenti AM. La soluzione Simcenter 3D offre l'unico solutore di fatica in grado di considerare le proprietà locali indotte dal processo di AM nell'analisi di durabilità su scala parziale. L'integrazione dell'analisi della durabilità AM consente una precisa previsione della fatica, tenendo conto dei fattori locali di influenza della fatica indotti dal processo e dal post-trattamento. È in grado di valutare l'effetto dei difetti e garantire una stampa di alta qualità dove necessario, per aumentare la produttività complessiva senza compromettere la sicurezza delle parti stampate, contribuendo inoltre alla certificazione dei componenti stampati in 3D.

Partecipa al webinar per saperne di più sui motivi per cui i metodi convenzionali falliscono, per prevedere con precisione il corretto punto di rottura e la vita a fatica delle parti stampate in 3D.