アディティブ・マニュファクチャリングで製造する部品の耐疲労性を予測

アディティブ・マニュファクチャリング (AM) 部品を活用することで、ますます複雑化するデザインの生産を強化し、製造の分散化を実現します。ただし、アディティブ・マニュファクチャリング部品の耐疲労性を予測することは容易ではありません。製造プロセスによって生じる複数の局所的な要因は、それぞれ相互に切り離すことができないため、数学モデルでは、これらの要因の相互作用やそれによる影響を表現することができないからです。したがって今日では、セーフティクリティカルな3Dプリント部品の疲労寿命の予測は工数がかかりすぎて、現実的ではありません。

今すぐ登録して、シーメンスのSimcenter 3Dの各種機能を紹介するこちらのオンデマンド・ウェビナーをご覧ください。

• オープンな耐久性ソルバー環境に材料の機械学習モデルを統合
• 疲労を引き起こすことになる、AMプロセスに起因するさまざまな影響因子を考慮
• セーフティクリティカルな構造部品へ適用

アディティブ・マニュファクチャリングで生成した部品の疲労予測の課題を解決

従来の疲労解析の手法では、アディティブ・マニュファクチャリング (AM) 部品の疲労を正確に予測することはできません。材料の状態と疲労影響因子との無限の組み合わせを実際にテストすることは現実的ではなく、また、これらの影響因子を個別に切り離して、それぞれの相互作用や影響を個別に調べることも困難です。さらに、データベースの構築も意味がなく、材料状態のランダムなセットからS-N曲線を予測できるような数式も存在しません。AM部品の疲労予測の課題を解決するには、製造プロセスを材料や部品の特性と結び付ける必要があります。そのためには、AM部品の各材料状態に対応する疲労特性を示せるツールが必要です。

機械学習を活用してAM部品の疲労特性をより正確にモデル化

アディティブ・マニュファクチャリング・プロセスによって生じるすべての材料状態をテストすることはできません。仮にできたとしても、クーポン・スケールでは再現できないことがあります。そこで、AM部品の疲労特性を正確にモデル化する解決策となるのが、機械学習 (ML) データベースです。MLモデルは、個々の要因が寿命にどのように影響するかを学習し、あらゆる疲労影響因子の疲労寿命を予測します。テストの実施が制限される場合でも、MLモデルは利用可能なわずかなデータをもとに「最善の推測」をします。他の手法であれば、かなり低い精度でしか推測できないでしょう。また、MLは前提知識や、独自のテスト、有限要素 (FE) 解析、文献に寄る知識や経験則などから、さまざまな入力データを組み合わせてデータセットを強化し、単一のMLモデルを構築します。

耐久性解析を統合してAM部品の疲労を正確に予測

エンジニアは、耐久性解析を用いて疲労寿命を予測し、部品を安全に使えるように設計を適応させることができます。そのためには、AM部品の局所的な疲労特性に対処できるように、耐久性ソルバーを調整する必要があります。Simcenter 3Dソリューションは、AMプロセスに起因する局所的な特性を考慮しながら部品スケールの耐久性解析を実施する、独自の疲労解析ソルバーです。AMに対応した耐久性解析を統合することで、製造プロセスによって生じる局所的な疲労影響因子や後処理を考慮しながら、正確に疲労を予測することができます。材料の欠陥による影響を評価し、必要な場所には高品質のプリントを保証することで、プリント部品の安全性を損なうことなく、全体的な生産性を向上すると同時に、3Dプリント部品の認証にも役立ちます。

オンデマンド・ウェビナーを見て、従来の手法では対応できなかったことに対応し、3Dプリント部品で破損が起きる位置や疲労寿命を正確に予測しましょう。