Statistical calibration and uncertainty quantification of complex machining computer models

مدل های فرآیند ماشینکاری بر پایه عنصر در تحقیقات و صنعت برای طراحی و بهینه سازی فرایند استفاده می شود. این مدلها نیازمند توصیف مؤلفهی رفتار مواد هستند تا دقت مدلسازی و پیش بینی پاسخهای فرایند مانند نیروهای برشی، درجه حرارت و استرس باقی مانده را بررسی کنند. کالیبراسیون این مدل ها برای آزمایش های فشرده سازی پویا با یک محور کم عمق می تواند مشکل باشد زیرا فرایند ماشینی عموما سویه های بزرگتر را نسبت به فشرده سازی یک طرفه قرار می دهد. کالیبراسیون مدل های عناصر محدود به طور مستقیم به داده های ماشینکاری به طور کلی دشوار است زیرا مدل ها به صورت محاسباتی گران هستند و روش های بهینه سازی غیرخطی برای برآورد پارامترهای کالیبراسیون ناخالص، راه حل های غیر منحصر به فرد را ارائه می دهند و نیازمند تکرارهای زیادی هستند. در این کار، ما یک مدل جایگزین فرآیند غیرقطعی گاوسی را برای تقلید از واکنش عنصر محدود و استفاده از چارچوب استنتاج بیزی برای آزمایشهای برش مجاور تجربی استفاده می کنیم. ما فرض می کنیم که رفتار رفتار مواد را می توان با مدل جریان جانسون-کوک توصیف کرد. ما دریافتیم که مدل فرآیند گاوس ناپایدار، یک جایگزین خوب برای مدل عناصر محدودی پیچیده است. برای برآورد کالیبراسیون نیروهای برش از آزمایشات چرخش لوله متعامد استفاده شده است. اعتبار سنجی با استفاده از یک متغیر پاسخ جداگانه انجام می شود - ضخامت تراشه برش. نتایج کالیبراسیون نشان می دهد که اولویت مدل های مواد با نرخ سخت شدن کم است، که مسائل از قبیل بیش از پیش بینی رفتار سخت شدن فشار در هنگام استفاده از مدل جریان جانسون-کوک را رفع می کند. فرمول بیزی نیز عدم قطعیت در پارامترهای جانسون کوک را نشان می دهد، که می تواند برای تعیین عدم اطمینان در پاسخ های پردازش ماشینکاری استفاده شود. روش های ارائه شده در اینجا به طور کلی هستند و می توانند برای مدل های پیچیده تر و تریبولی برای ماشینکاری و سایر فرایندهای تولید پیچیده استفاده شوند.