Approcci di previsione e minimizzazione dell'energia per processi di forgiatura e formatura

The prediction and minimization of the energy consumption has become an essential part of process planning for the XXI century manufacturing industries. The research work presented in this thesis is related to the development of predictive models for the estimation of the energy consumption in metals forming processes, focusing on the radial-axial ring rolling (RARR) process for production of rings. In the first section of this research, the preliminary investigation for the development of regression models is presented and shows the limitations of this type of approaches when applied to energy prediction of complex manufacturing processes. For this reason, the focus has been shifted towards more complex and yet more accurate model, based on artificial intelligence algorithms. To define the database to be used for the training and validation of the implemented machine learning models, radial-axial ring rolling (RARR) finite element method (FEM) simulations have been implemented in the commercial software MSC Simufact Forming. From both setting data and results, a database has been developed and contains data relevant for the process settings, the initial and final geometries of the ring, the considered material properties and, as a result, the integral of the mandrel forming force over the relevant process time (FIOT), utilized as a sort of measurement of the energy required for the forming of the ring. Among the developed models, the Gradient Boosting (GB) algorithms showed the best accuracy being its maximum residuals equal to 9.03 % in a wide range of final ring outer diameters. The developed model has been also validated by means of additional FEM simulations and by means of laboratory experiments, both own and from the literature. The own experiments have been carried out at the Net Shape Manufacturing Laboratory of Sogang University (Seoul, South Korea) on a small-scall ring rolling mill. In the second section of this research, the profiled ring rolling process has been considered, where the academic literature on this topic is quite limited thus, as first step, starting from the existing literature model for flat ring and adapting it to the more complexity of profiled ring, a new analytical model for the prediction of the profiled ring evolution has been developed. The proposed model allows predicting the redistribution of the material from the original preform shape and links it to the progressive variation of the ring inner and outer diameters. The proposed set-up and geometry prediction model has been validated against literature and own FEM and experimental results, showing its reliability in predicting the final geometry of the ring for a large variety of initial and final shapes. Subsequently, by following a similar approach to those utilized for the flat rings, the developed Gradient Boosting algorithm has been utilized for the prediction of the energy consumption of profiled rings. By means of the trained Gradient Boosting algorithm, the training database has been expanded and utilized as training and validation data set for the second of the developed machine learning model. The aim of this second model is the minimization of the energy consumption for a specific combination of final shape, material, and processing temperature. The comparison between predicted (algorithm) and calculated (FEM) solutions showed a maximum error equal to 8.95%, proving the reliability and generality of the proposed energy minimization algorithm. To prove the reliability and demonstrate the applicability of the proposed solution also to different manufacturing processes, the energy minimization algorithm has been also applied the deep drawing process, in collaboration with the Sogang University, with the aim of maximizing the geometrical accuracy and minimize the after-forming earing defects.

La previsione e la minimizzazione del consumo energetico sono una parte essenziale per la pianificazione dei processi per le industrie manifatturiere del XXI secolo. Il lavoro di ricerca presentato in questa tesi riguarda lo sviluppo di modelli predittivi per la stima del consumo di energia nei processi di formatura, focalizzandosi sul processo di laminazione radiale-assiale per la produzione di anelli. Nella prima sezione di questa ricerca, viene presentata l'indagine preliminare e lo sviluppo di modelli di regressione mostrandone i limiti quando applicati alla previsione energetica di processi produttivi complessi. Per questo motivo, l'attenzione si è spostata verso modelli più complessi e tuttavia più accurati, basati su algoritmi di intelligenza artificiale. Per definire il database da utilizzare per l'addestramento e la validazione dei modelli di intelligenza artificiale implementati, sono state impostate delle simulazioni del processo di laminazione di anelli con il metodo agli elementi finiti utilizzando il software MSC Simufact Forming. Successivamente è stato creato un database contenente valori rilevanti per le impostazioni di processo, le geometrie iniziali e finali dell'anello, le proprietà del materiale considerato e l'integrale della forza del mandrino calcolato nel tempo di processo rilevante (FIOT), utilizzato come misura dell'energia necessaria per la formazione dell'anello. Tra i modelli sviluppati, l’algoritmo di Gradient Boosting (GB) ha mostrato la migliore accuratezza con un errore massimo del 9.03% considerando un'ampia gamma di diametri esterni dell'anello finale. Il modello GB è stato validato anche mediante ulteriori simulazioni FEM ed esperimenti di laboratorio, sia propri che di letteratura. Gli esperimenti sono stati condotti presso il Net Shape Manufacturing Laboratory della Sogang University (Seoul, Corea del Sud) su un laminatoio ad anello in scala. Nella seconda parte di questa ricerca è stato considerato il processo di laminazione di anelli profilati dove la letteratura accademica risulta essere limitata, quindi, come primo passo, si è partiti dal modello esistente in letteratura per l'anello piatto e lo si è adattato alla maggiore complessità dell'anello profilato, sviluppando un nuovo modello analitico per la previsione dell'evoluzione dell'anello profilato. Il modello proposto consente di prevedere la ridistribuzione del materiale dalla forma originaria della preforma, piana o già profilata, e la lega alla variazione progressiva dei diametri interni ed esterni dell'anello. Il modello proposto di impostazione e previsione della geometria, è stato convalidato rispetto alla letteratura, ed ai propri risultati FEM e sperimentali, dimostrando la sua affidabilità nel prevedere la geometria finale dell'anello per una grande varietà di forme iniziali e finali. Successivamente, seguendo un approccio analogo a quelli utilizzati per gli anelli piatti, è stato utilizzato l'algoritmo GB sviluppato per la previsione del consumo energetico degli anelli profilati. Considerando quindi l’algoritmo già sviluppato, il database è stato ampliato e utilizzato per l’addestramento e la validazione di un secondo modello di machine learning. Lo scopo è la minimizzazione del consumo di energia per una specifica combinazione di forma finale, materiale e temperatura di lavorazione. Per quanto riguarda l'algoritmo di minimizzazione dell'energia, il confronto tra le soluzioni previste (algoritmo) e calcolate (FEM) ha mostrato un errore massimo del 8.95%, a dimostrazione dell'affidabilità della soluzione proposta. Per dimostrare l'efficacia e, allo stesso tempo, dimostrare l'applicabilità della soluzione proposta anche a diversi processi produttivi, l'algoritmo di minimizzazione è stato applicato anche al processo di imbutitura, in collaborazione con la Sogang University, con l'obiettivo di massimizzare la precisione geometrica e minimizzare le pieghe di post-formatura.