.png){kind=icon}
返回
Optimal drawbead restraining force design with physical-artificial intelligence method
.png){kind=icon}
PRE
AI
DOI：10.1007/s10845-025-02770-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在冲压成形加工中，压边圈在制造可行性方面发挥着重要作用。然而，最优拉深筋约束力（DBRF）的设计仍然是一个具有挑战性的问题。本文介绍了一种用于优化DBRF设计的创新方法，该方法同时提高了效率和精度。该方法采用混合物理-人工智能（Physical-AI）方法来建立与可接受范围高度吻合的初始设计。首先，进行金属成形力学分析，以识别与DBRF相关的零件特征。随后，采用多种人工智能方法，利用从类似零件现有设计中提取的特征来创建初始DBRF设计。然后，将DBRF设计建模为一个优化问题。为简化此过程，我们引入了最近点调整（NPA）方法，旨在缩小后续迭代中的变量域。通过确定与临界应变位置相关的主导筋段，NPA方法有助于通过较少的迭代次数识别最优DBRF设计。所开发的方法已应用于汽车面板（前机盖内板和外板）的DBRF设计中，结果表明计算效率和精度均得到显著提升。
Keyword:
Design optimization
Nearest point adjustment
Finite element analysis
Metal forming
Stamping CAE
Digital manufacturing
期刊
IF:
7.4
论文数:
3.5K
被引数:
1.1W
机构
引用论文
Neural Network-Based Multi-Objective Optimization of Adjustable Drawbead Movement for Deep Drawing of Tailor-Welded Blanks.png)
MATERIALS
OAAI
MATERIALSIF3.2
OAAI分享收藏
查看更多内容