Zastosowanie sieci neuronowych do analizy sprężynowania blach (po gięciu)

• Autorzy: Trzepieciński Tomasz
• Języki publikacji: PL

Abstrakty

PL

Sprężynowanie jest krytycznym zjawiskiem w projektowaniu i analizie procesu formowania blach. Dokładne przewidywanie wartości sprężystych odkształceń materiału po zdjęciu obciążenia pozwala na korektę kształtu narzędzi kształtujących, uwzględniając kompensację odkształceń sprężystych giętych wyrobów.

Słowa kluczowe

PL

sprężynowanie; odkształcenia sprężyste; wytłoczki; uczenie sieci neuronowej

• Wydawca: ELAMED Media Group
• Czasopismo: Stal, Metale & Nowe Technologie
• Rocznik: 2021
• Tom: nr 5-6
• Strony: 26--34
• Opis fizyczny: Bibliogr. 5 poz., rys., tab., wykr.

Twórcy

autor

Trzepieciński Tomasz

• Katedra Przeróbki Plastycznej Wydziału Budowy Maszyn i Lotnictwa Politechniki Rzeszowskiej

Bibliografia

• 1. Malinowski T.: Modelowanie numeryczne procesu tłoczenia na półgorąco elementu owiewki silnika lotniczego ze stali 17-4PH. Praca doktorska. Politechnika Rzeszowska, Rzeszów 2018.
• 2. Trzepieciński T., Lemu H.G.: Effect of computational parameters on springback prediction by numerical simulation. „Metals”, 7(9), 2017, 380.
• 3. PN-EN ISO 6892-1:2016-09. Metale – Próba rozciągania – Część 1: Metoda badania w temperaturze pokojowej.
• 4. Buscema M.: Back propagation neural networks. „Subsance & Misuse”, 33(2), 1998, 233-270.
• 5. Trzepieciński T., Lemu H.G.: Improving prediction of springback in sheet metal forming using multi-layer perceptron-based genetic algorithm. „Materials”, 13(14), 2020, 3129.