انتخاب زبان

تحلیل تنش‌های پسماند الاستوپلاستیک در مواد متخلخل SLS با استفاده از شبیه‌سازی‌های سه‌بعدی چندلایه میدان فاز

تحلیل دقیق تکامل تنش پسماند و کرنش پلاستیک در مواد متخلخل ساخته‌شده با تف جوشی لیزری انتخابی، با استفاده از یک چارچوب نوین شبیه‌سازی سه‌بعدی چندلایه حرارتی-ساختاری میدان فاز.
3ddayinji.com | PDF Size: 7.6 MB
امتیاز: 4.5/5
امتیاز شما
شما قبلاً به این سند امتیاز داده اید
جلد سند PDF - تحلیل تنش‌های پسماند الاستوپلاستیک در مواد متخلخل SLS با استفاده از شبیه‌سازی‌های سه‌بعدی چندلایه میدان فاز

1. مقدمه

تولید افزایشی، به ویژه تکنیک‌های همجوشی بستر پودری مانند تف جوشی لیزری انتخابی، با امکان‌پذیر ساختن هندسه‌های پیچیده با تخلخل کنترل‌شده، انقلابی در ساخت ایجاد کرده است. با این حال، تنش‌های پسماند و کرنش‌های پلاستیک ناشی از فرآیند در مقیاس پودر، همچنان یک چالش حیاتی باقی مانده و به طور قابل توجهی بر یکپارچگی مکانیکی و دقت ابعادی قطعات نهایی تأثیر می‌گذارد. این مقاله با توسعه یک طرح شبیه‌سازی چندلایه و چندفیزیکی با تفکیک پودر که مدل‌سازی میدان فاز غیرهمدما را با تحلیل المان محدود حرارتی-الاستوپلاستیک ادغام می‌کند، به این شکاف می‌پردازد تا تکامل میان‌مقیاس تنش و کرنش در حین فرآیند SLS را پیش‌بینی کند.

2. روش‌شناسی

چارچوب پیشنهادی، یک رویکرد محاسباتی ترکیبی است که برای ثبت فیزیک پیچیده SLS در سطح ریزساختار طراحی شده است.

2.1. مدل سه‌بعدی چندلایه میدان فاز

یک مدل میدان فاز، تحکیم پودر و تکامل ریزساختار را شبیه‌سازی می‌کند. پارامتر نظم $\phi$ بین فاز جامد ($\phi=1$) و فاز پودر/حفره ($\phi=0$) تمایز قائل می‌شود. تکامل توسط معادله آلن-کان، همراه با انتقال حرارت، کنترل می‌شود:

$\frac{\partial \phi}{\partial t} = -L \frac{\delta F}{\delta \phi}$

که در آن $L$ ضریب سینتیک و $F$ تابعی انرژی آزاد کل است که انرژی گرادیان و پتانسیل چاه دوگانه را در بر می‌گیرد. این مدل ذوب جزئی و تشکیل گردن بین ذرات را در نظر می‌گیرد.

2.2. چارچوب المان محدود حرارتی-الاستوپلاستیک

تاریخچه حرارتی حاصل از شبیه‌سازی میدان فاز، یک تحلیل مکانیکی را هدایت می‌کند. مدل رفتاری، خواص وابسته به دما و فاز مواد را در نظر می‌گیرد. کرنش کل $\boldsymbol{\varepsilon}$ به اجزای الاستیک $\boldsymbol{\varepsilon}^e$، پلاستیک $\boldsymbol{\varepsilon}^p$ و حرارتی $\boldsymbol{\varepsilon}^{th}$ تجزیه می‌شود:

$\boldsymbol{\varepsilon} = \boldsymbol{\varepsilon}^e + \boldsymbol{\varepsilon}^p + \boldsymbol{\varepsilon}^{th}$

رفتار پلاستیک با استفاده از نظریه جریان $J_2$ همراه با سخت‌شوندگی همسان‌گرد مدل‌سازی شده است. تنش از طریق قانون هوک محاسبه می‌شود: $\boldsymbol{\sigma} = \mathbb{C}(T, \phi) : \boldsymbol{\varepsilon}^e$، که در آن $\mathbb{C}$ تانسور سختی وابسته به دما $T$ و فاز $\phi$ است.

2.3. خواص مواد و شرایط مرزی

خواص مواد (مدول یانگ، تنش تسلیم، ضریب انبساط حرارتی) به عنوان توابعی از دما و فاز تعریف می‌شوند. دامنه شبیه‌سازی، بخشی از بستر پودر را با شرایط مرزی حرارتی (همرفت، تابش) و مکانیکی (در ابتدا عاری از تنش) مناسب نشان می‌دهد. پرتو لیزر به عنوان یک منبع حرارتی متحرک با توزیع توان گاوسی مدل‌سازی شده است.

3. نتایج و بحث

3.1. تکامل ریزساختار و تمرکز تنش

شبیه‌سازی‌ها نشان می‌دهند که تمرکز تنش یکنواخت نیست. این تمرکز عمدتاً در دو ناحیه حیاتی موضعی می‌شود: (1) نواحی گردن بین ذرات نیمه‌ذوب شده، و (2) اتصالات بین لایه‌های رسوب‌شده متوالی. این نواحی به عنوان نقاط داغ برای آغاز رفتار پلاستیک عمل می‌کنند.

3.2. توزیع تنش پسماند و کرنش پلاستیک

کرنش پلاستیک انباشته شده و تنش پسماند حاصل، از گرادیان حرارتی پیروی می‌کنند. تنش‌های پسماند کششی بالا در هسته مناطق تف جوشی شده در حین خنک‌کاری یافت می‌شوند، در حالی که تنش‌های فشاری ممکن است در نزدیکی سطح یا فصل‌مشترک‌ها ایجاد شوند. این عدم تطابق، محرک اصلی برای اعوجاج و احتمال لایه‌لایه شدن است.

توضیح نمودار (شبیه‌سازی شده): یک نمودار کانتور سه‌بعدی، توزیع تنش فون مایز را در یک بستر پودر چندلایه نشان می‌دهد. مناطق قرمز با تنش بالا به وضوح در امتداد گردن‌های بین ذره‌ای و مرزهای لایه قابل مشاهده هستند، در حالی که مناطق آبی با تنش پایین، مرکز استخرهای کاملاً ذوب شده و مناطق پودر تف جوشی نشده را اشغال می‌کنند.

3.3. تأثیر پارامترهای فرآیند

این مطالعه تأثیر توان پرتو و سرعت اسکن (که اغلب به عنوان چگالی انرژی خطی ترکیب می‌شوند) را ارزیابی می‌کند. ورودی انرژی بالاتر به طور کلی اندازه استخر مذاب را افزایش داده، تخلخل را کاهش می‌دهد، اما می‌تواند گرادیان‌های حرارتی را تشدید کند و در صورت عدم بهینه‌سازی، منجر به تنش پسماند بالاتر شود. یک پنجره برای دستیابی به چگالی قابل قبول با حداقل تنش شناسایی شده است.

4. تحلیل فنی و چارچوب

4.1. بینش اصلی و جریان منطقی

بینش اصلی مقاله این است که شبیه‌سازی‌های میان‌مقیاس با تفکیک پودر، برای پیش‌بینی نتایج SLS غیرقابل مذاکره هستند. جریان منطقی قوی است: با یک مدل میدان فاز مبتنی بر فیزیک شروع کنید تا "شکل" ماده را به دست آورید، سپس از آن هندسه و تاریخچه حرارتی به عنوان ورودی مستقیم برای تحلیل مکانیکی استفاده کنید. این یک گام قابل توجه فراتر از مدل‌های همگن‌سازی است که پدیده‌های حیاتی در مقیاس پودر را محو می‌کنند. این رویکرد فلسفه موجود در علم مواد محاسباتی را منعکس می‌کند که در آن ثبت ریزساختار صحیح از اهمیت بالایی برخوردار است، مشابه کارهای انجام شده در مورد شکست میدان فاز توسط Miehe و همکاران (2010).

4.2. نقاط قوت و ضعف

نقاط قوت: اتصال بین مدل‌ها ظریف و از نظر فیزیکی صحیح است. شناسایی نواحی گردن و بین لایه‌ای به عنوان تمرکزدهنده‌های تنش، یافته‌ای ارزشمند و قابل اجرا است. تلاش برای ساخت مدل‌های رگرسیون از داده‌های شبیه‌سازی، برای پذیرش صنعتی عملی است.

نقاط ضعف: هزینه محاسباتی بدون شک بسیار زیاد است و اندازه دامنه شبیه‌سازی شده را محدود می‌کند. مدل احتمالاً توزیع اندازه پودر و تصادفی بودن بسته‌بندی را ساده می‌کند. اعتبارسنجی، اگرچه با آزمایشات مقایسه شده، نیاز به اندازه‌گیری‌های تنش کمی‌تر و نقطه‌به‌نقطه بیشتری (مانند استفاده از پراش پرتو ایکس سنکروترون) دارد تا به طور کامل اعتبار آن اثبات شود.

4.3. بینش‌های عملی

برای مهندسان فرآیند: برنامه‌ریزی مسیر لیزر و توسعه پارامترها را نه تنها بر روی چگالی، بلکه بر روی حداقل‌سازی تنش در نواحی حیاتی شناسایی شده (گردن‌ها، اتصالات لایه) متمرکز کنید. از مدل‌های رگرسیون به عنوان نقطه شروع برای تعریف یک پنجره فرآیند استفاده کنید. برای محققان: این چارچوب یک الگو است. گام بعدی، گنجاندن فیزیک بیشتر - دینامیک پخش پودر، تبخیر و تشکیل ترک صریح - و استفاده از کاهش مرتبه مدل یا جانشین‌های یادگیری ماشین برای سریع‌تر کردن آن است.

5. همبستگی تجربی و مدل‌های رگرسیون

یافته‌های شبیه‌سازی در مورد تخلخل در مقابل ورودی انرژی، روندهایی را نشان می‌دهد که با داده‌های تجربی SLS سازگار است. بر اساس داده‌های شبیه‌سازی، مدل‌های رگرسیون پدیده‌شناختی برای توصیف وابستگی تنش پسماند میانگین حجمی $\bar{\sigma}_{res}$ و کرنش پلاستیک $\bar{\varepsilon}^p$ به چگالی انرژی خطی $E$ پیشنهاد شده‌اند:

$\bar{\sigma}_{res} = \alpha \cdot E^{\beta} + \gamma$

$\bar{\varepsilon}^p = \delta \cdot \ln(E) + \epsilon$

که در آن $\alpha, \beta, \gamma, \delta, \epsilon$ پارامترهای برازش هستند. این مدل‌های ساده، ابزاری برای پیش‌بینی سریع روندها فراهم می‌کنند، اگرچه برای سیستم‌های مواد خاص نیاز به کالیبراسیون دارند.

6. کاربردها و جهت‌های آینده

  • طراحی برای تولید افزایشی: این ابزار شبیه‌سازی را در نرم‌افزار DfAM ادغام کنید تا تنش پسماند را در مرحله طراحی پیش‌بینی و کاهش دهد و بهینه‌سازی توپولوژی را با در نظر گرفتن محدودیت‌های قابلیت ساخت ممکن سازد.
  • توسعه مواد: مواد پودری نوین (مانند کامپوزیت‌ها، آلیاژهای آنتروپی بالا) را به سرعت از نظر قابلیت فرآیند SLS و تمایل ذاتی به تنش پسماند غربال کنید.
  • پایش و کنترل فرآیند: از بینش‌های شبیه‌سازی برای اطلاع‌رسانی به استراتژی‌های پایش درون‌خطی استفاده کنید. به عنوان مثال، داده‌های تصویربرداری حرارتی می‌توانند به یک مدل مرتبه کاهش‌یافته تغذیه شوند تا تجمع تنش را به صورت بلادرنگ تخمین بزنند و کنترل تطبیقی لیزر را ممکن سازند.
  • مدل‌سازی چندمقیاس: از نتایج میان‌مقیاس به عنوان ورودی برای مدل‌های کلان در مقیاس قطعه استفاده کنید و یک زنجیره شبیه‌سازی چندمقیاس واقعی برای کل قطعات ایجاد کنید.
  • ادغام یادگیری ماشین: مدل‌های یادگیری عمیق (مانند شبکه‌های عصبی کانولوشنی) را بر روی یک پایگاه داده از نتایج شبیه‌سازی آموزش دهید تا پیش‌بین‌کننده‌های فوری برای تنش و چگالی ایجاد کنید، همانطور که در سایر زمینه‌های تولید افزایشی توسط محققان در مؤسساتی مانند گروه مکانیک محاسباتی MIT بررسی شده است.

7. مراجع

  1. Mercelis, P., & Kruth, J. P. (2006). Residual stresses in selective laser sintering and selective laser melting. Rapid Prototyping Journal.
  2. Miehe, C., Welschinger, F., & Hofacker, M. (2010). Thermodynamically consistent phase-field models of fracture: Variational principles and multi-field FE implementations. International Journal for Numerical Methods in Engineering.
  3. DebRoy, T., et al. (2018). Additive manufacturing of metallic components – Process, structure and properties. Progress in Materials Science.
  4. Khorasani, A. M., et al. (2022). A review of machine learning in additive manufacturing. Journal of Intelligent Manufacturing.
  5. National Institute of Standards and Technology (NIST). (2022). Measurement Science for Additive Manufacturing. [Online] Available: https://www.nist.gov/programs-projects/measurement-science-additive-manufacturing
  6. Zhou, X., et al. (2020). Phase-field modeling in materials science. Annual Review of Materials Research.

تحلیل اصلی: بازی پرریسک پیش‌بینی نقص‌های پنهان تولید افزایشی

این تحقیق توسط Yang و همکاران، یک تلاش جذاب برای پرداختن به یکی از چالش‌های پایدار و پرهزینه تولید افزایشی است: پیش‌بینی و کنترل تنش پسماند. رویکرد نویسندگان - یک شبیه‌سازی سه‌بعدی کاملاً متصل میدان فاز و حرارتی-الاستوپلاستیک - تنها یک بهبود تدریجی نیست؛ بلکه نشان‌دهنده یک تغییر ضروری به سمت مدل‌سازی فرآیند با وفاداری بالا و آگاهی از ریزساختار است. اهمیت آن در تمرکز هدفمند بر روی تف جوشی لیزری انتخابی برای مواد متخلخل نهفته است، حوزه‌ای که در آن تمرکز تنش‌ها به دلیل فقدان ذاتی ماده پیوسته و شیوع ذوب جزئی تشدید می‌شود. یافته آن‌ها مبنی بر اینکه تنش در گردن ذرات و اتصالات بین لایه‌ای موضعی می‌شود، اگرچه شهودی است اما از اهمیت حیاتی برخوردار است و یک نقشه توپوگرافی واضح از محل شروع شکست‌ها ارائه می‌دهد.

سهم فنی قابل توجه است. با ادغام مستقیم یک مدل میدان فاز برای تکامل ریزساختار با یک حل‌کننده مکانیکی، آن‌ها از دام رایج فرض یک هندسه نهایی و ایده‌آل اجتناب می‌کنند. این مشابه فلسفه پشت مدل‌های مولد موفق در سایر زمینه‌ها، مانند CycleGAN (Zhu و همکاران، 2017) است، که نگاشت‌هایی بین دامنه‌ها بدون نمونه‌های جفت‌شده یاد می‌گیرد - در اینجا، مدل اتصال ذاتی بین تاریخچه حرارتی، تغییر هندسه و تولید تنش را بدون جدا کردن پیشینی آن‌ها یاد می‌گیرد. با این حال، پیچیدگی مدل، نقطه ضعف آن است. هزینه محاسباتی تفکیک ذرات پودر منفرد در سه بعد در چندین لایه، برای شبیه‌سازی فراتر از یک المان حجمی نماینده کوچک، ممنوع است. این محدودیت، چالش‌های مشابهی را که در سایر شبیه‌سازی‌های با وفاداری بالا، مانند شبیه‌سازی عددی مستقیم در دینامیک سیالات، با آن مواجه می‌شویم، بازتاب می‌دهد.

در مقایسه با رویکردهای کاملاً تجربی یا مدل‌سازی همگن‌سازی، این کار بینش مکانیکی برتری ارائه می‌دهد. با این حال، باید در برابر آزمایشات به همان اندازه دقیق اعتبارسنجی شود. ارجاع به مطالعات معیار از مؤسساتی مانند مؤسسه ملی استاندارد و فناوری، که برنامه علم اندازه‌گیری برای تولید افزایشی را رهبری می‌کند، ضروری است. کار NIST در زمینه کمّی‌سازی امضای فرآیند AM، داده‌های تجربی حیاتی مورد نیاز برای اعتبارسنجی چنین شبیه‌سازی‌های پیچیده‌ای را فراهم می‌کند. مدل‌های رگرسیون پیشنهادی، یک پل هوشمند و عملی به صنعت هستند، اما اگر فراتر از محدوده کالیبره شده خود اعمال شوند، خطر ساده‌سازی بیش از حد دارند.

در نتیجه، این مقاله یک اثبات مفهوم پیچیده است که پایه‌ای محکم می‌گذارد. آینده در مقیاس‌سازی این رویکرد - از طریق مش‌بندی تطبیقی، کاهش مرتبه مدل یا تکنیک‌های ترکیبی یادگیری ماشین - برای تبدیل آن به یک ابزار عملی برای پیش‌بینی در مقیاس قطعه نهفته است. هدف نهایی، همانند تمام تولیدات پیشرفته، حرکت از بازرسی پس از فرآیند به گواهی در محیط محاسباتی است، و این کار گامی قاطع در این مسیر است.