Numerické simulace inkrementálního tváření plechů umožňují detailně sledovat deformaci materiálu v průběhu výrobního procesu, jejich vysoká výpočetní náročnost však omezuje využití při optimalizaci drah nástroje, porovnávání výrobních strategií nebo kompenzaci výsledného tvaru. Výzkumníci z IT4Innovations při VŠB-TUO a Fraunhoferova institutu IWU proto vyvinuli náhradní model, který se učí z rozsáhlého souboru FEM simulací a dokáže předpovědět stav tvářeného plechu v řádu desítek milisekund s požadovanou přesností.
Inkrementální tváření plechů (Incremental Sheet Metal Forming, ISMF) je flexibilní výrobní technologie, při níž je plech postupně deformován nástrojem pohybujícím se po předem definované dráze. Z tohoto pohledu má technologie blízko například k 3D tisku: výsledná geometrie je do značné míry určena digitálně definovaným výrobním procesem, který lze relativně snadno měnit. ISMF je proto zajímavé zejména pro prototypovou výrobu, malé série nebo geometricky specifické díly, kde je potřeba rychle přecházet mezi různými variantami výrobku.
Stejně jako u 3D tisku však výsledná geometrie nemusí přesně odpovídat geometrii, která byla původně zadána výrobnímu procesu. U aditivní výroby může například během chladnutí docházet k teplotně vyvolaným deformacím. U inkrementálního tváření vznikají odchylky především v důsledku plastické deformace materiálu, lokálního ztenčování a následného odpružení plechu po ukončení zatěžování. Pokud má mít výsledný výrobek požadovaný tvar, je proto nutné tyto deformace předem odhadnout a výrobní geometrii nebo trajektorii nástroje odpovídajícím způsobem kompenzovat.
K analýze těchto jevů se běžně používají numerické simulace založené na metodě konečných prvků. Detailní FEM model dokáže průběh tváření popsat velmi přesně; jeden výpočet však trvá desítky hodin. To představuje zásadní omezení zejména v situacích, kdy je potřeba vyhodnotit velké množství variant – například při optimalizaci trajektorie nástroje, hledání vhodné strategie tváření nebo právě při kompenzaci geometrie tak, aby výsledný díl po odpružení co nejlépe odpovídal požadovanému tvaru.
Výzkumníci z IT4Innovations a Fraunhoferova institutu IWU proto vytvořili náhradní model, jehož cílem není nahradit fyzikální simulaci při vytváření referenčních dat, ale naučit se z již provedených výpočtů vztah mezi průběhem výrobního procesu a výslednou odezvou materiálu. Po natrénování může model nové varianty vyhodnocovat bez nutnosti znovu řešit kompletní FEM úlohu.
Základem práce byl rozsáhlý numerický dataset vytvořený na superpočítači Karolina v IT4Innovations. Obsahuje výsledky tisíců FEM simulací inkrementálního tváření, které pokrývají různé geometrie a průběhy výrobního procesu.
Pro trénování časově závislé varianty modelu bylo následně využito více než čtyři miliony vzorků, které zachycují nejen konečný stav plechu, ale také jednotlivé fáze jeho postupné deformace.
Právě časový průběh tváření je jednou z důležitých součástí navrženého přístupu. Model nepoužívá pouze informaci o požadované geometrii, ale pracuje také s historií pohybu tvářecího nástroje. Pro zvolený okamžik tak může přímo předpovědět odpovídající stav plechu, aniž by musel postupně generovat všechny předchozí časové kroky.
Tento způsob formulace zároveň omezuje hromadění numerických chyb, které může vznikat u autoregresivních neuronových modelů, v nichž je každý nový stav odvozen od předchozí predikce.
Navržená architektura Transformer Cross-Attention U-Net (TCAU) propojuje časovou a prostorovou reprezentaci problému. Transformer zpracovává průběh trajektorie tvářecího nástroje, zatímco konvoluční část založená na architektuře U-Net reprezentuje prostorovou odezvu plechu. Mechanismus cross-attention umožňuje síti spojit informace o pohybu nástroje s deformací jednotlivých oblastí materiálu.
Model přitom není omezen pouze na předpověď výsledné geometrie. V rozšířené variantě současně predikuje několik fyzikálních veličin popisujících stav materiálu, například tvar plechu, jeho tloušťku, ekvivalentní plastickou deformaci nebo vnitřní energii. Samostatná část modelu byla navržena také pro predikci odpružení materiálu po ukončení tváření.
Generování numerických dat probíhalo na superpočítači Karolina, zatímco trénování neuronových modelů využilo GPU infrastrukturu evropského superpočítače LUMI.
Výsledky ukazují, že neuronový model dokáže reprodukovat odezvu referenčních FEM simulací s vysokou přesností, přičemž zásadně snižuje dobu potřebnou pro vyhodnocení nové varianty.
Jedna predikce trvá na GPU přibližně 34 až 90 milisekund.
Výpočet, který může pomocí detailního FEM modelu vyžadovat hodiny, je tak po natrénování modelu možné provést během zlomku sekundy.
Takové zrychlení mění způsob, jakým lze numerické modely při návrhu výrobního procesu využívat. FEM simulace mohou sloužit k vytvoření fyzikálně konzistentní datové základny a k ověřování vybraných řešení, zatímco neuronový model umožňuje velmi rychle procházet rozsáhlý prostor možných výrobních parametrů.
Praktickým příkladem je právě kompenzace geometrie. Podobně jako lze u 3D tisku předem upravit model tak, aby po tepelném smrštění nebo deformaci vznikl požadovaný tvar, lze u inkrementálního tváření hledat takovou trajektorii nástroje nebo vstupní geometrii, která po deformaci a odpružení materiálu povede k požadovanému výsledku. Pro takovou optimalizační úlohu je zásadní schopnost rychle vyhodnotit velké množství variant, což je při použití samotných detailních FEM simulací výpočetně velmi náročné.
Výzkumná data:
https://doi.org/10.5281/zenodo.17917675
Odborný článek:
AI-based surrogate modelling for incremental sheet metal forming using large-scale dataset
https://doi.org/10.1016/j.rineng.2026.109927
Tento výzkum vznikl v rámci projektu FutureMold podpořeného v M-ERA.NET 3 Joint Transnational Call 2023 a spolufinancovaného z prostředků Technologické agentury ČR v rámci programu SIGMA (TQ05000004).