This research encompasses two machine learning applications in the domain of metal forming processes.
The first study proposes a machine learning-based constitutive model for anisotropic plasticity in sheet metals. A fully connected deep neural network (DNN) is constructed to learn the stress integration procedure under the plane stress condition. The DNN utilizes the labeled training data for feature learning, and the respective dataset is generated numerically based on the Euler-backward method for the whole loading domains. The DNN is trained sufficiently to learn all the incremental loading paths of the input-output stress pair by using advanced anisotropic yield functions. Its performance with anisotropy is evaluated for the predictions of r-values and normalized yield stress ratios along 0-90 degrees to the rolling direction. In addition, the trained DNN is then incorporated in user material subroutine UMAT in ABAQUS/Implicit. Thereafter, the DNN-based anisotropic constitutive model is tested with a cup drawing simulation to evaluate earing profile. The obtained earing profile is compatible with the one from the trained anisotropic yield function.
In the second study, the applicability of the DNN-based constitutive model is extended to the non-associated flow rule. This enables the deep neural network (DNN) to predict anisotropic behavior in sheet metals using separate potential and yield functions. Its performance with anisotropy is evaluated for the predictions of r-values along 0-90 degrees to the rolling direction. Also, single-element simulations are conducted by computing tensile and compressive yield stresses. Thereafter, the DNN-based constitutive model is tested with a tube bending simulation to evaluate the mid-cross-sectional geometry of the Magnesium AZ31 tube. The obtained cross-section profile is compatible with that of the theoretical model.
본 연구에서는 금속 성형 공정 분야에서 머신 러닝을 활용한 두 가지 응용을 다루고 있다.
첫 번째 연구에서는 판재의 소성 이방성을 표현하기 위한 머신 러닝 기반의 구성방정식을 제안하였다. 이 모델은 평면 응력 상태에서의 응력 적분 과정을 학습하기 위해 구축된 DNN을 사용하였다. DNN은 특징 학습을 위해 레이블이 붙은 훈련 데이터를 사용하였으며, 데이터셋은 전체 로딩 영역에 대해 오일러-백워드 방법을 기반으로 수치적으로 생성되었다. DNN은 고급 이방성 항복 함수를 이용하여 입력-출력 응력 쌍의 모든 응력 증분 경로를 충분히 학습하였다. 이 모델의 정확도는 0-90도 범위에서의 r값과 응력비 예측을 통하여 평가하였다. 또한, 학습된 DNN은 ABAQUS/Implicit의 UMAT을 통하여 구현되었으며, DNN 기반 이방성 구성 모델은 컵 드로잉 해석을 통해 검증되었다. DNN 기반 모델로 예측된 귀 형상은 학습에 사용된 이방성 모델로 예측한 귀 형상과 상당히 일치하는 경향을 나타내었다.
두 번째 연구에서는 DNN 기반 구성 모델을 비연합유동법칙에 적용하였다. 이를 위해 DNN은 포텐셜함수와 항복함수를 적용하여 판재의 이방성 거동을 예측하였다. 이 모델의 성능은 0-90도 범위에서의 r값 예측을 통하여 평가하였다. 또한 단일 요소 해석을 통하여 인장 및 압축 응력을 예측하였다. 그리고 DNN 기반 구성 모델은 AZ31 튜브의 중앙 단면을 예측하는 튜브 굽힘 해석을 통하여 검증되었다. 예측된 단면 프로파일은 이론적 모델의 결과와 일치하였다.
