Fast simulation - assisted shape correction after machining - l'unam - université nantes angers le mans Accéder directement au contenu
Thèse Année : 2021

Fast simulation - assisted shape correction after machining

Simulation rapide - Correction de forme assistée après usinage

Résumé

Distortions after machining of large aluminium forgings are a recurrent problem for the aeronautical industry. These deviations from design geometry are caused by the presence of residual stresses, which are developed along the manufacturing chain, especially after the heat treatment of quenching. To restore the nominal geometry, a series of highly manual and time-consuming reshaping operations need to be carried out. This work is concerned with the development of efficient computer simulation tools to assist operators in bending straightening, which is one of the most common reshaping operations. To this end, we develop a Finite Element simulation model which is representative of the manufacturing chain, including quenching, machining, and reshaping, which allows to predict residual stresses and distortions in thick-walled aluminium forgings. The model is validated against experimental data found in the literature. Then, we introduce the concept of reshaping diagrams, a tool that allows selecting a nearly optimal bending load to minimize distortion. We show that the reshaping diagram needs not to account for the residual stress field, as its only effect is to shift the reshaping diagram by some offset. Therefore, the overall behaviour including a realistic 3D residual stress field in a forged part can be retrieved by shifting the residual stress-free reshaping diagram by the appropriate offset. Finally, we propose a strategy to identify the offset on-the-fly during the reshaping operation using simple force-displacement measures. Then we explore the use of novel numerical techniques, especially Model Order Reduction (MOR), with a two-fold purpose: i) to speed-up the computation of reshaping diagrams; and ii) to account for various process parameters, such as initial distortion or the reshaping setup. To this end, we rely on the Sparse Subspace Learning method (SSL), a non-intrusive MOR method that allows reconstructing the solution space directly from the outputs of the Finite Element model. With the parametric solution at hand, the optimum reshaping configuration can be found in real time, to minimize distortion before launching the actual reshaping operation. Finally, we propose the first steps towards the extension of the above methodology, which combines reshaping diagrams and MOR methods, to a multi stage setting in which several shape correction operations take place sequentially.
Les distorsions après usinage des grandes pièces forgées en aluminium sont un problème récurrent pour l'industrie aéronautique. Ces écarts par rapport à la géométrie de conception sont causés par la présence de contraintes résiduelles, qui se développent tout au long de la chaîne de fabrication, en particulier après le traitement thermique de la trempe. Pour rétablir la géométrie nominale, il faut procéder à une série d'opérations de remodelage très manuelles et très longues. Ce travail concerne le développement d'outils de simulation informatique efficaces pour aider les opérateurs à redresser par flexion, qui est l'une des opérations de déformation les plus courantes. À cette fin, nous développons un modèle de simulation par éléments finis représentatif de la chaîne de fabrication, y compris la trempe, l'usinage et le formage, qui permet de prédire les contraintes résiduelles et les déformations des pièces forgées en aluminium à paroi épaisse. Le modèle est validé par rapport à des données expérimentales trouvées dans la littérature. Ensuite, nous introduisons le concept de diagrammes de remodelage, un outil qui permet de sélectionner une charge de flexion presque optimale afin de minimiser la distorsion. Nous montrons que le diagramme de remodelage n'a pas besoin de tenir compte du champ de contrainte résiduel, car son seul effet est de décaler le diagramme de remodelage d’un certain décalage. Par conséquent, le comportement global incluant un champ de contrainte résiduelle réaliste en 3D dans une pièce forgée peut être récupéré en décalant le diagramme de remodelage sans contrainte résiduelle du décalage approprié. Enfin, nous proposons une stratégie permettant d'identifier le décalage à la volée pendant l'opération de remodelage en utilisant des mesures simples de force-déplacement. Nous explorons ensuite l'utilisation de nouvelles techniques numériques, en particulier la réduction de l'ordre du modèle (MOR), dans un double but : i) accélérer le calcul des diagrammes de mise en forme; et ii) prendre en compte divers paramètres du processus, tels que la distorsion initiale ou la configuration de la mise en forme. À cette fin, nous nous appuyons sur la méthode Sparse Subspace Learning (SSL), une méthode MOR non intrusive qui permet de reconstruire l'espace de solution directement à partir des sorties du modèle d'éléments finis. Avec la solution paramétrique à portée de main, la configuration de remodelage optimale peut être trouvée en temps réel, pour minimiser la distorsion avant de lancer l'opération de remodelage proprement dite. Enfin, nous proposons les premières étapes vers l'extension de la méthodologie ci-dessus, qui combine les diagrammes de remodelage et les méthodes MOR, à un cadre à plusieurs étapes dans lequel plusieurs opérations de correction de forme ont lieu de manière séquentielle.
Fichier principal
Vignette du fichier
RF_MENAANDRADE.pdf (22.72 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-03351955 , version 1 (22-09-2021)

Identifiants

  • HAL Id : tel-03351955 , version 1

Citer

Ramiro Francisco Mena Andrade. Fast simulation - assisted shape correction after machining. Solid mechanics [physics.class-ph]. École centrale de Nantes; Universitat politècnica de Catalunya - BarcelonaTech, 2021. English. ⟨NNT : 2021ECDN0011⟩. ⟨tel-03351955⟩
147 Consultations
32 Téléchargements

Partager

Gmail Facebook X LinkedIn More