Robuste Wirkflächenauslegung für mehrstufige Blechumformprozesse auf Basis einer daten- und berechnungsbasierten Ersatzmodellierung der Bauteilrückfederung

• Aufbau des virtuellen Prozessumfeldes für das Tiefziehen
• Bestimmung der Einflüsse von Werkstoff- und Prozessparametern auf die Rückfederung und Maßabweichungen von komplexen Ziehteilen
• Optimierung des Wirkflächen Designs 2-stufiger Umformprozesse

Das erwartete Ergebnis des Forschungsvorhabens besteht in der Entwicklung einer neuartigen datengetriebenen Methode zur Optimierung der Rückfederungsproblematik eines zweistufigen Fertigungsprozesses (Tiefziehen & Beschneiden). Die grundlegende Idee dieser Methode besteht darin, dass maschinelle Lernverfahren derart angelernt werden können, sodass eine verbesserte Rückfederungskompensation möglich ist. Für den Anlernprozess der maschinellen Lernverfahren werden sowohl numerische als auch experimentelle Daten herangezogen.

Ein zentraler Bestandteil der bisherigen Arbeiten ist die Erstellung eines umfangreichen synthetischen Datensatzes (DDACS) aus parametrisierten LS-DYNA-Simulationen von Tiefziehvorgängen. Dieser Datensatz, der systematische Variationen bei Geometrie, Material und Prozessparametern berücksichtigt, enthält detaillierte Simulationsergebnisse mit Spannungen, Dehnungen, Dicken und Knotenverschiebungen. Sie dienen als Basis für das Training von geometrischen Deep Learning-basierten Surrogatmodellen. Hierbei hat sich der Ansatz der Manifold-Repräsentation als deutlich vorteilhafter gegenüber bildbasierten Methoden erwiesen, da letztere eine inhärent ungünstige Problemformulierung für die hochdimensionalen geometrischen Beziehungen darstellen. Ein Beispiel hierfür ist die erfolgreiche Nutzung des Datensatzes zur Vorhersage von Formänderungsdiagramm (FLD)- Kategorien mittels eines Dynamic Graph CNN (DGCNN). Diese Anwendung demonstriert, dass in den FE-Mesh-Daten implizites physikalisches Wissen vorhanden ist, das die Realität widerspiegelt. Zudem wurde ein GNN-basiertes Surrogatmodell zur direkten Vorhersage des Rückfederungs-Vektorfeldes entwickelt, das eine physikbasierte Verlustfunktion integriert und direkt auf den Mesh-Strukturen operiert. Parallel dazu wurde die Diskrepanz zwischen synthetischen Daten und realen Messdaten (erfasst z. B. mittels Laser-Sensoren) als zentrale Herausforderung identifiziert. Diese „sim2real gap“ erschwert die Übertragung von auf Simulationen trainierten ML-Modellen auf reale Szenarien erheblich. Reale Daten sind typischerweise spärlicher und rauschbehaftet, während synthetische Daten zusätzliche, in der Realität schwer messbare physikalische Eigenschaften enthalten. Um diese Diskrepanz zu überwinden, wurde ein architektonischer Rahmen entwickelt, der eine individuelle Verarbeitung beider Datentypen vorsieht und diese in einen gemeinsamen, dimensionsreduzierten Unterraum ℝˡ abbildet, wobei die in beiden Welten verfügbaren Merkmale direkt an das finale Vorhersagemodell übergeben werden.