机器学习耦合有限元分析预测板料气弯回弹行为

摘要

采用机器学习神经网络(NN)耦合有限元分析(FEA)的方法来构建弯曲成形过程的非线性回弹模型,并且考虑了不同材料、工艺参数和模具几何形状,可以有效和准确地预测工件的弯曲回弹行为。当模具开口量V=11 mm、板料厚度t=3 mm时,对于结构钢HC220材料,机器学习NN模型的预测值(Y_(NN))与回弹后分析解(y_(JBP))的均方根误差RMSE分别为0.28和1.70;对于双相钢DP590材料,Y_(NN)与y_(JBP)的RMSE分别为0.45和0.22。采用NN模型、回弹后分析解(y_(JBP))和FEA方法的CPU计算时间分别为3.1、6.3和278 s,NN模型的CPU计算时间最少,实验结果表明,NN模型可以在良好的预测精度和高效的求解速度之间达到一个最佳平衡。