Beim Fließpressen von langfaserverstärkten Kunststoffen wird ein langfaserverstärktes Halbzeug unter Druck in die Zielgeometrie überführt. Das dabei entstehende Materialfließen führt zu einer Umlagerung der Fasern, deren Ausrichtung maßgeblich die anisotropen mechanischen Eigenschaften bestimmt. Um diese an den jeweiligen Lastfall anzupassen, muss die Einlegeposition und -geometrie des Halbzeugs so gewählt werden, dass die gewünschte Faserorientierung entsteht. Die Prozessabbildung über numerische Simulationen ist möglich, jedoch rechenintensiv und daher für iterative Optimierungen unwirtschaftlich.
Im Projekt wurde daher untersucht, wie künstliche neuronale Netze (Feedforward) als Metamodelle auf Basis weniger Simulationsdaten belastbare Vorhersagen ermöglichen können. Im Fokus standen Fragen zur Modellstruktur, Auswahl geeigneter Eingangsparameter, Trainingsstrategien sowie der Einsatz künstlicher Datenerweiterung. Verglichen wurden ein einstufiges Modell (direkter Korrelation von Einlegeposition und resultierender Auslenkung) und ein zweistufiger Ansatz (zusätzliche Berücksichtigung der Fließfronten).
© IKVDie entwickelte Methodik bietet die Möglichkeit, material- und bauteilgeometrieunabhängig ein Metamodell auf Basis der zugehörigen numerischen Simulation zu erstellen und dies innerhalb der Intervalle des Trainingsdatensatzes für die Optimierung einzusetzen. Die Steigerung der Extrapolationsfähigkeit ist Gegenstand weiterer Forschung.
Projektdaten und Förderung
Wir danken der DFG für die Förderung des Projekts (Förderkennzeichen HO 4776/74-1) und den Projektpartnern für die Zusammenarbeit.
Projektlaufzeit: 01.10.2022 – 31.03.2025
Förderung:
