EFB-Forschungsbericht Nr. 585

.

Strength Prognosis for Joining by Forming

efb-585

Verfasser:
Dr.-Ing. Mathias Jäckel, Prof. Dr.-Ing. Welf-Guntram Drossel, Fraunhofer-Institute for Machine Tools and Forming Technology Dresden - Dr.-Ing. Sam Coppieters, M.Sc. Niels Vancraeynest, Structural Composites and Alloys, Integrity and Nondestructive Testing (SCALINT), Campus Gent, KU Leuven

80 Seiten - 71,00 EUR (sw, 54 teils farbige Abb., 7 Tab.)
ISBN 978-3-86776-643-2

Zusammenfassung

Festigkeitsprognose beim Fügen durch Umformen

In diesem Forschungsprojekt wurde die Möglichkeit untersucht, den Aufwand bei der Auslegung von mechanischen Fügeverbindungen zu verkürzen. Zu diesem Zweck werden zwei Methoden zur sofortigen Vorhersage der mechanischen Festigkeit einer Verbindung untersucht. Beide Methoden zielen darauf ab, den rechnerischen und experimentellen Aufwand zu verringern, der mit der Bestimmung der quasistatischen Festigkeit der Verbindung verbunden ist. Der experimentelle Ansatz ist arbeitsintensiv, während der numerische Ansatz zeitaufwändig ist und Eingabedaten erfordert, die nicht immer ohne weiteres verfügbar sind.

In diesem Projekt werden datengesteuerte Algorithmen verwendet, um die mechanische Festigkeit von Stanzniet- und Clinchverbindungen vorherzusagen. Um eine ausreichend große Datenbasis für das Training der maschinellen Lernalgorithmen zu erhalten, werden 50 validierte Simulationen für jede Verbindungsmethode verwendet, um eine größere Anzahl zusätzlicher vollständig charakterisierter synthetischer Verbindungen zu erzeugen.

Die hier beschriebenen Forschungsergebnisse zeigen das Potenzial der datenbasierten Vorhersage von Fügeergebnissen. Die Verfügbarkeit umfassender und qualitativ hochwertiger Material- und Prozessdaten ist für die Entwicklung zuverlässiger Modelle unerlässlich. Die numerische Simulation kann aufgrund ihrer guten numerischen Genauigkeit, relativ kurzen Rechenzeiten und guten Automatisierbarkeit für die notwendige Datenerfassung eingesetzt werden.

In dieser Studie liefert ein neuronales Netz die besten Vorhersageergebnisse für die quasistatische Verbindungsfestigkeit mit den generierten Prozessdaten. Im Hinblick auf die industrielle Umsetzung der entwickelten Ansätze konnte gezeigt werden, dass allgemein verfügbare Materialdaten wie Zugfestigkeit und Blechdicken sowie die bekannten Prozessparameter gute Vorhersagen für die Verbindungsfestigkeit ermöglichen.
In einem nächsten Schritt werden die entwickelten Modelle in der Praxis getestet.Auf der Grundlage dieser Feldversuche können die idealen Anwendungsbereiche identifiziert und eventuelle Abweichungen in Bezug auf verschiedene Materialklassen ermittelt werden.

Hinsichtlich der analytischen Vorhersagen kann festgestellt werden, dass die meisten der verfügbaren Modelle auf Lösungen für bestehende mechanische Prozesse basieren, die der Belastung einer Clinchverbindung ähneln. Die Formeln werden anhand der experimentellen Datenbasis bewertet. Es zeigt sich, dass die Modelle eine relativ gute Vorhersage liefern können, sofern die Randbedingungen der Modelle nicht verletzt werden.
Die Komplexität des Versagens der Verbindung bestimmt im Wesentlichen die Qualität der analytischen Vorhersage. Den analytischen Modellen fehlt nämlich die Physik, um die verschiedenen experimentell beobachteten Versagensarten zu erfassen.

Auf der Grundlage eines eingehenden Vergleichs mit der experimentellen Datenbank konnten die leistungsfähigsten analytischen Vorhersageformeln ermittelt werden. Diese Formeln sollen eine gute erste Schätzung der zu erwartenden Festigkeit liefern.

Eine solche schnelle Abschätzung der Festigkeit ist in der frühen Entwurfsphase von entscheidender Bedeutung. Daher können die analytischen Prädiktoren in FE-Module integriert werden, um nach der Verbindungssimulation automatisch eine Festigkeitsabschätzung vorzunehmen. Letzteres könnte für Konstrukteure im Bereich des mechanischen Fügens sehr nützlich sein.

Förderhinweis

The publication "Strength Prognosis for Joining by Forming" (Festigkeitsprognose beim Fügen durch Umformen) shows the results of the industrial research project EFB/AiF-Nr: 262EBR, that was supervised by the EFB European Research Association for Sheet Metal Working (Europäische Forschungsgesellschaft für Blechverarbeitung e.V.) Hannover.
The project was supervised by the EFB. In the scope of the CORNET - European Research Programme it was funded by the German Federal Ministry for Economic Affairs and Climate Action via the Federation of Industrial Research Associations (AiF - Arbeitsgemeinschaft industrieller Forschungsvereinigungen e.V.) on the basis of a decision by the German Bundestag. The results are edited by EFB-Verlag as EFB-Research Report No. 585.

Summary

This research project explored the possibility to reduce the development cycle of joints produced by joining by forming technology. To this end, two methodologies to instantly predict the mechanical strength of a joint are investigated. Both methodologies aim at reducing the computational and experimental effort associated with determining the quasi-static strength of the joint (the top tensile test and the single shear lap test). The experimental approach is labour intensive, while the numerical approach is time-consuming and requires input data which is not always readily available.

Data-driven algorithms are used in this project to predict the mechanical strength of self-pierce riveted and clinched joints. To acquire a sufficiently large database to train the machine learning algorithms, 50 validated simulations for each joining method are used to generate a higher number of additional fully characterized synthetic joints.

The research results described here demonstrate the potential of data-based prediction of joining results. The availability of comprehensive and high-quality material and process data is essential for the development of reliable models. Numerical simulation can be used for the necessary data acquisition due to its good numerical accuracy, relatively short computing times and good automation capabilities. In this survey, a neural network provides the best prediction results for the quasistatic joint strength with the generated process data.

With regard to the industrial implementation of the approaches developed, it was shown that generally available material data such as tensile strength and sheet thicknesses, as well as the known process parameters, enable good predictions to be made for the joint strength. The next step is to test the developed models in practice. Based on these field tests, the ideal application areas can be identified, and any deviations related to different material classes can be determined.

As for the analytical predictions, it can be stated that most of the available models are based on solutions for existing mechanical processes that resemble the loading of a clinched joint. The formulas are evaluated against the experimental data base. It is shown that the models can yield a relatively good prediction provided that the boundary conditions of the models are not violated. The complexity of the joint failure essentially determines the quality of the analytical prediction.

Indeed, the analytical models lack physics to enable to capture the different experimental-ly observed failure modes. Based on in-depth comparison with the experimental database, we recommended the best performing analytical predictors. Those formulas are deemed to provide a first good guess of the expected strength. Such quick estimation of the strength is of vital importance in the early design stage.

Therefore, the analytical predictors can be integrated in FE modules enabling to automatically provide a strength estimate after the joining simulation. The latter could be very useful for design engineers in the field of mechanical joining.

Table of contents

Summary
Abstract
Zusammenfassung
List of Figures
List of Tables
1 Introduction
2 State of the art
2.1 Application of self-pierce riveting and clinching for aluminium and steel sheet structures
2.2 Self-pierce riveting with semi-tubular rivets
2.3 Clinching
2.4 Data-based algorithms applied to mechanical joining
2.5 Analytical models applied to mechanical joining
3 Problem and research objective
4 Materitals, equipment and tools
4.1 Investigated materials
4.2 Joining setup
4.3 Joining elements and tools
4.3.1 Self-Pierce riveting
4.3.2 Clinching
4.4 Joint testing
4.4.1 Joint geometry analysis
4.4.2 Quasistatic strength testing
5 Experimental joining and testing (IWU)
6 Numerical Joining and Testing (IWU & KUL)
6.1 Structure and boundary conditions of the models
6.1.1 SPR (IWU)
6.1.2 Clinching (KUL)
6.2 Validation of the models
6.2.1 SPR (IWU)
6.2.2 Clinching (KUL)
6.3 Numerical variation studies
6.3.1 SPR (IWU)
6.3.2 Clinching (KUL)
7 Strength Prognosis
7.1 Data-based Modelling (IWU)
7.1.1 Evaluation criteria
7.1.2 In- and output parameter
7.1.3 Correlation analysis
7.1.4 Regression Models
7.1.5 Model Comparison and Validation
7.2 Analytical Modelling (KUL)
7.2.1 Considered Models
7.2.2 Model Comparison and Validation
7.3 Web application for strength prognosis (IWU & KUL)
8 References
8.1 Scientific-technical and economic benefit of the results obtained, in particular for SMEs, innovative contribution and industrial application possibility.

 


.

xxnoxx_zaehler