Die numerische Abbildung thermomechanischer Umformprozesse erfordert hohe Rechnerleistungen. Diese können durch die Kombination von FE-Simulationen und künstlichen neuronalen Netzen (KNN) reduziert werden, insbesondere bei Prozessen, die eine Umformung und Wärmebehandlung umfassen. Es wird die Entwicklung eines KNN vorgestellt, mit dem die Materialeigenschaften einer EN AW7075 T6-Legierung nach kathodischer Tauchlackierung in Abhängigkeit von der Umformhistorie vorhersagt werden können.
The numerical representation of thermomechanical forming processes requires high computing power. This can be reduced by combining FE simulation and artificial neural networks (KNN), especially for processes involving forming and heat treatment. The article presents the development of a KNN to be used for predicting the material properties of an EN AW-7075 T6 alloy after cathodic dip painting depending on the forming history.
This site is protected by reCAPTCHA and the Google Privacy Policy and Terms of Service apply.
