Bestimmung des Formänderungsvermögens bei der Kaltmassivumformung

Zum jetzigen Zeitpunkt ist anhand der bisher entwickelten Schadenskriterien keine quantitative Aussage über den Werkstückbereich und den Zeitpunkt einer Rissinitiierung in Umformprozessen möglich. Eine solche numerische Bestimmung des Formänderungsvermögens würde eine verbesserte wirtschaftliche Auslegung von Kaltmassivumformprozessen ermöglichen und damit eine wissenschaftliche Innovation darstellen. Das Ziel der Forschungsarbeit war daher die Entwicklung, Verifikation und Validierung eines neuen Modells zur numerischen Bestimmung des Formänderungsvermögens kaltmassiv umgeformter Metallwerkstoffe. Um dieses Ziel zu erreichen, wurde eine mehrstufige Vorgehensweise umgesetzt. Im Rahmen der Modellentwicklung wurde ein völlig neues Schadensmodell entwickelt, welches sich von den bisherigen makromechanischen und mikromechanischen Schadensmodellen vollständig löst. Nur so war es möglich, die Vorteile der bisherigen Modellansätze in das neue Schadensmodell mit aufzugreifen und gleichzeitig deren Nachteile auszuschließen. Die Grundlage des Modellansatzes besteht in der Erstellung einer Umformgeschichte, die das Formänderungsvermögen des Werkstoffs beschreibt. Auf der Basis einer Vielzahl an Analogieversuchen wurde das Formänderungsvermögen des Werkstoffs 16MnCr5 experimentell ermittelt und anschließend für jeden Analogieversuch durch jeweils eine Umformgeschichte numerisch beschrieben. Somit wurde eine Datenbasis generiert, welche das Formänderungsvermögen des Werkstoffs 16MnCr5 auf Basis mehrerer Umformgeschichten numerisch darstellt. In einem weiteren Schritt wurde dann eine Methode auf Basis der Mustererkennung grundlegend erforscht, die in der Lage ist, die im Vorfeld generierte Datenbasis an Umformgeschichten mit dem Ziel der Schadensvorhersage auszuwerten. Dazu wurde ein künstliches neuronales Netz (KNN) ausgewählt. In einer Groboptimierung mit dem Ziel des Netzaufbaus und einer Feinoptimierung zur Auswahl geeigneter Lernalgorithmen sowie Lernparameter wurde ein einsatzfähiges KNN entwickelt. Anhand mehrerer Analogieversuche sowie Realbauteile wurde abschließend das einsatzfähige KNN verifiziert und auch validiert.