Data-driven and model-based design applied to sheet metal forming
| Autor(a) principal: | |
|---|---|
| Data de Publicação: | 2025 |
| Idioma: | eng |
| Título da fonte: | Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| Texto Completo: | https://hdl.handle.net/10316/118338 |
Resumo: | Tese de Doutoramento em Engenharia Mecânica apresentada à Faculdade de Ciências e Tecnologia |
| id |
RCAP_365b4648debccde9a965d3ee50527f03 |
|---|---|
| oai_identifier_str |
oai:estudogeral.uc.pt:10316/118338 |
| network_acronym_str |
RCAP |
| network_name_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository_id_str |
https://opendoar.ac.uk/repository/7160 |
| spelling |
Data-driven and model-based design applied to sheet metal formingModelação baseada em dados aplicada à conformação de chapas metálicasConstitutive ModelsMachine LearningMetamodelingParameter IdentificationSheet Metal FormingIdentificação de ParâmetrosMetamodelaçãoModelos ConstitutivosAprendizagem ComputacionalEstampagem de Chapas MetálicasCiências da engenharia e tecnologias::Engenharia mecânicaTese de Doutoramento em Engenharia Mecânica apresentada à Faculdade de Ciências e TecnologiaSheet metal forming is a manufacturing process capable of producing components of high quality, with relatively low production costs. As such, it is a manufacturing process of significant relevance to the automotive and aerospace industries. Due to the competitiveness within these industries, constant innovation is key to maximize the efficiency of the manufacturing process, and guarantee profits. In recent years, with the increase of computational power, machine learning has become an area of study of significant focus for research in many different subjects. Machine learning algorithms have proven to be effective at solving complex problems, in an efficient manner.The main objective of this thesis is to establish methodologies for the application of machine learning algorithms to the solution of sheet metal forming related problems. In this context, two different problems are considered: the prediction of the occurrence of edge cracking, and the identification of constitutive model parameters. For the prediction of edge cracking, two methodologies were presented. The first methodology uses classification machine learning algorithms, and the second uses regression algorithms. In both methodologies, the models were trained with an experimental dataset, containing the results of two uniaxial tensile tests, and a hole expansion test. Both methodologies proved effective, despite the limitations of the dataset available for training.For the identification of constitutive model parameters, regression machine learning models were trained using two distinct datasets: one consisting of numerical results from uniaxial tensile tests and the other comprising numerical results from biaxial tensile tests performed on cruciform specimens. These models predicted the parameters of the Swift hardening law and Hill’48 yield criterion, achieving good performances. Then, an extensive analysis of the influence of the dataset composition was performed. In this context, the influence of dataset size was evaluated, regarding both the number of materials considered and the chosen input parameters. Regarding the choice of input parameters, SHAP analysis was first evaluated as a tool to choose the most relevant input parameters from a dataset. Subsequently, on a separate analysis, multiple datasets were generated using results from different regions of the cruciform specimen. The performance of machine learning models trained with each dataset was then evaluated. Finally, the capacity of the models to make predictions considering noisy data was evaluated, achieving satisfactory results.A estampagem de chapas metálicas é um processo de fabrico com a capacidade de produzir componentes de alta qualidade, a um custo de produção relativamente reduzido. Assim, é um processo de fabrico com relevância significativa para a indústria automóvel e aeroespacial. Devido à alta competitividade destas indústrias, inovação constante é essencial para maximizar a eficiência dos processos de produção, e garantir lucros. Recentemente, com o aumento da capacidade computacional, a aprendizagem computacional tornou-se uma área de estudo de foco para a investigação em várias áreas. Algoritmos de aprendizagem computacional já mostraram ser eficazes na resolução de problemas complexos, de forma eficiente. O objetivo principal desta tese é estabelecer metodologias para a aplicação de algoritmos de aprendizagem computacional na resolução de problemas relacionados com a estampagem de chapas metálicas. Neste contexto, são considerados dois problemas diferentes: a previsão da ocorrência de fissuração em componentes, e a identificação de parâmetros de modelos constitutivos. Para a previsão da ocorrência de fissuração, são apresentadas duas metodologias. A primeira metodologia utiliza algoritmos de aprendizagem computacional de classificação, e a segunda utiliza algoritmos de regressão. Em ambas as metodologias, os modelos são treinados com dados experimentais, incluindo os resultados de dois ensaios de tração uniaxial e de um teste de expansão de furo. A eficácia de ambas as metodologias foi demonstrada, apesar das limitações impostas pelos dados disponíveis para treino. Para a identificação de parâmetros de modelos constitutivos, foram treinados modelos de aprendizagem computacional de regressão com dois conjuntos de dados distintos: um que consiste nos resultados numéricos de ensaios de tração uniaxial, e o outro que contém os resultados numéricos de um ensaio de tração biaxial com provete cruciforme. Estes modelos previram os parâmetros da lei de encruamento de Swift e do critério de plasticidade de Hill’48, com boas performances. Depois, foi feita uma análise extensa à influência da composição dos conjuntos de dados. Neste contexto, foi avaliada a influência do tamanho do conjunto de dados, considerando o número de materiais incluídos, e as variáveis de entrada escolhidas. Em relação à escolha das variáveis de entrada, a análise de SHAP foi avaliada como uma ferramenta para a escolha das variáveis de entrada mais relevantes de entre as presentes no conjunto de dados. Depois, numa análise à parte, foram gerados vários conjuntos de dados, considerando resultados obtidos de regiões diferentes do provete cruciforme. A performance obtida pelos modelos de aprendizagem computacional treinados com cada conjunto foi então avaliada. Finalmente, foi avaliada a capacidade dos modelos para fazer previsões considerando dados com ruído, atingindo resultados satisfatórios.FCTFCTFCTFCTFCTFCTFCTFCTFCTFCTOutro - POCI-01-0247-FEDER-017762 (SAFEFORMING)2025-01-152031-01-14T00:00:00Zdoctoral thesisinfo:eu-repo/semantics/publishedVersionhttps://hdl.handle.net/10316/118338https://hdl.handle.net/10316/118338TID:101735502engMarques, Armando José Eusébioinfo:eu-repo/semantics/embargoedAccessreponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP)instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiainstacron:RCAAP2025-04-02T17:36:22Zoai:estudogeral.uc.pt:10316/118338Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireinfo@rcaap.ptopendoar:https://opendoar.ac.uk/repository/71602025-05-29T06:12:10.995675Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologiafalse |
| dc.title.none.fl_str_mv |
Data-driven and model-based design applied to sheet metal forming Modelação baseada em dados aplicada à conformação de chapas metálicas |
| title |
Data-driven and model-based design applied to sheet metal forming |
| spellingShingle |
Data-driven and model-based design applied to sheet metal forming Marques, Armando José Eusébio Constitutive Models Machine Learning Metamodeling Parameter Identification Sheet Metal Forming Identificação de Parâmetros Metamodelação Modelos Constitutivos Aprendizagem Computacional Estampagem de Chapas Metálicas Ciências da engenharia e tecnologias::Engenharia mecânica |
| title_short |
Data-driven and model-based design applied to sheet metal forming |
| title_full |
Data-driven and model-based design applied to sheet metal forming |
| title_fullStr |
Data-driven and model-based design applied to sheet metal forming |
| title_full_unstemmed |
Data-driven and model-based design applied to sheet metal forming |
| title_sort |
Data-driven and model-based design applied to sheet metal forming |
| author |
Marques, Armando José Eusébio |
| author_facet |
Marques, Armando José Eusébio |
| author_role |
author |
| dc.contributor.author.fl_str_mv |
Marques, Armando José Eusébio |
| dc.subject.por.fl_str_mv |
Constitutive Models Machine Learning Metamodeling Parameter Identification Sheet Metal Forming Identificação de Parâmetros Metamodelação Modelos Constitutivos Aprendizagem Computacional Estampagem de Chapas Metálicas Ciências da engenharia e tecnologias::Engenharia mecânica |
| topic |
Constitutive Models Machine Learning Metamodeling Parameter Identification Sheet Metal Forming Identificação de Parâmetros Metamodelação Modelos Constitutivos Aprendizagem Computacional Estampagem de Chapas Metálicas Ciências da engenharia e tecnologias::Engenharia mecânica |
| description |
Tese de Doutoramento em Engenharia Mecânica apresentada à Faculdade de Ciências e Tecnologia |
| publishDate |
2025 |
| dc.date.none.fl_str_mv |
2025-01-15 2031-01-14T00:00:00Z |
| dc.type.driver.fl_str_mv |
doctoral thesis |
| dc.type.status.fl_str_mv |
info:eu-repo/semantics/publishedVersion |
| status_str |
publishedVersion |
| dc.identifier.uri.fl_str_mv |
https://hdl.handle.net/10316/118338 https://hdl.handle.net/10316/118338 TID:101735502 |
| url |
https://hdl.handle.net/10316/118338 |
| identifier_str_mv |
TID:101735502 |
| dc.language.iso.fl_str_mv |
eng |
| language |
eng |
| dc.rights.driver.fl_str_mv |
info:eu-repo/semantics/embargoedAccess |
| eu_rights_str_mv |
embargoedAccess |
| dc.source.none.fl_str_mv |
reponame:Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) instname:FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia instacron:RCAAP |
| instname_str |
FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| instacron_str |
RCAAP |
| institution |
RCAAP |
| reponame_str |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| collection |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) |
| repository.name.fl_str_mv |
Repositórios Científicos de Acesso Aberto de Portugal (RCAAP) - FCCN, serviços digitais da FCT – Fundação para a Ciência e a Tecnologia |
| repository.mail.fl_str_mv |
info@rcaap.pt |
| _version_ |
1833602614047014912 |