Yönlendirilmiş enerji girdili metal katmanlı imalat yöntemi için topoloji optimizasyonu

Abstract

Yönlendirilmiş enerji girdili metal yığma yöntemi (DED), serbest biçimli geometrilerin üretiminde, onarım uygulamalarında, kaplama ve yüzey modifikasyonunda ve fonksiyonel olarak derecelendirilmiş malzemelerin imalatında kullanılan bir katmanlı üretim sürecidir. Malzemeleri eriterek kaynaştırmak için odaklanmış termal enerjinin kullanıldığı bir süreçtir. Termal etkiler, DED işlemi sırasında parçalarda bozulmalara ve kusurlara neden olabilir, bu nedenle ürünlerin imalatı sırasında değerlendirilmeli ve dikkate alınmalıdır. Eritme havuzu kontrolü ve DED dolgu geometrileri de doğru tanımlanmalıdır. Bu çalışmada, geometrik desenleri tahmin etmek ve hibrit bir üretim teknolojisi olarak lokal takviyeli bir ürün oluşturmak için DED süreç parametreleri dikkate alınarak bir Yapay Sinir Ağı modeli uygulanmıştır. Döküm, ekstrüzyon ve toz yatak füzyonu gibi üretim yöntemleri için topoloji optimizasyonu üzerine birçok çalışma mevcut olmasına rağmen; DED süreci için tasarım geometrik modellerini tahmin etmede topoloji optimizasyonu yaygın olarak dikkate alınmamaktadır. Bu çalışmada, hibrit parçanın enerji, toplam kütle ve maksimum kuvvet sonuçlarını optimize eden lokal güçlendirmelerin uygun boyutları, topoloji tabanlı geometrik desenleri ve ısı kaynağı gücünü tahmin etmek için yanıt yüzey metodu (YYM) ve genetik algoritma destekli yapay sinir ağları (YSA-GA) yaklaşımları uygulanmıştır. Tek bir DED dolgu biriktirmesi, sayısal ısı kaynağı modelinin doğrulanması açısından simüle edilmiş ve DED dolgularından alınan kesitler analiz edilmiştir. DED cihazı kullanılarak bir atkı elemanını oluşturacak bir yapı üretilmiş ve bu atkı yapısı, test cihazında üç nokta bükme fiziksel koşulları altında doğrulanmıştır. Lokal olarak güçlendirilmiş atkı kirişin düz modele göre çok daha fazla enerji emilimine ve maksimum kuvvet değerlerine sahip olduğu gözlenmiştir. Sonuçlar, önerilen YSA-GA modelinin, hibrit üretim teknolojileri kullanılarak lokal güçlendirilmiş bir ürün oluşturmak adına topoloji tabanlı geometrik desenler ve süreç parametreleri oluşturmada kullanılabilecek umut verici bir yaklaşım olduğunu göstermiştir.

Directed energy deposition (DED) is an additive manufacturing process used in manufacturing free form geometries, repair applications, coating and surface modification, and fabrication of functionally graded materials. It is a process in which focused thermal energy is used to fuse materials by melting. Thermal effects can cause distortions and defects on the parts during the DED process, therefore they should be evaluated and taken into account during the manufacturing of products . Melting pool control and DED bead geometries should be defined properly as well. In this work, an Artificial Neural Network model has been applied considering the DED process parameters in order to predict the geometrical patterns and create a local reinforced product as a hybrid manufacturing technology. Although lots of studies are available on topology optimization for manufacturing methods such as casting, extrusion, and powder bed fusion, topology optimization for the DED process is not widely taken into consideration to predict the design geometrical patterns. DOE RSM and ANN approaches were applied in this study to predict convenient dimensions, topology based geometrical patterns of local stiffeners and heat source power optimizing the energy, total mass, and peak force results of the hybrid part. A single bead track deposition is simulated in terms of validation of the numerical heat source model, and cross-sections of the beads are analysed. A cross-member structure is manufactured using the DED device and the structure is correlated under the three point bending physical conditions on test bench. It has been observed that locally reinforced cross beam has much more energy absorption and peak force values than plain model. The results showed that the proposed NN-GA is a promising approach to generate the topology based geometrical patterns and process parameters which can be used to create a local reinforced product as hybrid manufacturing technologies.