Filtern
Erscheinungsjahr
- 2024 (6) (entfernen)
Dokumenttyp
- Vortrag (3)
- Zeitschriftenartikel (1)
- Dissertation (1)
- Posterpräsentation (1)
Schlagworte
- Simulation (6) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
Additive manufacturing (AM) offers significantly greater freedom of design compared to conventional manufacturing processes since the final parts are built layer by layer. This enables metal AM, also known as metal 3D printing, to be utilized for improving efficiency and functionality, for the production of parts with very complex geometries, and rapid prototyping. However, despite many technological advancements made in recent years, several challenges hinder the mass adoption of metal AM. One of these challenges is mechanical anisotropy which describes the dependency of material properties on the material orientation. Therefore, in this work, stainless steel 316L parts produced by laser-based powder bed fusion are used to isolate and understand the root cause of anisotropy in AM parts. Furthermore, an efficient and accurate multiscale numerical framework is presented for predicting the deformation behavior of actual AM parts on the macroscale undergoing large plastic deformations. Finally, a novel constitutive model for the plastic spin is formulated to capture the influence of the microstructure evolution on the material behavior on the macroscale.
3D concrete printing is an innovative new construction technology offering the potential to enable an efficient production of individual structures with less consumption of resources. The technology will mainly shape the future construction philosophy, automate the build process and help reaching the climate goals in civil engineering. From the design of a structure to the printed component, many individual steps based on different software are required which must be repeated for each new or changed structure. First, the geometry of the structure is created in a CAD program. Second, the print path is defined in a slicer software creating the machine code for the printer (G-Code). Finally, the structure can be printed. Furthermore, a numerical model of the printed structure is necessary for process optimization and control. In that way the number of test prints can be reduced, costs can be saved, and the component behavior can be predicted. For those purposes, an automated workflow allowing to run all steps or individual steps without interacting with each individual software program is required. Furthermore, changes in parameters or the exchange of parts (using a different design or different printer) must be possible in a simple manner. In the presented work, such an automated workflow based on the example of a parametrized wall element for extrusion-based concrete printing is developed. The investigated wall structure is parametrized using the global geometry parameters: height, width, thickness, radius, kind of infill structure (honey-comb, zig-zag) and number of repeated infills. All above mentioned steps are implemented via python interfaces using pydoit as workflow tool. General interfaces with prescribed input and output files are defined allowing adaptations for different software and tools. The described workflow is tested by performing a test series investigating the influence of the in-fill structure on the mechanical properties of the test walls.
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung und Bewertung bei der Auswertung von Schienenprüfungen mittels Ultraschall- und Wirbelstromprüfverfahren zu verbessern. Die Bandbreite möglicher Defekte und die Menge an Einflussgrößen auf die Schienenprüfung ist sehr groß, aber die Prüfdaten aus dem Feld bilden diese Bandbreite nicht balanciert ab und sind unzureichend gelabelt. Durch Simulationen werden große Mengen detailliert gelabelter Daten für relevante Schienenschädigungen und Artefakte bereitgestellt. Aus diesen Daten werden wiederum virtuellen Prüffahrten erstellt, die für das Training und die Validierung der KI genutzt werden können.
In unserem Poster stellen wir die Simulation dieser Ultraschall- und Wirbelstromprüfdaten vor. Dabei gehen wir im Detail auf die Themen CAD-Modellierung, Modellparameter, Simulationssoftware und Signalverarbeitung ein. Wir stellen ausgewählt die Simulation von Head Checks für Wirbelstromprüfverfahren und Bohrungsanrissen für Ultraschallprüfverfahren dar, da das Erkennen dieser Schädigungstypen bei der Schienenprüfung hohe Priorität innehat.
Für die Verifikation der Simulationsergebnisse verweisen wir auf den ebenfalls eingereichten Vortrag „Verifikation von Ultraschall- und Wirbelstromsimulationen bei der Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung und Bewertung bei der Auswertung von Schienenprüfungen mittels Ultraschall- und Wirbelstromprüfverfahren zu verbessern. Die Bandbreite möglicher Defekte und die Menge an Einflussgrößen auf die Schienenprüfung ist sehr groß, aber die Prüfdaten aus dem Feld bilden diese Bandbreite nicht balanciert ab und sind unzureichend gelabelt. Durch Simulationen werden große Mengen detailliert gelabelter Daten für relevante Schienenschädigungen und Artefakte bereitgestellt. Aus diesen Daten werden wiederum virtuellen Prüffahrten erstellt, die für das Training und die Validierung der KI genutzt werden können.
In unserem Vortrag stellen wir den Erstellungsprozess der Datensätze vor. Jeder Schritt von der Geometriedarstellung bis zur Datenverarbeitung wird erfasst. Der Fokus wird auf Simulationsergebnisse und deren Verarbeitung gelegt. Die Signalverarbeitung spielt in den Datensätzen eine große Rolle, dabei werden die Datensätze an die realen Daten angepasst. Für Wirbelstrom und Ultraschall werden diese Prozesse im Hinblick auf die Fehlertypen Head Checks und Bohrungsanrisse veranschaulicht. Ferner diskutieren wir die Simulation von Schweißnähten, die von beiden Prüfsystem detektiert werden können; und somit besondere Abstimmung bedürfen aber auch Synergieeffekte zwischen den Prüfsystem ermöglichen.
Für die Ablage der Datensätze verweisen wir auf das ebenfalls eingereichte Poster „Verwendung von DICONDE bei der Eisenbahn-Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.
The dripping behaviour of polymers is often observed experimentally through the UL94 flammability standard test. In this work, polymeric dripping under fire is investigated numerically using particle finite element method. A parametric analysis was carried out to observe the influence of a single property on overall dripping behaviour via a UL94 vertical test model. Surrogates and property ranges were defined for variation of the following parameters: glass transition temperature (Tg), melting temperature (Tm), decomposition temperature (Td), density (ρ), specific heat capacity (Cp), apparent effective heat of combustion of the volatiles, char yield (μ), thermal conductivity (k), and viscosity (η). Polyamide, poly(ether ether ketone), poly(methyl methacrylate), and polysulfone were used as benchmarks. Simulated results showed that specific heat capacity, thermal conductivity, and char yield allied with viscosity were the properties that most influenced dripping behaviour (starting time and occurrence).
Im Rahmen des Forschungsprojekts "Artificial Intelligence for Rail Inspection" (AIFRI) wird ein KI-Algorithmus entwickelt, um die Fehlererkennung und Bewertung bei der Auswertung von Schienenprüfungen mittels Ultraschall- und Wirbelstromprüfverfahren zu verbessern. Je nach Prüfverfahren werden relevante Schienenschädigungen (z. B. Head Checks) und Artefakte (z. B. Bohrungen) entsprechend analysiert und in einem parametrisierbaren digitalen Zwilling abgebildet, um anschließend die KI-Algorithmen trainieren zu können. Mit der Simulation können Prüffahrten virtuell durchgeführt und Schadensbilder für das KI-Training erzeugt werden, die das Verhalten komplexer Systeme reproduzieren, ohne dass das reale System benötigt wird. Die Modellannahmen sind dabei von erheblicher Bedeutung, denn unzureichende Modellannahmen führen leicht zu falschen Simulationsergebnissen. Um die Ergebnisse einer Simulation ordnungsgemäß darstellen zu können, ist das Simulationsmodell selbst zu überprüfen.
Die Vollständigkeit, Richtigkeit und Genauigkeit der Simulationsergebnisse werden anhand von realen Prüfungen verifiziert. Für die Verifikation der Ultraschallsimulation werden hier Stegbohrungen als Referenzreflektoren herangezogen. Als Testkörper stehen Schienensegmente mit unterschiedlichen Profiltypen sowie speziell angefertigte Testkörper mit schienenähnlicher Geometrie zur Verfügung. In den Testkörpern befinden sich künstliche und reale Schädigungen in Kopf-, Steg- und Fußbereich, sowie Bohrungen mit Nuten. Die Validierung der Wirbelstromsimulation erfolgt an Testkörpern, die aus Schienenköpfen gefertigt sind. Dabei werden die Signale für unterschiedliche Nuttiefen und Nutenpaare mit unterschiedlichen Abständen untersucht.
Für die Modellierung der Simulationsergebnisse verweisen wir auf das ebenfalls eingereichte Poster „Simulation von Ultraschall- und Wirbelstromprüfdaten für die Schienenprüfung“.
Das Projekt AIFRI wird im Rahmen der Innovationsinitiative mFUND unter dem Förderkennzeichen 19FS2014 durch das Bundesministerium für Digitales und Verkehr gefördert.