Tối ưu hóa thông số công nghệ cho quá trình dập thủy tĩnh phôi ống đồng CDA-110 để chế tạo chi tiết dạng chữ T
DOI:
https://doi.org/10.54939/1859-1043.j.mst.106.2025.145-153Từ khóa:
Dập thuỷ tĩnh phôi ống; Xác định các thông số công nghệ; Tối ưu hoá đa mục tiêu; Mô hình thay thế; Latin hypercube sampling; Hợp kim đồng CDA-110.Tóm tắt
Nghiên cứu này phát triển một phương pháp có hệ thống nhằm tối ưu hóa các thông số công nghệ trong quá trình dập thủy tĩnh phôi ống đồng CDA-110 để chế tạo chi tiết dạng chữ T. Ba thông số quá trình, gồm có (1) độ dịch chuyển trục dọc trục, (2) hệ số khuếch đại áp suất và (3) áp suất tối đa, được khảo sát để tối ưu hoá đồng thời hai chỉ tiêu chất lượng quan trọng: độ dày thành tối thiểu (STH) và chiều cao nhánh (Height). Phân tích phần tử hữu hạn được thực hiện trong phần mềm Abaqus/Explicit để mô tả chi tiết mối quan hệ giữa đầu vào và đầu ra. Phương pháp tối ưu đa mục tiêu dựa trên tập hợp Pareto được áp dụng nhằm xác định bộ thông số quy trình tối ưu, đảm bảo tính cân bằng giữa STH và Height. Kết quả xác thực bằng mô phỏng số cho thấy hiệu quả và tính khả thi của phương pháp được đề xuất.
Tài liệu tham khảo
[1]. M. Ahmetoglu and T. Altan. "Tube Hydroforming: State-of-the-Art and Future Trends", J. Mater. Process. Technol., vol. 98, no. 1, pp. 25–33, (2000).
[2]. S. Chinchanikar, H. Mulik, P. Varude, S. Atole, and N. Mundada. "A review of emerging hydroforming technologies: design considerations, parametric studies, and recent innovations", J. Eng. Appl. Sci., vol. 71, no. 1, p. 205, (2024).
[3]. K. I. Manabe and M. Amino. "Effects of process parameters and material properties on deformation process in tube hydroforming", J. Mater. Process. Technol., vol. 123, no. 2, pp. 285–291, (2002).
[4]. K. Zheng, J.-H. Zheng, Z. He, G. Liu, D. J. Politis, and L. Wang. "Fundamentals, Processes and Equipment for Hot Medium Pressure Forming of Light Material Tubular Components", Int. J. Lightweight Mater. Manuf., vol. 3, no. 1, pp. 1–19, (2020).
[5]. Y. Xu, X. Zhang, W. Xie, S. Zhang, Y. Tian, and L. Chen. "Optimisation of Aluminium Alloy Variable Diameter Tubes Hydroforming Process Based on Machine Learning", Appl. Sci., vol. 15, no. 9, p. 5045, (2025).
[6]. N. V. Queipo, R. T. Haftka, W. Shyy, T. Goel, R. Vaidyanathan, and P. K. Tucker. "Surrogate-based analysis and optimization", Prog. Aerosp. Sci., vol. 41, no. 1, pp. 1–28, (2005).
[7]. N. A. Pham, Q. T. Pham, V. D. Dinh, D. T. Nguyen, D.-T. Nguyen, T. D. Hoan, L. D. Giang. "Formability Assessment of C1100 Pure-Copper Tube Considering an Enhanced Modified Maximum Force Criterion", Materials, vol. 18, no. 9, p. 1919, (2025).
[8]. M. T. Trinh, T. D. Nguyen, Q. T. Pham, A. N. Pham, D. V. Dinh. "Hydro-Forming of U-Shaped Parts with Branches", Engineering, Technology & Applied Science Research, vol. 15, no. 1, (2025).
[9]. M. T. Trinh, D. T. Nguyen, T. Q. Pham, A. N. Pham, V. D. Dinh. "Hydro-Forming a Cross-Shaped Component from Tube Billet", Journal of Machine Engineering, vol. 25, no. 2, pp. 111–122, (2025).
[10]. D. C. Montgomery. Design and Analysis of Experiments, 10th ed., Hoboken, NJ, USA: Wiley, (2019).
[11]. K. Deb, A. Pratap, S. Agarwal, and T. Meyarivan. "A Fast and Elitist Multiobjective Genetic Algorithm: NSGA-II", IEEE Trans. Evol. Comput., vol. 6, no. 2, pp. 182–197, (2002).
[12]. M. S. Chebbah and N. Lebaal. "Tube hydroforming optimization using a surrogate modeling approach and Genetic Algorithm", Mech. Adv. Mater. Struct., vol. 27, no. 6, pp. 515–524, (2018).
[13]. Z. Zhang, F. Xu, and X. Sun. "Optimization of process parameters during hydroforming of tank bottom using NSGA-III algorithm", Int. J. Adv. Manuf. Technol., vol. 119, pp. 4043–4055, (2022).
[14]. P. Saves, R. Lafage, N. Bartoli, Y. Diouane, J. H. Bussemaker, T. Lefebvre, J. T. Hwang, J. Morlier, and J. R. R. A. Martins. "SMT 2.0: A Surrogate Modeling Toolbox with a focus on Hierarchical and Mixed Variables Gaussian Processes", Advances in Engineering Software, (2024).
[15]. T. Huang, X. Song, and M. Liu. "A Kriging-based non-probability interval optimization of loading path in T-shape tube hydroforming", Int. J. Adv. Manuf. Technol., vol. 85, no. 5, pp. 1615–1631, (2016).
[16]. B. Phipson, S. C. Lee, I. Majewski, W. Alexander, and G. Smyth. "Robust hyperparameter estimation protects against hypervariable genes and improves power to detect differential expression", Annals of Applied Statistics, vol. 10, no. 2, pp. 946–963, (2016).
[17]. J. Blank and K. Deb. "pymoo: Multi-objective optimization in Python", IEEE Access, vol. 8, pp. 89497–89509, (2020).
[18]. W. Dan, X. Yue, M. Yu, T. Li, and J. Zhang. "Prediction and Global Sensitivity Analysis of Long-Term Deflections in Reinforced Concrete Flexural Structures Using Surrogate Models", Materials, vol. 16, no. 13, (2023).
[19]. A. Saltelli, P. Annoni, I. Azzini, F. Campolongo, M. Ratto, and S. Tarantola. "Variance Based Sensitivity Analysis of Model Output. Design and Estimator for the Total Sensitivity Index", Comput. Phys. Commun., vol. 181, no. 2, pp. 259–270, (2010).
