Устойчивый гибридный FEA–AI фреймворк для оптимизации многоступенчатой выдавки медных микрокубков, прокатанных в одном направлении

Почему маленькие металлические чашечки важны

От смартфонов до медицинских имплантов многие современные устройства содержат крошечные металлические чашечки, которые удерживают, экранируют или связывают хрупкие компоненты. Производство этих микрокубков из меди кажется простым, но обеспечить правильную форму каждой детали при минимальном расходе энергии и материала оказывается неожиданно сложно. В этом исследовании показано, как сочетание компьютерного моделирования и искусственного интеллекта позволяет настроить процесс производства так, чтобы детали сразу получались правильными и с меньшими отходами.

Как изготавливают микрокубки

Микрокубки часто формуют, проталкивая плоскую металлическую ленту в штамп, чтобы металл принял форму чашечки — процесс, известный как глубокая выдавка. При уменьшении чашечек до миллиметрового масштаба небольшие изменения трения, формы инструмента или текстуры металла могут вызывать серьёзные проблемы: требуемые усилия могут оказаться значительно выше ожидаемых, а после снятия нагрузки чашечки могут «отпружинить», изменив размеры и форму. Авторы сосредотачиваются на медных полосах, сильно прокатанных для получения прочной и мелкозернистой структуры, что делает поведение материала сильно анизотропным и более труднопредсказуемым. Они разрабатывают восьмиступенчатый маршрут, который постепенно сжимает толстую медную заготовку в тонкостенные микрокубки без разрывов.

Наблюдая течение металла в виртуальном прессе

Вместо опоры на метод проб и ошибок в цехе команда создает детализированную виртуальную версию процесса с помощью метода конечных элементов, стандартного инструмента инженерного моделирования. В модель закладываются измеренные свойства прокатанной меди, включая различное растяжение вдоль и поперёк направления прокатки. В симуляции варьируются три ключевых параметра: зазор между бойком и матрицей, радиус закругления носика бойка и шероховатость контакта, выраженная через коэффициент трения. Для каждой комбинации модель предсказывает два важных показателя: максимальное усилие на инструменты в процессе формования и величину обратной деформации стенок чашечки после снятия нагрузки. Эти прогон создаёт богато параметризованный, согласованный набор данных, показывающий, как настройки процесса влияют на качество чашечек.

Обучая искусственный «мозг» предсказывать результаты

Чтобы превратить данные симуляций в быстрый инструмент для принятия решений, исследователи обучают математические суррогаты, способные предсказывать силу и обратную деформацию без повторного запуска тяжёлых вычислений. Они пробуют традиционную аппроксимацию кривых и два варианта искусственных нейронных сетей, компьютерных моделей, вдохновлённых связями в мозге. Все модели обучаются только на смоделированных данных и затем проверяются на реальных экспериментах на гидравлическом прессе. Среди них нейронная сеть с байесовской регуляризацией — методом, предохраняющим от переобучения — даёт наиболее надёжные прогнозы для виртуальных и реальных тестов, удерживая типичные ошибки на уровне нескольких процентов или ниже.

Позволяя эволюции искать лучшие параметры

С надёжным быстрым предсказателем команда добавляет генетический алгоритм, который имитирует естественный отбор, эволюционируя множество кандидатных наборов параметров и сохраняя лучших исполнителей. Комбинированная система ищет условия процесса, при которых одновременно минимизируются усилие на инструменты и обратная деформация, при этом формируются чашечки без дефектов. Она выявляет оптимальную область с умеренным зазором, относительно небольшим радиусом носика бойка и низким трением. Эксперименты с этими настройками подтверждают заметное снижение требуемого усилия и величины обратной деформации по сравнению с базовым случаем — сила уменьшается примерно на шесть процентов, а обратная деформация почти на десять процентов. Поскольку усилие формования тесно связано с потребляемой мощностью, эти улучшения указывают на прямую экономию энергии при производстве в больших объёмах.

Что это значит для более экологичного производства

Главная мысль для читателя в том, что продуманное использование виртуальных экспериментов и ИИ значительно упрощает подбор правильных условий для изготовления крошечных металлических деталей. В этой работе гибридный фреймворк учится на физически обоснованных симуляциях, переносит эти знания в нейронную сеть, а затем использует эволюционный поиск для нахождения «сладких точек», которые обеспечивают точность деталей при одновременном снижении нагрузок на инструменты, энергопотребления и брака. Подход пока протестирован только для простых круглых медных микрокубков, но он предлагает шаблон для более эффективного изготовления многих других мелких компонентов, поддерживая как точные устройства, так и более устойчивое производство.

Цитирование: Sivam, S.P.S.S., Kesavan, S. & Santhosh, A.J. A sustainable hybrid FEA–AI optimization framework for multistage deep drawing of unidirectionally rolled copper micro-cups. Sci Rep 16, 15934 (2026). https://doi.org/10.1038/s41598-026-45011-4

Ключевые слова: микро глубокая выдавка, медные микрокубки, искусственные нейронные сети, оптимизация генетическим алгоритмом, устойчивое производство