GESTAMP enpresak, AZTERLAN Metalurgia Ikerketa Zentroak eta UPV/EHUk elkarlanean dihardute 6xxx serieko aluminio estruituko automobilgintzako osagaien portaera aurreikusi ahal izateko, konposizio kimikoan eta tratamendu termikoetan oinarrituta. Lanaren helburua da, “produktuen diseinuaren zikloa optimizatzea eta bizkortzea.
Produktuen garapen-prozesuaren funtsezko alderdi bat da osagaiek hainbat karga dinamikoren aurrean duten portaera estrukturala simulatzea, haien diseinua segurtasun-berme guztiekin burutu ahal izateko. Automobilentzako piezen garapenari dagokionez, inpaktu-energia xurgatzeko gaitasuna alderdi kritikoa da, eta, gainera, ibilgailuen pisua arintzeko estrategiekin lerrokatu behar da.
Etengabe eraldatzen ari den esparru batean, non materialen garapenak eta osagaien birdiseinuak funtsezko zeregina duten, simulazio komertzialeko softwareek muga handiak dituzte material jakin batzuen portaerari dagokionean, ez baitaukate hauei buruzko nahikoa datu. Muga hori gainditzeko, osagaien fabrikatzaileek eta garatzaileek etengabe lan egiten dute materialen datu-baseak garatzen.
Hala ere, Asier Bakedano AZTERLANeko ikertzaileak, Zentro Teknologikoko Aluminio eta Material Arinen ikerketa-lerroko koordinatzailea, azaltzen duen bezala, “machine learning eta adimen artifizialeko teknologia berriek aukera berriak eskaintzen dizkigute horrelako erronkei aurre egiteko, eta aukera ematen digute, modelizatzeko ez ezik, iragartzeko nola eragingo dieten materialaren ezaugarri jakin batzuek eta horien fabrikazio-prozesuak osagaien azken portaerari”.
Ikuspegi horrekin, eta 6xxx serieko aluminio estruituko materialen portaeraren gaineko ezagutza hobetzera eta jonen jokaera-pronostikoa egin ahal izatera bideratuta, Alusmart proiektuaren partzuergoak, GESTAMP buru duela, estrusionatutako aluminiozko egiturazko osagaien propietate mekanikoak eta haustura-propietateak aurreikusten lanean diahrdu, haien konposizio kimikoaren eta tratamendu termikoaren arabera. Helburu nagusia da “zahartze-zikloak, propietate mekanikoak eta haustura-ezaugarriak iragartzeko gai den eredu bat garatzea, osagai horren oinarrizko konposizioaren eta tratamendu termikoaren arabera. Azken batean, metalaren mikroegiturari eragiten dioten produktuaren aldagai kritikoak dira, eta propietate fisiko eta mekanikoetan islatzen dira, maila estatikoan zein dinamikoan”.
Inpaktu simulazioa auto elektrikoan
Saiakuntza estrukturalak Algoritmoaren autoikaskuntza sustatzeko
Helburu horrekin, lan-taldea hainbat saiakuntza estruktural egiten ari da, horietatik “eratorriko direlarik machine learning (algoritmoak) ereduetarako entrenamendu-datuak. Horregatik, emaitza ugari sortzea oso garrantzitsua da proiektuaren arrakastarako”. Egindako karakterizazioen artean, garrantzi berezia dute haustura-saiakuntzek, hausturaren unean deformazio plastikoaren maila zehaztera bideratutakoak. Ondorengo fase batean, saiakuntzetatik lortutako emaitzen kopuru esanguratsua eskuratu ondoren, ikerketa machine learning ereduen garapenean eta inplementazioan oinarrituko da.
“Zalantzarik gabe, proiektu honek posible egingo du adimen artifizialak materialen zientziaren arloan duen potentziala aztertzea, eta aluminiozko osagai estrukturalen funtsezko ezagutza-arlo berezi batean sakontzea ahalbidetuko digu. Ezin dugu ahaztu, altzairuaren atzetik, aluminioa dela automobilgintzak gehien erabiltzen duen materiala. Ezagutza honekin produktuen diseinu-zikloak azkartzea lortuko dugu”.
Alusmart proiektua Eusko Jaurlaritzaren Elkartek Programak diruz lagundakoa da. Proiektuaren partzuergoa GESTAMP enpresak (proiektuaren liderra), AZTERLAN Metalurgia Ikerketa Zentroak eta EHUk osatzen dute.
