Simulation avancée du procédé d injection

Transcription

1 Simulation avancée du procédé d injection JT «Conception et optimisation numérique en plasturgie» Jeudi 30 juin Ronan Le Goff

2 Sommaire Introduction Modèle numérique Cas d étude Paramètres rhéo Stratégies d optimisation Phase dynamique Phase de maintien Conclusion

3 Introduction La simulation numérique avancée Qu est ce que c est? Développer ou prendre en compte des modèles avancés Comportement matériau Physique des processus Etude Multi-échelle CAO Tenir compte de la variabilité et l incertude Robustesse Sensibilité Optimiser le Produit et/ou le Procédé Optimisation de forme Optimisation paramètres process Exploration de conception

4 Introduction L optimisation numérique Qu est ce que c est? Trouver le meilleur jeu de paramètres qui répond à un ou plusieurs objectifs définies a priori Contraintes Entrées Modèle numérique Sorties

5 Introduction L optimisation numérique Qu est ce que c est? Trouver le meilleur jeu de paramètres qui répond à un ou plusieurs objectifs définies a priori Contraintes Objectifs Variables Modèle numérique Sorties Solution optimale Optimiseur

6 Introduction L optimisation numérique Qu est ce que c est? Trouver le meilleur jeu de paramètres qui répond à un ou plusieurs objectifs définies a priori Fabrication par injection Paramètres géométriques Modèle mécanique Masse Résistance mécanique Conception optimale Optimiseur

7 Modèle numérique Moule Boite Moule de démonstration Multi matériaux Dimension de la boite : 90x90x50 Epaisseur : 2,5mm Optimisation Phase dynamique Phase de maintien

8 Modèle numérique Modèle numérique du moule Boite Matière PA Technyl A218 Phase dynamique Analyse : Fill Température de moule : 60 C Temps de calcul : 25min Phase de maintien Analyse : Cool(FEM), Fill, Pack, Warp Solver : transient within cycle Temps de calcul : 1h30

9 Stratégie d optimisation phase dynamique Stratégie 1 : Optimisation sans surface de réponse Stratégie 2 : Optimisation avec surfaces de réponse Débit d injection Phase dynamique Limite au cisaillement Température du front matière Débit d injection optimal Pression à la commutation 1. Algo génétique 2. Surface de réponse Variable d entrée : débit d injection [10-60 cm 3 /s] Objectifs : Minimiser la différence de température au front matière Minimiser l écart entre le cisaillement max et la limite au cisaillement de la matière

10 Processus d optimisation de la phase dynamique Variable d entrée Simulation du procédé Optimiseur Sorties Objectifs

11 Résultats Stratégie n 1 Solutions optimales (Front de Pareto) Pression à la commutation Solutions optimales Chaque point correspond à un calcul Objectifs contradictoires

12 Résultats Stratégie n 1 Solutions optimales (Front de Pareto) Pression à la commutation 13 MPa 25 cm 3 /s Sélection de configurations Les configurations choisies sont proche du minimum de pression Temps de calcul : 50h pour 121 configurations générées

13 Stratégie n 2 Technique des surfaces de réponses (méta-modèles) Méthode d approximation d une fonction inconnue Variables de sortie = f(variables d entrée) A partir de quelques configurations, on approxime un ensemble de solutions (solutions virtuelles) 1.Calcul d une population initiale

14 Stratégie n 2 Technique des surfaces de réponses (méta-modèles) Méthode d approximation d une fonction inconnue Variables de sortie = f(variables d entrée) A partir de quelques configurations, on approxime un ensemble de solutions (solutions virtuelles) 2. Génération des surfaces de réponse 1 variables d entrée (débit d injection) 6 variables de sortie (températures, cisaillement, pression com, temps de remplissage) 6 surfaces de réponse

15 Stratégie n 2 Technique des surfaces de réponses (méta-modèles) Méthode d approximation d une fonction inconnue 3.Calcul des configurations virtuelles Variables de sortie = f(variables d entrée) A partir de quelques configurations, on approxime un ensemble de solutions (solutions virtuelles) Configurations initiales Configurations approximées

16 Stratégie n 2 Technique des surfaces de réponses (méta-modèles) Méthode d approximation d une fonction inconnue 4.Validation Variables de sortie = f(variables d entrée) A partir de quelques configurations, on approxime un ensemble de solutions (solutions virtuelles) Configurations initiales Configurations approximées Configurations optimales Temps de calcul : 2h30

17 Pression de maintien Stratégie d optimisation Stratégie d optimisation phase maintien Débit d injection optimal Pression à la commutation Pression de maintien (5 points) Densité Phase de maintien Déformée Maintien optimal Algo. Génétique Variable d entrée : courbe de maintien [10;35 MPa] Objectifs : Minimiser la déformée Respecter le niveau de densité de la matière 5 points à 1 seconde d intervalle Temps (s)

18 Stratégie d optimisation phase maintien Calcul du maximum de déformée Trajet 1 Trajet 2 Déformée x y Déplacement selon x

19 Processus d optimisation de la phase Maintien Variable d entrée Simulation procédé Population initiale et optimiseur Sorties Objectifs

20 Résultats Solutions optimales Evolution des pressions en fonction des itérations Optimisation sans surface de réponse. Pas de fonction fiable entre variables d entrée et variable de sortie Les pressions 1 et 2 atteignent rapidement leur limite supérieure La pression 4 atteint rapidement la limite inférieure!

21 Résultats Maintien Optimal Corrélation entre la déformée et les pressions de maintien Pic à la fin du maintien : Problème? Corrélation négative de la pression 4 Corrélation faible des pressions 4 et 5 Le gel du seuil se produit autour de 3/4s de maintien : les pressions 4 et 5 ne servent pas au maintien

22 Résultats Maintien Optimal Corrélation entre la déformée et les paliers de maintien Même niveau de déformée pour les 2 types de maintien : les pressions 4 et 5 ne servent pas au maintien

23 Conclusion L optimisation numérique permet d aller plus loin dans l étude du procédé Des outils logiciels existent pour automatiser votre chaîne numérique L inconvénient de la taille des modèles et du temps de calcul peut être pallié par l utilisation de méta modèles ou surfaces de réponse A partir des solutions optimales, il pourra être intéressant d effectuer une analyse de robustesse afin de vérifier la sensibilité de votre solution aux variabilités du procédé