在工藝開發和實際生產當中，通常都會積累大量的工藝數據，這些數據量龐大且無明顯規律，但在工藝人員的大腦中形成了模糊的相互關系，變成了工藝人員的生產經驗。如果將這些數據整理出來變為智能的確定性的專家系統，將會為企業帶來更多經濟價值，成為企業和個人的技術積累。

DEFORM專題4講3月29日-4月1日

2022年3月29日-4月1日，安世亞太大咖慧推出DEFORM工藝仿真專題培訓，內容包含：成形加工工藝DOE/OPT優化及數據分析、擠型工藝仿真及模具壽命分析、金屬表面處理工藝、密封及緊固件制造、安裝工藝仿真等技術。（報名方式見上圖）

DEFORM DOE/OPT試驗設計與優化模塊是非常成熟并得到廣泛應用的設計工具，計算過程中產生的多組模擬結果也等同于現實當中的多次試驗，不但能夠對輸入的所有參數（包括工藝參數和材料參數）在一定范圍內自動優化，而且能夠對工件和模具的復雜幾何結構、擺放位置參數化建模并優化。DOE post后處理界面自動生成了各輸入變量對輸出變量的影響規律，可視化圖形顯示。隨著DOE技術應用的不斷深入，為了能夠對大量的模擬結果數據更深層次的分析處理，SFTC公司開發了新的數據分析工具DEFORM Data Analytics。

Data Analytics用戶界面

DEFORM Data Analytics為用戶提供了一種分析、比較和建模數據的方法。數據可以來自實驗和生產，也可以來自DEFORM計算結果的輸出。數據可以以簡單的方式提供.txt文件和.csv文件。

數據窗口

DEFORM數據分析還可用于對工藝的輸入參數進行靈敏度分析，或將有限元計算結果與實驗數據進行比較。數據分析是通過繪制曲線圖（如直方圖和散點圖）可視化數據并計算統計數據來執行的。

數據可視化圖形

數據建模是DEFORM Data Analytics工具最大的亮點，建模本質上是曲線擬合。提供了線性、二次、三次、高斯和神經網絡等等多種方法來數據建模。還可以選擇將數據擬合到用戶自定義的方程式。

DEFORM數據分析模型可以擴展到有限元計算，通過在后處理中包含DEFORM數據分析的數據模型來實現。當有限元模擬計算成本較高時，用DEFORM數據分析模型可以作替代有限元模型。

應用與驗證

如下圖所示，一個大型環件的鐓粗變形，采用2D軸對稱模型，工件使用彈塑性非等溫模型，需要訓練的數據有節點坐標（初始和最終的R和Z）、摩擦系數（0.1~0.4）、模具速度（450~750 mm/sec）、等效應力、溫度、損傷等。

模擬模型

使用深度神經網絡法訓練數據后，輸入不同的摩擦系數和模具速度，可直接得到節點坐標（初始和最終的R和Z）、等效應力、溫度、損傷等結果。

隨機選取三組案例，預測結果與模擬結果對比如下：

案例1：–摩擦系數：0.2872   -模具速度：728.926毫米/秒

案例2：–摩擦系數：0.101    -模具速度：517.882毫米/秒

案例3：–摩擦系數：0.371    -模具速度：508.555毫米/秒

案例1 網格對比

紅網格模擬結果內徑=871.871mm，外徑=2312.19mm，藍網格預測結果內徑=876.143mm，外徑=2313.27mm。

案例1 狀態變量對比

案例2 網格對比

紅網格模擬結果內徑=1055.25mm，外徑=2380.17mm，藍網格預測結果內徑=1046.71mm 外徑=2383.33mm。

案例2 狀態變量對比

案例3 網格對比

紅網格模擬結果內徑=804.085mm，外徑=2284.76mm，藍網格預測結果內徑=801.938mm 外徑=2292.17mm。

案例3 狀態變量對比

預測與模擬結果對比信息統計

針對圓環壓縮問題訓練了深度神經網絡，預測誤差在0.4%以內。

深度神經網絡在許多應用中顯示出良好的潛力，目前已成熟應用在鋼的流動應力預測中（DEFORM v13.0）。DEFORM軟件鋼材材料庫中具有巨大量的數據，當輸入新的化學成分時，軟件能夠自動擬合出當前材料的應力應變曲線。借助Data Analytics分析工具還可預測其它材料參數（如彈性模量、JMAK方程）、摩擦系數、磨損系數等等。Data Analytics分析工具能夠將大量試驗數據和模擬數據充分利用，發揮巨大的經濟價值。

2022年3月29日-4月1日，安世亞太大咖慧推出DEFORM工藝仿真專題培訓，內容包含：成形加工工藝DOE/OPT優化及數據分析、擠型工藝仿真及模具壽命分析、金屬表面處理工藝、密封及緊固件制造、安裝工藝仿真等技術。專題課每天1講，每講包括課程講解和現場答疑兩個部分，歡迎感興趣的用戶報名聽課。