Development of a model of elastoplastic behavior through artificial intelligence

Abstract

In the past few years, there has been tremendous advances in the accuracy and predictive capabilities of tools for the simulation of materials. Predictive modeling has now become a powerful tool that can also deliver real value through application and innovation to the global industry. Simulation of forming operations, particularly using the nite element method, is clearly dependent on the accuracy of the constitutive models. In the last years, several methodologies were developed to improve the accuracy of constitutive models through parameter identi cation and calibration methodologies. However, independently of the e cacy of the calibration methods, the accuracy of a constitutive model is always constrained to its prede ned mathematical formulation. Additionally, using known elastoplastic formulations, it is impossible to reproduce the material phenomena if these phenomena are not formulated mathematically. In the past several years, arti cial intelligence (AI) techniques have become more robust and complex. This eld has set the ambitious goal of making machines either seemingly or genuinely intelligent. The sub- eld of arti cial intelligence known as machine learning attempts to make computers learn from observations. Machine-learning algorithms are general tools that can be tted to a vast number of problems, including predicting the stress-strain relationship of the material. This work proposes to model the behavior of a metal material using machinelearning (ML) techniques and use this ML in forming simulations. Initially, the ML model is designed and trained using a known plane stress elastoviscoplasticity model to evaluate its competence to replace classical models. Di erent ML topologies and optimization techniques are used to train the model. Then, the AI model is introduced into a nite element analysis (FEA) code, as a user subroutine, and its attainment in forming simulations is evaluated. The replacement of classical formulations by AI techniques for the material behavior de nition is analysed and discussed.

Nos últimos anos, tem havido enormes avanços na precisão e capacidades preditivas de ferramentas para a simulação de materiais. A modelação preditiva tornou-se numa ferramenta poderosa que também pode agregar um grande valor por meio de aplicações e inovações para a indústria global. A simulação das operações de conformação, particularmente usando o método dos elementos finitos, é claramente dependente da precisão dos modelos constitutivos. Nos últimos anos, várias metodologias foram desenvolvidas para melhorar a precisão de modelos constitutivos através de metodologias de identificação e calibração de parâmetros. No entanto, independentemente da eficácia dos métodos de calibração, a precisão de um modelo constitutivo é sempre restrita a sua formulação matemática predefinida. Adicionalmente, usando formulações elastoplasticas conhecidas, e impossível reproduzir os fenomenos do comportamento de materiais se estes comportamentos não forem eficazmente formulados matematicamente. Recentemente, as tecnicas de inteligencia artificial (IA) tornaram-se mais robustas e complexas. Este campo estabeleceu o objetivo ambicioso de tornar as maquinas aparentemente ou genuinamente inteligentes. O sub-campo da inteligencia artificial conhecido como aprendizagem computacional tenta fazer com que os computadores aprendam com as observações. Os algoritmos de aprendizagem computacional são ferramentas gerais que podem ser adaptadas a um grande numero de problemas, incluindo a previsão da relação tensao-deformação do material. Este trabalho propõe modelar o comportamento de um material metalico utilizando tecnicas de aprendizagem computacional (ML) e utilizar este ML na modelação de simulações. Inicialmente, o modelo ML e projetado e treinado usando um modelo de elastoviscoplasticidade em estado plano de tensão de forma a avaliar a sua eficacia na substituição de modelos classicos. Diferentes topologias ML e tecnicas de otimização são usadas para treinar o modelo. Em seguida, o modelo IA e introduzido num codigo de analise de elementos finitos (FEA), como user subroutine, e a sua concretização em simulações de conformação e avaliada. A substituição de formulações classicas por tecnicas de IA para a definiçao do comportamento do material e analisada e discutida.