Smart Design, Optimization and Control of Sheet Metal Bending Processes

Objetivo temático: Desenvolver uma nova ferramenta de ML, que seja capaz de selecionar a configuração de dobragem (geometria das ferramentas e condições do processo) com base nos requisitos de dobragem predefinidos pelo operador (e.g. ângulo de flexão, material, retorno elástico permitido).

Área Científica: Mechanical Engineering

Síntese do Projeto: A dobragem é uma das mais comuns e importantes operações de conformação de chapas metálicas, associada à estampagem progressiva de componentes para as indústrias automóvel, aeroespacial e metalomecânica (Dib et al., 2019). Devido à sua simplicidade, custo e versatilidade, as operações de dobragem são amplamente utilizadas tanto por pequenas como por grandes (Pritima et al., 2022). A Análise de Elementos Finitos (FEA) é uma ferramenta bem estabelecida na indústria, no projeto, otimização e controle das operações de dobra (Jamli & Farid, 2019). No entanto, os custos computacionais e know-how exigidos na FEA, bem como o custo associado às licenças anuais e à mão-de-obra qualificada, representam um custo significativo para as empresas (Ma & Welo, 2021). Por estas razões, o desenho das operações de dobragem nas pequenas empresas (que representam a maior parte da estrutura empresarial da União Europeia) ainda se centra em abordagens tradicionais (DIN 6935, 2011), cujas simplificações conduzem a resultados imprecisos e a uma baixa flexibilidade, limitada ao uso de materiais convencionais e configurações específicas.

Na última década, a crescente disponibilidade de Big Data e o crescimento da performance computacional incentivaram o uso de técnicas de aprendizado de máquina (ML) para prever o retorno elástico e outros fatores que limitam a conformabilidade dos componentes (Cruz et al., 2021, 2024). Estas abordagens permitem a otimização dos parâmetros do processo sem recorrer à FEA (isto é, após o treino dos metamodelos) e sem os erros associados às simplificações feitas nas abordagens tradicionais. No entanto, estes trabalhos continuam a apresentar algumas limitações, tais como: (i) focam-se na previsão de um único resultado (e.g., retorno elástico), ignorando outros (e.g., redução de espessura); (ii) falta de flexibilidade para se adaptar a novos materiais e configurações de dobragem, sem a necessidade de treinar novos metamodelos; (iii) o comportamento material é descrito por leis constitutivas simples; (iv) baseiam-se numa abordagem determinística. Adicionalmente, a aplicação industrial tem sido dificultada pela forma como estas abordagens de ML são desenhadas, nomeadamente: (i) focam-se na previsão dos resultados de dobragem, em vez de se focarem na previsão da configuração de dobragem que garantam um componente em conformidade com os requisitos; (ii) falta de flexibilidade exige o treino de novos metamodelos; (iii) exigem operadores com conhecimentos específicos de FEA, ML e técnicas de otimização para serem aplicadas com sucesso.

O objetivo desta proposta é desenvolver uma nova ferramenta de ML, que seja capaz de selecionar a configuração de dobragem (geometria das ferramentas e condições do processo) com base nos requisitos de dobragem predefinidos pelo operador (e.g. ângulo de flexão, material, retorno elástico permitido). Desta forma, a ferramenta de ML pode ser prontamente utilizada por operadores sem conhecimentos específicos em ML, FEA ou técnicas de otimização, e sem os custos associados a licenças de software, mão-de-obra especializada e tempo, promovendo a utilização desta estratégia pela indústria. Para tal, a ferramenta de ML concentra-se na construção de metamodelos avançados que têm em conta uma ampla gama de configurações e requisitos de dobragem. Esta flexibilidade permite ao operador adaptar a operação de dobragem a diferentes materiais ou ajustar os parâmetros do processo ao longo do tempo (e.g. dependendo do desgaste das ferramentas), permitindo o controlo e otimização do processo em tempo real.

No final, espera-se o pleno emprego da ferramenta de ML pela indústria, no projeto, otimização e controle das operações de dobragem, de forma a (i) reduzir custos de fabricação; (ii) reduzir as taxas de sucata; (iii) evitar atrasos na produção devido a paragens não planeadas; (iv) e aumentar a Eficiência Global do Equipamento (OEE). Pretende-se, assim, contribuir para a inovação nas indústrias automóvel, aeronáutica e metalomecânica que representam um valor significativo do PIB português (>6%) e empregam um grande número de pessoas (> 5% da população ativa). Do ponto de vista científico, espera-se demonstrar os benefícios e a aplicabilidade de técnicas complexas de ML para a obtenção de metamodelos flexíveis (contrariamente ao uso recorrente de Shallow Neural Networks), sem perder a simplicidade exigida no uso industrial.
A equipa multidisciplinar apresenta uma experiência significativa nas áreas de simulação numérica de processos de conformação de chapas, modelação de ferramentas, técnicas de triagem, metamodelação e análise de sensibilidade, o que constitui uma mais-valia para o sucesso do projeto. Parte dos membros da equipa estão atualmente envolvidos num projeto de aplicação de técnicas de ML à quantificação de incertezas em processos de conformação de chapas metálicas. Esta participação permite um conhecimento prévio dos principais desafios associados às técnicas de metamodelação e triagem.

Área de intervenção: Mechanical Engineering and Engineering Systems

Investigador Responsável na UC: Doutor André Filipe Gomes Pereira

Unidade Orgânica UC: FCTUC / DEM - Departamento de Engenharia Mecânica

Instituições participantes no Projeto: Universidade de Coimbra

Instituição Financiadora/Gestora: Fundação para a Ciência e Tecnologia (FCT) - OE

Programa de Financiamento: PTDC 2023 – PeX

Período de execução: 20/02/2025 a 19/08/2026 (18 meses)

Custo total elegível (EUR): 49.993,00€

Apoio financeiro público nacional: 49.993,00€

Técnico do Projeto: Catarina Morais

Contacto: +351 239 247 025 (catarina.morais@uc.pt)