Finite Element Modeling of Indentation Tests and Neural Networks Model Applications

Phu Ma Quoc

Master's thesis

Abstract:

Diplomová práce zkoumá modelování instrumentovaného indentačního testu (IIT) s využitím metody konečných prvků (MKP) a neuronových sítí (NN). Cílem práce je vytvořit NN, která bude schopna vyhodnotit experimentální data z realizovaného IIT takovým způsobem, aby přímo kalibrovala vhodný model plasticity. Studie je prováděna na austenitické nerezové oceli SS304L, která představuje výzvu pro IIT. K dosažení cíle je proveden IIT na vzorku SS304L k získání závislosti hloubky zatlačení na reakční síle, kterou materiál vyvíjí na vtlačovanou kuličku. Kromě toho jsou na stejném materiálu provedeny tahové zkoušky s digitální korelací obrazu (DIC) k získání tahové deformační křivky, z které lze identifikovat parametry konstitutivního modelu. Výsledky z IIT a tahové zkoušky jsou poté použity k vytvoření MKP modelu. S využitím FEM modelu lze simulovat několik IIT a vytvořit tak soubor dat pro trénování NN v rozsahu austenitických ocelí. Tento soubor dat je vložen do NN. K nalezení optimální architektury pro dosažení finálního cíle jsou provedeny numerické experimenty. Práce navrhuje rámec a dokazuje jeho proveditelnost při uvažování Armstrong-Frederickova modelu zpevnění se třemi parametry. Všechna data a zjištěné výzvy jsou zaznamenány a diskutovány.

Abstract:

The diploma work investigates the Instrumented Indentation Test (IIT) modelling with Finite Element Method (FEM) and Neural Network (NN). The final goal is to create a NN that can evaluate the experimental data from a physical IIT in such a way to directly calibrate a suitable plasticity model. The study is conducted on an austenitic stainless steel SS304L which is a challenge for IIT. To achieve the goal, IIT is performed on a SS304L specimen to obtain the indenting depth versus the reaction force the material exerts on the indentation ball. Besides, tensile tests with Digital Image Correlation (DIC) on the same material are performed to obtain the tensile stress-strain curve, from which parameters of a constitutive model can be identified. The results from IIT and tensile test are then used to establish a FEM model. Using the FEM model, several IITs can be simulated to create a dataset for NN training in the range of austenitic steels. This dataset is fed into a NN and numerical experiments are done to find an optimal architecture for the final goal. The thesis proposes a framework and proves its feasibility considering Armstrong-Frederick hardening model with three parameters. All the data and identified challenges are reported and discussed.

Keywords

Instrumented Indentation Testing, Finite Element Method, Neural Network, Feed-Forward Neural Network, SS304L, tensile properties

Keywords

Instrumented Indentation Testing, Finite Element Method, Neural Network, Feed-Forward Neural Network, SS304L, tensile properties

Language used: English

Date on which the thesis was submitted / produced: 12. 5. 2023

Thesis defence

• Date of defence: 5. 6. 2023
• Supervisor: Sebastian Basterrech
• Reader: Radim Halama

VSB – Technical University of Ostrava

Fakulta strojní

Master programme:
Aplikovaná mechanika