Projektbeschreibung
Ermüdungsbeständigkeit für eine nachhaltige Produktion
Die additive Fertigung verspricht eine nachhaltige Zukunft, indem sie die Umweltauswirkungen von Industrieerzeugnissen verringert. Die weit verbreitete Anwendung wird jedoch durch die geringe Ermüdungsbeständigkeit von additiv gefertigten Materialien eingeschränkt, die auf inhärente Oberflächen- und Innenfehler zurückzuführen ist. Derzeitige Nachbehandlungen können die Ermüdungsbeständigkeit verbessern, sind jedoch kostspielig, zeitaufwändig und manchmal unpraktisch. Im Rahmen des über die Marie-Skłodowska-Curie-Maßnahmen unterstützten Projekts FLAME wird versucht, diese Herausforderungen durch die Entwicklung eines hybriden Rahmens zu bewältigen, der physikbasierte Modelle mit maschinellem Lernen verbindet. Dieser Ansatz wird verfolgt, um die Vorhersagegenauigkeit für die Ermüdungslebensdauer von 75 % auf 90 % zu erhöhen, die Notwendigkeit umfangreicher Nachbearbeitungen zu verringern und die Produktionszeit auf unter eine Minute zu reduzieren. Es wird erwartet, dass die Innovationen von FLAME die Technologie der additiven Fertigung voranbringen werden.
Ziel
Additive manufacturing (AM) has been proven as a likely potential alternative to conventional manufacturing methods as it is able to reduce the global environmental impact of many industrial products. One of the main obstacles that prevent AM from expanding its application towards fulfilling the requisites of sustainability and green manufacturing, is poor fatigue resistance of AM material caused by multiple intrinsic surface and internal defects.
Currently, different post-processing treatments are being used to tackle this challenge by enhancing surface regularity and reducing bulk defects. Despite the enhancement of fatigue resistance after the aforementioned treatments, these are additional steps that result in longer production times and higher costs. Moreover, due to the complexity of geometry and size, sometimes AM components cannot be easily post-processed by regular treatments.
Optimizing the AM processes aiming at maximized fatigue life is a plausible solution that significantly minimizes the need for post-processing. However, the main barrier here is the lack of accurate, fast, and economic prediction tools to correlate fatigue life directly to AM process parameters. FLAME will address the aforementioned needs and pave the way towards efficient fatigue life assessment of AM via developing a hybrid framework through the association of physics-based models and machine learning approaches. It will improve the state-of-the-art fatigue life prediction accuracy from 75% to 90%, making them more economical by eliminating experiments and fast with an implementation time of less than 1 minute.
FLAME, through its aforementioned performance, will effectively maximize the fatigue life at the design stage which results in a reduction of post-processing demand and a decrease in production costs. Moreover, it boosts the advancement of AM technology to replace the conventional methods paving the path to sustainable manufacturing and minimizing environmental impacts.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht.
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Schlüsselbegriffe
Programm/Programme
- HORIZON.1.2 - Marie Skłodowska-Curie Actions (MSCA) Main Programme
Aufforderung zur Vorschlagseinreichung
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
HORIZON-TMA-MSCA-PF-EF - HORIZON TMA MSCA Postdoctoral Fellowships - European FellowshipsKoordinator
20133 Milano
Italien