Sviluppo di un modello computazionale per la valutazione della rugosità indotta dalla pallinatura

Shot peening is a cold plastic deformation process achieved from multiple impacts of round shots toward a target surface. This process, apart from allowing to increase the fatigue mechanic resistance and the material hardening, changes significantly the surface features of the component subjected to the treatment. Among those the index that best highlights the profound changes which take place on the superficial layer is the roughness. Moreover, as known, roughness influences in a non negligible way the fatigue behavior of mechanical components. While the effects of residual stresses and of material hardening has been the subject of several studies, the effect of roughness hasn’t yet been analyzed and treated. Therefore it is of primary importance to try to predict the profilometric peculiarities determined by the manufacture with the help of a finite element model, which simulates the real dynamic of the collisions. It was developed for the prediction of residual stresses inside the superficial layer and then later adapted to the study of roughness parameters. However the analysis just performed showed an excessive computational cost and resolution time. Therefore it was decided to build a Design Of Experiment by the definition of the main roughness parameters in order to predict the profilometric characteristics for steel-steel contact. It was then used to be able to create and train a neural networks, capable to determine the main roughness indices from the level of coverage, the diameter of the sphere and the impact velocity. In this way it was obtained a mathematical model that allowed to compare the experimental data, measured with the appropriate equipment in laboratory, with those obtained numerically. The results thus achieved show an efficient prediction of the surface characteristics of shot peened specimens, with a significant saving in terms of time resolution and computing power. In conclusion attention was directed to the generalization of the neural network thus built, adding data concerning simulations of shot peening process of carburized steel. In this way even the type of steel has become an input parameter to the network.

La pallinatura è un processo di deformazione plastica a freddo che si ottiene attraverso impatti multipli di sferette su una superficie target. Essa, oltre a permettere di aumentare la resistenza meccanica a fatica e l’incrudimento del materiale, altera in maniera significativa le caratteristiche superficiali del componente che ne subisce il trattamento. Tra queste la rugosità è l’indice che maggiormente mette in luce i profondi cambiamenti che si instaurano sullo strato più esterno. Inoltre, come noto, la rugosità influenza in maniera non trascurabile il comportamento a fatica dei componenti meccanici. Mentre gli effetti delle tensioni residue e dell’incrudimento superficiale sulla resistenza a fatica sono state oggetto di numerosi studi, l’effetto della rugosità è stato meno analizzato e trattato. Di conseguenza risulta di primaria importanza cercare di prevedere le peculiarità profilometriche che la lavorazione determina attraverso l’ausilio di un modello ad elementi finiti, il quale simuli la dinamica reale degli urti. Esso è stato sviluppato per la previsione degli sforzi residui all’interno dello strato superficiale e poi successivamente adattato allo studio dei parametri di rugosità. Le analisi così effettuate hanno però mostrato un eccessivo onere computazionale e tempo di risoluzione. Si è pertanto pensato di costruire un Design of Experiment, attraverso la definizione dei principali parametri di pallinatura, per poter prevedere le caratteristiche profilometriche per il contatto acciaio-acciaio. Esso è stato successivamente adoperato per poter costruire ed allenare una rete neurale che fosse in grado di calcolare gli indici di rugosità principali a partire dal livello di copertura, dal diametro delle sferette e dalla velocità d’impatto. In questo modo si è ottenuto un modello matematico che ha consentito di poter confrontare i dati sperimentali, rilevati in laboratorio con l’apposita strumentazione, con quelli conseguiti numericamente. I risultati così ottenuti mostrano una efficiente previsione delle caratteristiche superficiali dei provini pallinati, con un risparmio importante in termini di durata di risoluzione e di potenza di calcolo. In conclusione si è rivolta l’attenzione alla generalizzazione della rete neurale così costruita, aggiungendo i dati relativi alle simulazioni del processo di pallinatura di acciai cementati. In questo modo anche il tipo di acciaio è divenuto un parametro di ingresso alla rete.