Kashaev, NikolaiNikolaiKashaev10676006200000-0001-5969-8560Sala, Siva TejaSiva TejaSala2024-12-022024-12-022024Technische Universität Hamburg (2024)https://hdl.handle.net/11420/52176The need for complex-shaped, thin-walled structures has surged in the aerospace industry, necessitating resilient and dependable manufacturing techniques. Traditional sheet metal forming (SMF) methods often face challenges such as wrinkling, shearing, and springback, affecting the quality and precision of formed parts. This thesis explores the optimization of the laser peen forming (LPF) process, a modern SMF technique that uses high-intensity, ultra-short laser pulses to deform materials with minimal surface damage. The research focuses on applying LPF in the aerospace sector to shape sheets to specific geometries and correct existing deformations, particularly using titanium alloy Ti6Al4V. This work is driven by the need to reduce part rejections due to non-conformity to target geometries, tooling and production costs, and CO2 emissions, aligning with industry trends towards sustainability and automation. As a result, LPF in the present work, is investigated as a method to produce definite geometries as well as to correct the existing geometries. The study is structured around three main approaches: experimental investigations, data-driven methodologies, and numerical simulations. Experimental investigations focus on identifying optimal LPF process parameters to achieve desired deformations while maintaining surface integrity. Data-driven methodologies employ artificial neural networks (ANN) to predict deformations based on process parameters, enhancing the potential for autonomous forming processes. Numerical simulations using finite element methods (FEM) complement the experimental work, providing insights into the deformation mechanisms and optimizing process parameters. A simplified numerical simulation workflow is developed to generate data that accurately represents experimental deformations for various peening patterns. The findings demonstrate that LPF can be integrated into automated manufacturing systems, offering precise control over deformation, high accuracy, and repeatability. The developed process planning approach with ANN predictions produces desired deformations in treated regions. This approach is successfully demonstrated on three benchmark cases involving thin Ti6Al4V sheets: unidirectional deformation, bidirectional deformation, and the modification of existing deformations in pre-bent specimens using LPF. The cellular automata neural network (CANN) approach developed in this study utilizes a convolutional neural network (CNN) to accurately predict peening patterns based on the deformations in the specimen after LPF. This approach enhances the LPF process, providing a reliable tool for achieving precise deformations in various applications involving complex peening patterns. The research presented in this thesis advances the understanding and application of LPF for thin-walled Ti6Al4V structures. Experimental investigations identified optimal LPF process parameters that achieve the desired deformation while maintaining surface integrity. Numerical simulations using the eigenstrain method validated these findings and demonstrated the feasibility of applying LPF to more complex geometries. Additionally, a data-driven approach utilizing an ANN was developed for process planning, enabling the prediction of deformations for various LPF process parameters. Furthermore, a CNN-based approach presented the applicability of LPF to achieve target shapes on flat specimens by predicting the peening patterns. This integrated methodology, combining experimental, data-driven, and numerical techniques, highlights the potential of LPF as an innovative, autonomous forming process for aerospace applications, addressing both practical implementation and theoretical understanding.Der Bedarf an komplex geformten, dünnwandigen Strukturen hat in der Luft- und Raum-fahrtindustrie stark zugenommen, was belastbare und zuverlässige Fertigungstechniken erfordert. Traditionelle Blechumformungsverfahren (SMF) stehen häufig vor Herausforderungen wie Faltenbildung, Scherung und Rückfederung, was die Qualität und Präzision der geformten Teile beeinträchtigt. Diese Arbeit befasst sich mit der Optimierung des Laser-Peen-Forming (LPF)-Verfahrens, einer modernen SMF-Technik, die hochintensive, ultra-kurze Laserpulse verwendet, um Materialien mit minimaler Oberflächenschädigung zu verformen. Die Forschung konzentriert sich auf die Anwendung von LPF im Luft- und Raumfahrtsektor, um Bleche in spezifische Geometrien zu formen und unerwünschte Verformungen zu korrigieren, insbesondere unter Verwendung der Titanlegierung Ti6Al4V. Diese Arbeit wird durch die Notwendigkeit getrieben, den Ausschuss von Bauteilen aufgrund von Abweichungen von vorgegebenen Geometrien, Werkzeug- und Produktionskosten und CO2-Emissionen zu reduzieren, im Einklang mit Branchentrends zu Nachhaltigkeit und Automatisierung. LPF wird daher in der vorliegenden Arbeit als Methode zur Erzeugung definierter Geometrien sowie zur Korrektur bestehender Geometrien untersucht. Die Studie gliedert sich in drei Hauptansätze: experimentelle Untersuchungen, datengestützte Methoden und numerische Simulationen. Die experimentellen Untersuchungen konzentrieren sich auf die Identifizierung optimaler LPF-Prozessparameter, um gewünschte Verformungen unter Beibehaltung der zu erreichen. Datengestützte Methoden nutzen künstliche neuronale Netze (ANN) zur Vorhersage von Verformungen auf der Grundlage von Prozessparametern, was das Potenzial für autonome Umformprozesse erhöht. Numerische Simulationen unter Verwendung der Finite-Elemente-Methode (FEM) ergänzen die experimentelle Arbeit und liefern Einblicke in die Verformungsmechanismen sowie die Optimierung der Prozessparameter. Ein vereinfachter numerischer Simulationsablauf wird entwickelt, um Daten zu erzeugen, die die experimentellen Verformungen für verschiedene Peening-Muster genau darstellen. Die Ergebnisse zeigen, dass LPF in automatisierte Fertigungssysteme integriert werden kann, präzise Kontrolle über Verformungen bietet und hohe Genauigkeit sowie Wiederholbarkeit gewährleistet. Der entwickelte Prozessplanungsansatz mit ANN-Vorhersagen erzeugt die gewünschten Verformungen in den behandelten Bereichen. Dieser Ansatz wird erfolgreich in drei Beispielen demonstriert, die dünne Ti6Al4V-Bleche betreffen: unidirektionale Verformung, bidirektionale Verformung und die Modifikation vorhandener Verformungen in vorgebogenen Proben durch LPF. Der in dieser Studie entwickelte Ansatz eines “Cellular Automata Neural Network (CANN)“ nutzt ein “Convolutional Neural Network (CNN)“, zur genauen Vorhersage von Peening-Mustern basierend auf den Verformungen der Probe nach LPF. Dieser Ansatz verbessert den LPF-Prozess und bietet ein zuverlässiges Werkzeug zur Erzielung präziser Verformungen bei verschiedenen Anwendungen mit komplexen Peening-Mustern. Die in dieser Arbeit vorgestellte Forschung erweitert das Verständnis und die Anwendung von LPF für dünnwandige Ti6Al4V-Strukturen. Experimentelle Untersuchungen identifizierten optimale LPF-Prozessparameter, die die gewünschte Verformung bei gleichzeitiger Wahrung der Oberflächenintegrität erreichen. Numerische Simulationen unter Verwendung der Eigendehnungsmethode validierten diese Ergebnisse und zeigten die Machbarkeit der Anwendung von LPF auf komplexere Geometrien. Zusätzlich wurde ein datengestützter Ansatz unter Verwendung eines ANN zur Prozessplanung entwickelt, der die Vorhersage von Verformungen für verschiedene LPF-Prozessparameter ermöglicht. Darüber hinaus zeigte ein auf CNN basierter Ansatz die Anwendbarkeit von LPF zur Erreichung von Zielformen auf flachen Proben durch Vorhersage der Peening-Muster. Diese integrierte Methodik, die experimentelle, datengestützte und numerische Techniken kombiniert, unterstreicht das Potenzial von LPF als innovatives, autonomes Umformverfahren für Luft- und Raumfahrtanwendungen und behandelt sowohl die praktische Implementierung als auch das theoretische Verständnis.enhttps://creativecommons.org/licenses/by/4.0/Laser peen forming (LPF)Artificial neural networksCANNDimensional analysisProcess planningTechnology::670: ManufacturingDoctoral Thesishttps://doi.org/10.15480/882.1375710.15480/882.13757Ben Khalifa, NoomaneNoomaneBen KhalifaOther