Back to Search
Start Over
Development of a digital manufacturing process chain for ceramic composites
- Publication Year :
- 2022
-
Abstract
- The development of ceramic matrix composites, with their increasing use in high temperature and corrosive environment applications, is still restricted to ‘trial and error’ approach in comparison to other conventional materials like metals. The main reason behind that is the lack of experimental data due to high manufacturing costs of CMCs which generally includes a chain of several complex processes. This adds to the complexity of this material class and thus, makes it a difficult task to establish a relationship between a component with desired properties and the manufacturing parameters required to realise it. In the current work, the digital aspects are investigated from two point of views to use numerical methods to support the material design process: ‘material’ and ‘manufacturing process’. The case ‘material’ is the focus of this work where, ‘process-structure-property-performance’ (PSPP) relationship is established to study the entire life cycle of a CMC component, starting from the intermediate products, such as fibre preforms or green bodies prior to siliconization process, used in the processing to the mechanical performance of the final machined component under operating conditions. Each aspect of the PSPP relationship is discussed in detail and its implementation is demonstrated with the help of a numerical example. Cohesive zone elements at micro-level and homogenous damage development at macro-level were used to define the non-linear behaviour of the material under mechanical loading. Experimental results obtained for different CMCs such as C/C-SiC, C/SiCN, SiC/SiCN and Al2O3/ Al2O3 were used to validate the results obtained for the finite element models at different scales ranging from micro to macro. With the help of data analysis techniques like image segmentation and machine learning algorithm, computationally inexpensive data-based surrogate models were generated from accurate but computationally expensive physics-based models. A detailed review of the available numerical methods to model the manufacturing process and the process monitoring techniques is given. Based on the data and information obtained from the modelling of the material and the manufacturing process, a concept is proposed for optimized development of a CMC part. The concept combines the generated data with quantified expertise in the fields of material science to realise a manufacturing process chain to facilitate the material design process for CMCs. With the implementation of such an approach, the production cost of CMCs can be reduced by knowledge-based selection of the CMC constituents and manufacturing parameters. This will open the door for new applications of CMCs which would enable the material community to extend their use to other cost-efficient high temperature applications. Die Entwicklung von Verbundwerkstoffen mit keramischer Matrix, die zunehmend bei hohen Temperaturen und in korrosiven Umgebungen zum Einsatz kommen, ist im Vergleich zu anderen herkömmlichen Werkstoffen wie Metallen noch immer auf ein "Versuch-und-Irrtum"-Konzept beschränkt. Der Hauptgrund dafür ist der Mangel an experimentellen Daten aufgrund der hohen Herstellungskosten von CMCs, die im Allgemeinen eine Prozesskette aus mehreren komplexen Verfahrensschritten umfassen. Dies trägt zur Komplexität dieser Werkstoffklasse bei und macht es somit schwierig, eine Beziehung zwischen einem Bauteil mit gewünschten Eigenschaften und den Herstellungsparametern herzustellen. In der vorliegenden Arbeit werden die digitalen Aspekte aus zwei unterschiedlichen Blickwinkeln untersucht, um numerische Methoden zur Unterstützung der Werkstoffauslegung einzusetzen: 'Werkstoff' und 'Herstellungsprozess'. Im Mittelpunkt dieser Arbeit steht der "Werkstoff", bei dem die "Process-Structure-Property-Performance"-Beziehung (PSPP) hergestellt wird, um den gesamten Lebenszyklus eines CMC-Bauteils zu untersuchen. Angefangen bei den Zwischenprodukten, wie z. B. den Faser-Vorkörpern (Preform)vor dem Silizierverfahren, die die Basis der Verarbeitung bilden, bis hin zur mechanischen Belastungsgrenze des fertig bearbeiteten Bauteils unter Betriebsbedingungen. Jeder Aspekt der PSPP-Beziehung wird im Detail untersucht und ihre Umsetzung anhand eines numerischen Beispiels demonstriert. Kohäsive Zonenelemente auf der Mikroebene und homogene Schädigungsentwicklung auf der Makroebene wurden verwendet, um das nichtlineare Verhalten des Werkstoffs unter mechanischer Belastung zu definieren. Experimentelle Ergebnisse, die für verschiedene CMCs wie C/C-SiC, C/SiCN, SiC/SiCN und Al2O3/ Al2O3 erzielt wurden, dienten zur Validierung der Ergebnisse der Finite-Elemente-Modelle auf verschiedenen Skalen von Mikro bis Makro. Mit Hilfe von Datenanalysemethoden wie Bildsegmentierung und ‚Machine-Learning-Algorithmen‘ wurden aus genauen, aber rechenintensiven physikalischen Modellen zeiteffiziente datenbasierte Ersatzmodelle erstellt. Es wird ein detaillierter Überblick über die verfügbaren numerischen Methoden zur Modellierung des Fertigungsprozesses und der Prozessüberwachungstechniken gegeben. Auf der Grundlage der Daten und Informationen, die aus der Modellierung des Materials und der Herstellungsprozesse gewonnen wurden, wird ein Konzept für die optimierte Entwicklung eines CMC-Bauteils vorgeschlagen. Das Konzept kombiniert die generierten Daten mit quantifiziertem Fachwissen in den Bereichen der Materialwissenschaft, um eine Fertigungsprozesskette zu realisieren, die die Werkstoffauslegung für CMCs erleichtert. Mit der Umsetzung eines solchen Ansatzes können die Produktionskosten von CMCs durch eine wissensbasierte Auswahl der CMC-Bestandteile und Herstellungsparameter gesenkt werden. Dies wird die Tür für neue Anwendungen von CMCs öffnen, die es der Materialgemeinschaft ermöglichen wird, ihre Verwendung auf andere kosteneffiziente Hochtemperaturanwendungen auszuweiten.
Details
- Language :
- English
- Database :
- OpenAIRE
- Accession number :
- edsair.dedup.wf.001..bf6f96737d0d368e7ddb4b2abba26eb8