DOI: 10.17586/1023-5086-2023-90-06-15-24
УДК 621.791.78
Юрий Валерьевич Никитюк1*, Андрей Александрович Середа2, Анатолий Николаевич Сердюков3, Сергей Викентьевич Шалупаев4, Игорь Юрьевич Аушев5
1, 2, 3, 4Гомельский государственный университет им. Франциска Скорины, Гомель, Республика Беларусь
5Университет гражданской защиты МЧС Республики Беларусь, Минск, Республика Беларусь
1nikitjuk@gsu.by https: //orcid.org/0000-0002-4405-644X
2sereda@gsu.by https://orcid.org/0000-0001-9718-2311
3serdyukov@gsu.by https: //orcid.org/0000-0002-8068-4224
4shalupaev@gsu.by https://orcid.org/0000-0002-7413-4605
5ai@ucp.by https://orcid.org/0000-0003-4425-2085
Аннотация
Предмет исследования. Оптимизация параметров несквозных наклонных трещин в процессе двухлучевого лазерного асимметричного раскалывания силикатных стёкол на базе метамоделирования. Цель работы. Разработка моделей для подбора оптимальных технологических режимов нанесения наклонных трещин при лазерном раскалывании силикатного стекла с заданными параметрами, увеличение эффективности процесса создания скруглённых кромок при двухлучевом асимметричном лазерном раскалывании стеклоизделий. Метод. Многокритериальный поиск оптимальных технологических режимов лазерной обработки с использованием генетического алгоритма MOGA для формирования скруглённых кромок с заданными геометрическими параметрами в стеклоизделиях. Основные результаты. Расчёт геометрических параметров наклонных трещин, температур и термоупругих напряжений был выполнен с применением языка программирования APDL программы ANSYS. Для численного эксперимента был применён гранецентрированный вариант центрального композиционного плана эксперимента. План эксперимента формировался для четырёх факторов (P1–P4): мощность лазерного излучения YAG-лазера, длина волны излучения которого 1,06 мкм; мощность лазерного излучения CO2-лазера, длина волны излучения которого 10,6 мкм; смещение центра пучка YAG-лазера относительно центра пучка CO2-лазера в направлении, перпендикулярном линии обработки материала; скорость движения лазерных пучков и хладагента вдоль линии обработки материала. В качестве откликов использовались максимальные значения температуры и термоупругих напряжений в зоне лазерной обработки, а также геометрические параметры наклонной трещины, индуцированной лазерным излучением. Проведена оценка влияния технологических режимов обработки материала (факторы P1–P4) на геометрические параметры наклонной трещины. Самыми значимыми технологическими параметрами обработки стеклоизделий, которые влияют на величину максимальных температур, возникающих в материале в процессе лазерного термораскалывания, являются скорость обработки и мощность лазерного излучения с длиной волны 10,6 мкм. Значимыми параметрами, которые воздействуют на величину термоупругих напряжений, — это скорость обработки и мощность лазерного излучения с длиной волны 1,06 мкм. При этом геометрические характеристики наклонных трещин существенно зависят от мощности излучения YAG-лазера и от величины смещения центра пучка этого лазера относительно центра пучка CO2-лазера. При помощи пакета TensorFlow создана искусственная нейронная сеть, обучение и тестирование которой осуществлялось на выборках, сформированных при решении соответствующих задач методом конечных элементов в программе ANSYS. Выполнено сравнение результатов определения выходных параметров с использованием нейросетевой модели и модели, созданной с использованием метода непараметрической регрессии. Были использованы следующие критерии для оптимизации ассиметричного раскалывания стекла: максимум растягивающих напряжений и максимум скорости обработки при заданных значениях параметров наклонной трещины. Применение генетического алгоритма обеспечило максимальную относительную погрешность результатов, не превышающую 9% при определении температур и 12% при определении термоупругих напряжений. Относительная погрешность определения значений геометрических параметров наклонных трещин не превысила 20%. Практическая значимость. Предложенная методика обеспечивает возможность определения технологических режимов формирования лазерно-индуцированных несквозных наклонных трещин с заданными геометрическими параметрами.
Ключевые слова: лазерное раскалывание, стеклянная пластина, оптимизация, MOGA, ANSYS
Ссылка для цитирования: Никитюк Ю.В., Середа А.А., Сердюков А.Н., Шалупаев С.В., Аушев И.Ю. Оптимизация параметров двухлучевого ассиметричного лазерного раскалывания силикатного стекла // Оптический журнал. 2023. Т. 90. № 6. С. 15–24. http://doi.org/10.17586/1023-5086-2023-90-06-15-24
Код OCIS: 350.3390.
Parameters optimization of silicate glass two-beam asymmetric laser splitting
Yuri Nikityuk1*, Andrey Sereda2, Anatoly Serdyukov3, Sergey Shalupaev4, Igor Aushev5
1, 2, 3, 4Francisk Skorina Gomel State University, Gomel, Republic of Belarus
5University of Civil Protection of the Ministry for Emergency Situations of the Republic of Belarus, Minsk, Republic of Belarus
1nikitjuk@gsu.by https: //orcid.org/0000-0002-4405-644X
2sereda@gsu.by https://orcid.org/0000-0001-9718-2311
3serdyukov@gsu.by https: //orcid.org/0000-0002-8068-4224
4shalupaev@gsu.by https://orcid.org/0000-0002-7413-4605
5ai@ucp.by https://orcid.org/0000-0003-4425-2085
Abstract
Subject of study. Optimization of parameters of non-through oblique cracks in the process of two-beam laser asymmetric cracking of silicate glasses based on metamodeling. The purpose of the work. Development of models for the selection of optimal technological modes for applying inclined cracks during laser splitting of silicate glass with specified parameters, increasing the efficiency of the process of creating rounded edges during two-beam asymmetric laser splitting of glass products. Method. Multi-criteria search for optimal technological regimes of laser processing using the MOGA genetic algorithm for the formation of rounded edges with specified geometric parameters in glass products. Main results. The calculation of the geometric parameters of inclined cracks, temperatures and thermoelastic stresses was performed using the APDL programming language of the ANSYS program. For the numerical experiment, a face-centered version of the central compositional plan of the experiment was used. The experimental plan was formed for four factors (P1–P4): the laser radiation power of the YAG laser, the radiation wavelength of which is 1.06 µm; laser radiation power of a CO2 laser, the radiation wavelength of which is 10.6 µm; shifting the center of the YAG laser beam relative to the center of the CO2 laser beam in a direction perpendicular to the material processing line; the speed of movement of laser beams and coolant along the material processing line. The maximum values of temperature and thermoelastic stresses in the laser treatment zone, as well as the geometric parameters of the inclined crack induced by laser radiation, were used as responses. The influence of technological regimes of material processing (factors P1–P4) on the geometrical parameters of an inclined crack has been evaluated. The most significant technological parameters of glass products processing, which affect the maximum temperatures that occur in the material during laser thermal splitting, are the processing speed and the power of laser radiation with a wavelength of 10.6 µm. Significant parameters that affect the magnitude of thermoelastic stresses are the processing speed and the power of laser radiation with a wavelength of 1.06 µm. In this case, the geometric characteristics of inclined cracks depend significantly on the radiation power of the YAG laser and on the displacement of the center of the beam of this laser relative to the center of the CO2 laser beam. Using the TensorFlow package, an artificial neural network was created, the training and testing of which was carried out on samples formed when solving the corresponding problems by the finite element method in the ANSYS program. The results of determining the output parameters using a neural network model and a model created using the nonparametric regression method are compared. The following criteria were used to optimize asymmetric glass cracking: maximum tensile stresses and maximum processing speed for given values of the oblique crack parameters. The use of the genetic algorithm ensured the maximum relative error of the results, not exceeding 9% when determining temperatures and 12% when determining thermoelastic stresses. The relative error in determining the values of the geometric parameters of inclined cracks did not exceed 20%. Practical significance. The proposed technique makes it possible to determine the technological regimes for the formation of laser-induced non-through oblique cracks with specified geometric parameters.
Keywords: laser splitting, glass plate, optimization, MOGA, ANSYS
For citation: Nikityuk Yu.V., Sereda A.A., Serdyukov A.N., Shalupaev S.V., Aushev I.Yu. Parameters optimization of silicate glass two-beam asymmetric laser splitting [In Russian] // Opticheskii Zhurnal. 2023. V. 90. № 6. P. 15–24. http://doi.org/10.17586/1023-5086-2023-90-06-15-24
OCIS сodes: 350.3390.
Список источников
1. Lumley R.M. Controlled separation of brittle materials using a laser // Am. Ceram. Soc. Bull. 1969. V. 48. P. 850–854.
2. Мачулка Г.А. Лазерная обработка стекла. М.: Сов. радио, 1979. 136 с.
3. Kondratenko V.S. Method of splitting non-metallic materials // Pat. US № 5609284. 1997.
4. Nisar S., Li L., Sheikh M. Laser glass cutting techniques — a review // Journal of Laser Applications. 2013. V. 25. № 4. P. 042010-1–042010-11. https://doi.org/10.2351/1.4807895
5. Кондратенко В.С., Наумов А.С. Способ притупления острых кромок изделий // Пат. РФ № 2426700. 2009.
6. Никитюк Ю.В., Сердюков А.Н., Аушев И.Ю. Оптимизация двухлучевого лазерного раскалывания силикатного стекла // Оптический журнал. 2022. Т. 89. № 2. С. 80–86. https://doi.org/10.17586/1023-5086-2022-89-02-80-86
7. Junke J., Xinbing W. Cutting glass substrates with dual-laser beams // Optics and Lasers in Engineering. 2009. V. 47. № 7–9. P. 860–864. https://doi.org/10.1016/j.optlaseng.2008.12.009
8. Сысоев В.К., Вятлев П.А., Чирков А.В. и др. Концепция двухлазерного термораскалывания стеклянных элементов для космических аппаратов // Вестник «ФГУП НПО им. С.А. Лавочкина». 2011. № 1. С. 38–44.
9. Zhao C., Zhang H., Yang L., Wang Y., Ding Y. Dual laser beam revising the separation path technology of laser induced thermal-crack propagation for asymmetric linear cutting glass // International Journal of Machine Tools and Manufacture. 2016. V. 106. P. 43–55. https://doi.org/10.1016/j.ijmachtools.2016.04.005.
10. Сердюков А.Н., Шалупаев С.В., Никитюк Ю.В., Середа А.А. Моделирование процесса двулучевого асимметричного термораскалывания хрупких неметаллических материалов // Известия Гомельского государственного университета им. Ф. Скорины. 2011. № 6 (69). С. 124–127.
11. Агалаков Ю.Г., Бернштейн А.В. Сокращение размерности данных в задачах имитационного моделирования // Информационные технологии и вычислительные системы. 2012. № 3. С. 3–17.
12. Koziel S., Leifsson L. Surrogate-based modeling and optimization. Applications in engineering. New York: Springer, 2013. 412 р. https://doi.org/10.1007/978-1-4614-7551-4
13. Jiang P., Zhou Q., Shao X. Surrogate model-based engineering design and optimization. Singapore: Springer, 2020. 240 р. https://doi.org/10.1007/978-981-15-0731-1
14. Kadri M.B., Nisar S., Khan S.Z., Khan W.A. Comparison of ANN and finite element model for the prediction of thermal stresses in diode laser cutting of float glass // Optik — International Journal for Light and Electron Optics. 2015. V. 126. № 19. P. 1959–1964. http://doi.org/10.1016%2Fj.ijleo.2015.05.033
15. Nikitjuk Y.V., Serdyukov A.N., Aushev I.Y. Determination of the parameters of two-beam laser splitting of silicate glasses using regression and neural network models // Journal of the Belarusian State University. Physics. 2022. V. 1 P. 35–43. https://doi.org/10.33581/2520-2243-2022-1-35-43
16. Головко В.А., Краснопрошин В.В. Нейросетевые технологии обработки данных: Учеб. пособие. Минск: БГУ, 2017. 263 с.
17. Chollet F. Deep Learning with Python. N.Y.: Manning, 2018. 400 p.
18. Бессмельцев В.П., Булушев Е.Д. Оптимизация режимов лазерной микрообработки // Автометрия. 2014. Т. 50. № 6. С. 3–21.
19. Parandoush P., Hossain A. A review of modeling and simulation of laser beam machining // International Journal of Machine Tools and Manufacture. 2014. V. 85. P. 135–145. https://doi.org/10.1016/j.ijmachtools.2014.05.008
20. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. М.: ФИЗМАТЛИТ, 2003. 432 с.
21. Красновская С.В., Напрасников В.В. Обзор возможностей оптимизационных алгоритмов при моделировании конструкций компрессорно-конденсаторных агрегатов методом конечных элементов // Весцi Нацыянальнай акадэмii навук Беларусi. Серыя фiзiка-тэхнiчных навук. 2016. № 2. С. 92–98.
22. Fonsecay C., Flemingz P. Genetic algorithms for multiobjective optimization: Formulation discussion and generalization // In Proceedings of The 5th International Conference on Genetic Algorithms. CA, USA. San Francisco: Morgan Kaufmann Publishers Inc., 1993. P. 416–423.
23. ANSYS [Электронный ресурс] / Официальный сайт компании ANSYS. Режим доступа: https://www.ansys.com/ (дата обращения 21.11.2022)
24. Моргунов А. П., Ревина И. В. Планирование и анализ результатов эксперимента. Омск: Изд-во ОмГТУ, 2014. 343 с.
References
1. Lumley R.M. Controlled separation of brittle materials using a laser // Am. Ceram. Soc. Bull. 1969. V. 48. P. 850–854.
2. Machulka G.A. Laser processing of glass. M.: Sov. radio, 1979. 136 p.
3. Kondratenko V.S. Method of splitting non-metallic materials // Pat. US № 5609284. 1997.
4. Nisar S., Li L., Sheikh M. Laser glass cutting techniques — a review // Journal of Laser Applications. 2013. V. 25. № 4. P. 042010-1–042010-11. https://doi.org/10.2351/1.4807895
5. Kondratenko V.S., Naumov A.S. The method of blunting the sharp edges of products // Pat. RF No. 2426700. 2009.
6. Nikityuk Yu.V., Serdyukov A.N., Aushev I.Yu. Optimization of two-beam laser cleavage of silicate glass // Journal of Optical Technology. 2022. V. 89. № 2. P. 121–125. https://doi.org/10.1364/JOT.89.000121
7. Junke J., Xinbing W. Cutting glass substrates with dual-laser beams // Optics and Lasers in Engineering. 2009. V. 47. Iss. 7–9. P. 860–864. https://doi.org/10.1016/j.optlaseng.2008.12.009
8. Sysoev V.K., Vyatlev P.A., Chirkov A.V. et al. Concept of two-laser thermal splitting of glass elements for space vehicles // Bulletin “FSUE NPO im. S.A. Lavochkin». 2011. № 1. P. 38–44.
9. Zhao C., Zhang H., Yang L., Wang Y., Ding Y. Dual laser beam revising the separation path technology of laser induced thermal-crack propagation for asymmetric linear cutting glass // International Journal of Machine Tools and Manufacture. 2016. V. 106. P. 43–55. https://doi.org/10.1016/j.ijmachtools.2016.04.005.
10. Serdyukov A.N., Shalupaev S.V., Nikityuk Yu.V., Sereda A.A. Simulation of the process of two-beam asymmetric thermal splitting of brittle non-metallic materials // Izvestiya of the Francisk Skoryna Gomel State University. 2011. № 6 (69). P. 124–127.
11. Agalakov Yu.G., Bernstein A.V. Data dimension reduction in simulation modeling problems // Information Technologies and Computing Systems. 2012. № 3. P. 3–17.
12. Koziel S., Leifsson L. Surrogate-based modeling and optimization. Applications in engineering. New York: Springer, 2013. 412 р. https://doi.org/10.1007/978-1-4614-7551-4
13. Jiang P., Zhou Q., Shao X. Surrogate model-based engineering design and optimization. Singapore: Springer, 2020. 240 р. https://doi.org/10.1007/978-981-15-0731-1
14. Kadri M.B., Nisar S., Khan S.Z., Khan W.A. Comparison of ANN and finite element model for the prediction of thermal stresses in diode laser cutting of float glass // Optik — International Journal for Light and Electron Optics. 2015. V. 126. № 19. P. 1959–1964. http://doi.org/10.1016%2Fj.ijleo.2015.05.033
15. Nikitjuk Y.V., Serdyukov A.N., Aushev I.Y. Determination of the parameters of two-beam laser splitting of silicate glasses using regression and neural network models // Journal of the Belarusian State University. Physics. 2022. V. 1 P. 35–43. https://doi.org/10.33581/2520-2243-2022-1-35-43
16. Golovko V.A., Krasnoproshin V.V. Neural network technologies for data processing: Proc. allowance. Minsk: BGU, 2017. 263 p.
17. Chollet F. Deep Learning with Python. N.Y.: Manning, 2018. 400 p.
18. Bessmeltsev V.P., Bulushev E.D. Optimization of laser micromachining modes // Avtometriya. 2014. V. 50. № 6. P. 3–21.
19. Parandoush P., Hossain A. A review of modeling and simulation of laser beam machining // International Journal of Machine Tools and Manufacture. 2014. V. 85. P. 135–145. https://doi.org/10.1016/j.ijmachtools.2014.05.008
20. Emelyanov V.V., Kureichik V.V., Kureichik V.M. Theory and practice of evolutionary modeling. M.: FIZMATLIT, 2003. 432 p.
21. Krasnovskaya S.V., Naprasnikov V.V. A review of the possibilities of optimization algorithms in modeling the structures of compressor-condensing units by the finite element method // Vesti National Academy of Sciences of Belarus. Physics and technical sciences series. 2016. № 2. P. 92–98.
22. Fonsecay C., Flemingz P. Genetic algorithms for multiobjective optimization: Formulation discussion and generalization // In Proceedings of The 5th International Conference on Genetic Algorithms. CA, USA. San Francisco: Morgan Kaufmann Publishers Inc., 1993. P. 416–423.
23. ANSYS [Electronic resource] / Official site of the ANSYS company. Access mode: https://www.ansys.com/ (accessed 11/21/2022)
24. Morgunov A.P., Revina I.V. Planning and analysis of experimental results. Omsk: Publishing House of OmGTU, 2014. 343 p.
25. Santner T.J., Williams B.J., Notz W.I. The design and analysis of computer experiments. NY: Springer New York, 2003. 285 p. https://doi.org/10.1007/978-1-4757-3799-8.
