en
Назад
DOI: 10.17586/1023-5086-2023-90-06-15-24
УДК: 621.791.78
Оптимизация параметров двухлучевого ассиметричного лазерного раскалывания силикатного стекла
Полный текст на elibrary.ru
Публикация в Journal of Optical Technology
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
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
Yuri Nikitjuk, Andrey Sereda, Anatoly Serdyukov, Sergey Shalupaev, and Igor Aushev, "Parametric optimization of silicate-glass-based asymmetric two-beam laser splitting," Journal of Optical Technology. 90(6), 296-301 (2023)
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 YAGлазера, длина волны излучения которого 1,06 мкм; мощность лазерного излучения CO2лазера, длина волны излучения которого 10,6 мкм; смещение центра пучка YAGлазера относительно центра пучка CO2лазера 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 YAGлазера и от величины смещения центра пучка этого лазера относительно центра пучка CO2лазера. 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 лазерноиндуцированных несквозных наклонных трещин с заданными геометрическими параметрами.
лазерное раскалывание, стеклянная пластина, оптимизация, MOGA, ANSYS
Коды OCIS: 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 стеклянныхэлементов 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.
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.