Machine learning of shape parameterizations for extrusion dies

Abstract

Diese Arbeit befasst sich mit den Herausforderungen beim Design von Extrusionsmatrizen für die Kunststoffprofil-Extrusion, einem Verfahren, das häufig zur Herstellung von kontinuierlichen Profilen wie Rohre eingesetzt wird. Das herkömmliche Design ist iterativ und experimentell und stützt sich stark auf Expertenwissen, was es zeitaufwendig und kostspielig macht. Diese Arbeit schlägt einen maschinellen Lernansatz (ML) vor, um das Matrizendesign durch numerische Formoptimierung zu vereinfachen und die Geometrieparametrisierung der Strömungskanäle zu automatisieren und zu verbessern. Ein Variational Auto-Encoder (VAE), insbesondere eine Decoder-Only-Architektur mit Signed Distance Functions (SDF), bekannt als DeepSDF, wird verwendet, um 3D-Geometrien in einem niedrigdimensionalen latenten Raum zu erlernen und darzustellen, was eine effiziente Formmanipulation und -interpolation ermöglicht. Die kontinuierliche Darstellung von DeepSDF bietet Vorteile gegenüber diskreten Modellen, da sie glattere Formtransformationen erlaubt. Trainingsdaten werden durch Variation weniger Grundformen mittels Free Form Deformation (FFD) erzeugt, um ein breites Spektrum an Geometrien abzudecken. Die Ergebnisse zeigen, dass das Modell neue, unbekannte Formen erzeugen kann, was die Optimierung unterstützt und die Abhängigkeit von manuellen Anpassungen verringert. Dieser ML-basierte Ansatz bietet eine skalierbare und effiziente Alternative für das Matrizendesign.

This thesis addresses the challenges in designing extrusion dies for plastic profile extrusion, a process commonly used to produce continuous profiles like pipes. Traditional die design is iterative, experimental, and relies heavily on expert knowledge, making it time-consuming and costly. This work proposes a machine learning (ML) approach to streamline die design by using numerical shape optimization to automate and improve the geometry parameterization of flow channels. A Variational Auto-Encoder (VAE), specifically a decoder-only architecture with Signed Distance Functions (SDF) known as DeepSDF, is used to learn and represent 3D geometries in a low-dimensional latent space, allowing for efficient shape manipulation and interpolation. DeepSDF’s continuous representation provides advantages in parameterization over discrete models, enabling smoother shape transformations. Training data is generated by varying a few base shapes using Free Form Deformation (FFD) to achieve a broad geometric range. Results demonstrate that the model can generate new, unseen shapes, supporting further optimization and reducing reliance on manual adjustments. This ML-based approach offers a scalable, efficient alternative for extrusion die design.