Power lies in the water / Cristoph Hinse in KUNSTSTOFFE INTERNATIONAL, Vol. 108, N° 5 (05/2018)  

[article]  inKUNSTSTOFFE INTERNATIONAL > Vol. 108, N° 5 (05/2018) . - p. 26-29 Titre : Power lies in the water : Fluid-assisted injection molding and its simulation : the combination for improved efficiency Type de document : texte imprimé Auteurs : Cristoph Hinse, Auteur ; Nuno Ribeiro Simões, Auteur ; Stefan Hofmann, Auteur ; Christian Hopmann, Auteur ; Matthias Theunissen, Auteur Année de publication : 2018 Article en page(s) : p. 26-29 Langues : Anglais (eng) Catégories : Matières plastiques -- Moulage par injection assisté par gaz Matières plastiques -- Moulage par injection assistée par eau Matières plastiques -- Refroidissement Simulation par ordinateur Température -- Contrôle Index. décimale : 668.4 Plastiques, vinyles Résumé : Short product lifecycles and high demands on injection molded parts require efficient product development methods. Besides new process management strategies, simulation is an important component at an early stage of product and mold development. This article validates the simulation of the water-assisted injection molding technique, compares two fluid-assisted injection molding techniques (FAIM) and presents a typical practical application. Note de contenu : - Residual wall thickness as quality feature - Validation of the simulation with a comparison of the cooling efficiency of WAIM vs GAIM - Practical decision-making aid : which process is suitable ? - Simulating the grip for the thermomix - Fig. 1 : Simulation of the media line with water bubble and distribution of the measurement positions and measurement points of the residual wall thicknesses over the cross-section - Fig. 2 : Comparison between reality and simulation with the aid of the redidual wall thicknesses (T, L, B, R), eccentricity (E) and the area ratio of the displaced molten core (A) for MP2 and MP 3, indicating the 3δ range - Fig. 3 : Numerical comparison of the cooling efficiency of WAIM and GAIM indicating the sensor position on the media line for the measurement - Fig. 4 : Because of its digital capabilities, the Thermomix has become known as the 'iPhone from Wuppertal" - Fig. 5 : Movable moldhalf (AS), stationary mold half (DS) with slide elements show open - Fig. 6 : Overview of the simulation model with temperature-control system, cold runner, cavity and overspill cavity. Simulating the grip for the mixing bowl of the Thermomix, showing the water bubble in the part overspill cavity En ligne : https://drive.google.com/file/d/1AESrj4NnIvwaScDcPOFwCkj1OUSJhMOa/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=30598 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
19890	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Process reliability with projectile / Christian Hopmann in KUNSTSTOFFE INTERNATIONAL, Vol. 103, N° 12 (12/2013)  

[article]  inKUNSTSTOFFE INTERNATIONAL > Vol. 103, N° 12 (12/2013) . - p. 45-48 Titre : Process reliability with projectile Type de document : texte imprimé Auteurs : Christian Hopmann, Auteur ; Matthias Theunissen, Auteur Année de publication : 2013 Article en page(s) : p. 45-48 Note générale : Bibliogr. Langues : Anglais (eng) Index. décimale : 668.4 Plastiques, vinyles Résumé : Liquid-conveying conduits. The projectile injection technology is a process variant of the fluid injection technology with which highly integrated hollow moldings can be produced. The use of a projectile allows tubular parts to be produced with good surface finishes and low residual wall thicknesses. The projectile used has a great influence on the part quality. Note de contenu : - Conventional fluid injection technology and PIT - A comparison - Shorter cooling times and higher process reliability - Influence of projectile on residual wall thickness distribution - Possibilities and limitations of PIT En ligne : https://drive.google.com/file/d/1ount6Cf2zlJ_Gr8aPgUVj2eIgqvo2leg/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=20201 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
15844	-	Périodique	Bibliothèque principale	Documentaires	Disponible

Process set-up through machine learning / Christian Hopmann in KUNSTSTOFFE INTERNATIONAL, Vol. 108, N° 6 (06-07/2018)  

[article]  inKUNSTSTOFFE INTERNATIONAL > Vol. 108, N° 6 (06-07/2018) . - p. 25-30 Titre : Process set-up through machine learning : Purposefully selected injection molding parameters from simulations and practical experiments Type de document : texte imprimé Auteurs : Christian Hopmann, Auteur ; Matthias Theunissen, Auteur ; Jens Wipperfürth ; Julian Heinisch Année de publication : 2018 Article en page(s) : p. 25-30 Langues : Anglais (eng) Catégories : Apprentissage automatique L'apprentissage automatique (en anglais : machine learning, litt. "apprentissage machine"), apprentissage artificiel ou apprentissage statistique est un champ d'étude de l'intelligence artificielle qui se fonde sur des approches mathématiques et statistiques pour donner aux ordinateurs la capacité d'"apprendre" à partir de données, c'est-à-dire d'améliorer leurs performances à résoudre des tâches sans être explicitement programmés pour chacune. Plus largement, il concerne la conception, l'analyse, l'optimisation, le développement et l'implémentation de telles méthodes. (Wikipedia) Industrie 4.0 Le concept d’Industrie 4.0 correspond à une nouvelle façon d’organiser les moyens de production : l’objectif est la mise en place d’usines dites "intelligentes" ("smart factories") capables d’une plus grande adaptabilité dans la production et d’une allocation plus efficace des ressources, ouvrant ainsi la voie à une nouvelle révolution industrielle. Ses bases technologiques sont l'Internet des objets et les systèmes cyber-physiques. Matières plastiques -- Moulage par injection Index. décimale : 668.4 Plastiques, vinyles Résumé : Machine learning methods have great potential in production – however, so far only a few concrete application examples exist. For the process set-up in injection molding, machine learning enables objective and specifically optimized parameter settings. Neural networks and a combination of simulations and practical experiments help to find suitable models for the parameter optimization as quickly as possible and independently of the experience of the operator. Note de contenu : - Experience is indispensable - Combination of both works as a solution ? - Machine learning methods - Data basis with simulations as digital shadows - Identificatioin of suitable regression models - Neural networks provide more flexibility - Combined learning reduces the experimental effort - Fig. 1 : Principle of the combined learning approach based on experiments and simulation. First, simulation data is used to build an appropriate model. The model is consecutively refined by experimental data - Fig. 2 : In injection molding experiments and simulations examined test specimens. Besides the part weight, two dimensions have been selected as quantifiable quality criteria - Fig. 3 : Development of part weights during a central composed design of experiments. The effects of single parameters can be modeled accurately by the simulation whereas the total values of some parameters are over- or underrated - Fig. 4 : Prediction errors for regression models averaged over all quality criteria. GPR are among the best performing models for both test specimens - Fig. 5 : Prediction errors of ANN averaged over all quality criteria. The horizontal axes label indicates the number of neurons in each hidden layer - Fig. 6 : Prediction errors for ANN, separated by quality criteria and data type. The model qualities for the simulation are on a higher level than for the experimentally determined data - Fig. 7 : Influence of a pre-training on the prediction error of ANN during data reduction. If fewer experimental data is used, the pre-training makes a difference En ligne : https://drive.google.com/file/d/1GFReJ8qi7J01RKLTR8a4qIYg28fYlqUJ/view?usp=drive [...] Format de la ressource électronique : Pdf Permalink : https://e-campus.itech.fr/pmb/opac_css/index.php?lvl=notice_display&id=31026 [article]

Réservation

Réserver ce document

Exemplaires (1)

Code-barres	Cote	Support	Localisation	Section	Disponibilité
20081	-	Périodique	Bibliothèque principale	Documentaires	Disponible

---

1 (1 - 3 / 3)