Du har inte javascript påslaget. Det innebär att många funktioner inte fungerar. För mer information om Vinnova, ta kontakt med oss.

Resurseffektiv design av utmattningbeständig produkt via digitala verktyg och innovativ tillverkning

Diarienummer
Koordinator Linköpings universitet - Institutionen för ekonomisk och industriell utveckling
Bidrag från Vinnova 745 000 kronor
Projektets löptid oktober 2024 - juni 2025
Status Pågående
Utlysning Impact Innovation Metals & Minerals - Programspecifika insatser
Ansökningsomgång Impact Innovation: Genomförbarhetsstudier inom tekniska insatsområden i programmet Metals and Minerals

Syfte och mål

Projektidén adresserar behovet av nya digitala verktyg som ger underlag för välinformerade beslut i syfte att att accelerera utvecklingen i produktdesignprocessen. Avsikten med projektet är att undersöka möjligheten att använda Stilfold-processen för att genom ökad utmattningsbeständighet förbättra prestandan hos en gasturbinkomponent och samtidigt minska resursåtgången. Dessutom kommer projektet att undersöka användbarheten hos utmattningsdata som samlas in från litteratur med hjälp av Ferriticos AI-drivna verktyg.

Förväntade effekter och resultat

För att koppla produktprestanda till materialegenskaper och tillverkning behövs modeller för varje steg från material till färdig produkt via tillverkning. Dessa modeller kan redan finnas, exempelvis i form av finit element-modeller som beskriver en komponent, eller vara nya så som digitala tvillingar via AI. Genom att kombinera dessa modeller kan hela produkten beskrivas inklusive inverkan från varje tillverkningssteg. Effekten av detta innebär att välinformerade beslut kan fattas snabbare, vilket positivt påverkar time-to-market och kostnader.

Planerat upplägg och genomförande

Projektet är uppdelat i 4 arbetspaket (AP): AP1: projektledning samt upprättande av plan för ett fullskaligt projekt. AP2: förslag på omkonstruktion av en komponent i gasturbinen för förbättrad utmattningsbeständighet via Stilfold-processen. AP3: strategi för datainsamling från olika källor med hjälp av Ferriticos maskininlärningsverktyg. AP4: experimentell utmattningsprovning för specialfall samt för validering.

Texten på den här sidan har projektgruppen själv formulerat. Innehållet är inte granskat av våra redaktörer.

Senast uppdaterad 13 november 2024

Diarienummer 2024-02688