基于神經(jīng)網(wǎng)絡(luò)的3D打印砂型澆注系統(tǒng)設(shè)計(jì)

供稿人：李成偉、張航 供稿單位：西安交通大學(xué)機(jī)械制造系統(tǒng)工程國(guó)家重點(diǎn)實(shí)驗(yàn)室

砂模鑄造是一種經(jīng)濟(jì)的金屬成型工藝，已被用于制造各種尺寸和復(fù)雜性的金屬零件。在金屬充型過(guò)程中，澆注系統(tǒng)可以控制型腔中的熔體流動(dòng)，可能對(duì)鑄件質(zhì)量產(chǎn)生巨大影響。使用增材制造技術(shù)可以直接成形復(fù)雜形狀的砂型，這對(duì)澆注系統(tǒng)的結(jié)構(gòu)有了更高的要求。但目前對(duì)澆注系統(tǒng)的研究都集中在試錯(cuò)實(shí)驗(yàn)、有限元方法上，速度比較慢。最近，法國(guó)國(guó)立高等工程技術(shù)學(xué)校的Ahmed Ktari等人提出了一種基于神經(jīng)網(wǎng)絡(luò)技術(shù)的3D打印砂型澆注系統(tǒng)設(shè)計(jì)的數(shù)字孿生方法。該技術(shù)工作原理為：首先進(jìn)行3D打印砂型澆注系統(tǒng)的熔體流動(dòng)模擬，之后將澆注系統(tǒng)的模擬數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò)模型。神經(jīng)網(wǎng)絡(luò)模型可以通過(guò)模擬結(jié)果調(diào)整尺寸并進(jìn)行流體速度預(yù)測(cè)，最終達(dá)到滿足要求的系統(tǒng)設(shè)計(jì)。

圖1 澆注系統(tǒng)設(shè)計(jì)的數(shù)字孿生示意圖

3D打印砂型澆注系統(tǒng)的數(shù)字孿生由一個(gè)閉環(huán)組成，該閉環(huán)包括混合機(jī)械/ 神經(jīng)網(wǎng)絡(luò)模型，大數(shù)據(jù)，數(shù)據(jù)分類/內(nèi)部設(shè)計(jì)分類模型和機(jī)器學(xué)習(xí)（如圖1所示）。使用力學(xué)模型基于經(jīng)典流體動(dòng)力學(xué)方程式模擬熔體流動(dòng)行為，并使用控制體積有限元求解動(dòng)量和能量方程式，獲得可變參數(shù)的解。將混合機(jī)械/ 神經(jīng)網(wǎng)絡(luò)模型制成雙向模型，在填充階段，模型會(huì)持續(xù)評(píng)估感測(cè)數(shù)據(jù)，以檢查它們是否在可接受的范圍內(nèi)。如果發(fā)現(xiàn)任何偏差，控制模型將通過(guò)調(diào)整其幾何尺寸來(lái)提供新的澆注系統(tǒng)設(shè)計(jì)，以避免例如型腔中的湍流熔體流動(dòng)，從而限制模具在填充階段的流速（小于0.5 m/s）。

為了驗(yàn)證3D打印砂型澆注系統(tǒng)的數(shù)字孿生的有效性,設(shè)計(jì)某鑄件的澆注系統(tǒng)，對(duì)鑄件及澆注系統(tǒng)進(jìn)行三維建模，使用ProCAST軟件對(duì)澆注過(guò)程進(jìn)行模擬，網(wǎng)格尺寸劃分為1mm，材料選擇為鋁合金EN AC-44200，導(dǎo)熱系數(shù)，比熱容和密度來(lái)自ProCAST®數(shù)據(jù)庫(kù)。之后將模擬所得的數(shù)據(jù)導(dǎo)入神經(jīng)網(wǎng)絡(luò)系統(tǒng)中進(jìn)行優(yōu)化。

對(duì)比神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)速度與有限元模擬速度。神經(jīng)網(wǎng)絡(luò)速度預(yù)測(cè)的RMSE為0.045 m/s,這證明了設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)模型可以給出令人滿意的預(yù)測(cè)值。并且更新后的速度預(yù)測(cè)的RMSE為0.031 m/s,與更新前相比可提供更好的數(shù)據(jù)預(yù)測(cè)。

因此，基于神經(jīng)網(wǎng)絡(luò)的3D打印砂型設(shè)計(jì)的數(shù)字孿生可以準(zhǔn)確預(yù)測(cè)不同澆注系統(tǒng)參數(shù)組合下的流體速度，與有限元仿真相比，這些預(yù)測(cè)可以非常快速，輕松地進(jìn)行，大大減少仿真時(shí)間。

參考文獻(xiàn)：
Ktari A , Mansori M E . Digital twin of functional gating system in 3D printed molds for sand casting using a neural network[J]. Journal of Intelligent Manufacturing, 2020(2).