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

供稿人：李成偉、張航 供稿單位：西安交通大學(xué)機械制造系統(tǒng)工程國家重點實驗室

砂模鑄造是一種經(jīng)濟的金屬成型工藝，已被用于制造各種尺寸和復(fù)雜性的金屬零件。在金屬充型過程中，澆注系統(tǒng)可以控制型腔中的熔體流動，可能對鑄件質(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，這對澆注系統(tǒng)的結(jié)構(gòu)有了更高的要求。但目前對澆注系統(tǒng)的研究都集中在試錯實驗、有限元方法上，速度比較慢。最近，法國國立高等工程技術(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)計的數(shù)字孿生方法。該技術(shù)工作原理為：首先進行3D打印砂型澆注系統(tǒng)的熔體流動模擬，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)模型可以通過模擬結(jié)果調(diào)整尺寸并進行流體速度預(yù)測，最終達到滿足要求的系統(tǒng)設(shè)計。

圖1 澆注系統(tǒng)設(shè)計的數(shù)字孿生示意圖

3D打印砂型澆注系統(tǒng)的數(shù)字孿生由一個閉環(huán)組成，該閉環(huán)包括混合機械/ 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)計分類模型和機器學(xué)習（如圖1所示）。使用力學(xué)模型基于經(jīng)典流體動力學(xué)方程式模擬熔體流動行為，并使用控制體積有限元求解動量和能量方程式，獲得可變參數(shù)的解。將混合機械/ 神經(jīng)網(wǎng)絡(luò)模型制成雙向模型，在填充階段，模型會持續(xù)評估感測數(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，控制模型將通過調(diào)整其幾何尺寸來提供新的澆注系統(tǒng)設(shè)計，以避免例如型腔中的湍流熔體流動，從而限制模具在填充階段的流速（小于0.5 m/s）。

為了驗證3D打印砂型澆注系統(tǒng)的數(shù)字孿生的有效性,設(shè)計某鑄件的澆注系統(tǒng)，對鑄件及澆注系統(tǒng)進行三維建模，使用ProCAST軟件對澆注過程進行模擬，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)，比熱容和密度來自ProCAST®數(shù)據(jù)庫。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)中進行優(yōu)化。

對比神經(jīng)網(wǎng)絡(luò)預(yù)測速度與有限元模擬速度。神經(jīng)網(wǎng)絡(luò)速度預(yù)測的RMSE為0.045 m/s,這證明了設(shè)計的神經(jīng)網(wǎng)絡(luò)模型可以給出令人滿意的預(yù)測值。并且更新后的速度預(yù)測的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。

因此，基于神經(jīng)網(wǎng)絡(luò)的3D打印砂型設(shè)計的數(shù)字孿生可以準確預(yù)測不同澆注系統(tǒng)參數(shù)組合下的流體速度，與有限元仿真相比，這些預(yù)測可以非�？焖�，輕松地進行，大大減少仿真時間。

參考文獻：
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).