以上為資料預覽概圖，下載文件后為壓縮包資料文件。【清晰，無水印，可編輯】dwg后綴為cad圖，doc后綴為word格式，需要請自助下載即可，有疑問可以咨詢QQ 197216396 或 11970985
通過有限元分析和神經網絡法對多型腔模的流道和澆口系統(tǒng)參數的設計
通過有限元分析和神經網絡法對多型腔模的
流道和澆口系統(tǒng)參數的設計
K.S. Lee
Department of Mechanical Engineering, Chien Kuo Institute of Technology,
Changhua, Taiwan 500, R.O.C.
E-mail: kingsun@ckit.edu.tw
Tel.: +886-4-7111111 Fax: +886-4-7111137
摘 要：橫澆道和澆口系統(tǒng)的設計是重視實現一個成功的注塑成型過程。本研究的受試者是有限元和施加到多腔注射模具的分析溯神經網絡的方法。為了選擇最佳的熱流道系統(tǒng)參數，以減少注射模具的翹曲，有有限元法，田口的方法和溯網絡的使用。這些方法應用到訓練溯神經網絡。一旦橫澆道和澆口系統(tǒng)參數被開發(fā)，該網絡可以被用來準確地預測多注射模具的翹曲。模擬退火（SA）和優(yōu)化算法的性能指標，然后應用到神經網絡以查詢澆口和流道系統(tǒng)參數。這種方法獲得一個滿意的結果與相應的有限元驗證比較。
關鍵詞：溯神經網絡；多腔；模擬退火
1 引言
由于注塑成型的生產速度高，產品周期短，廢鋼比例低，以及優(yōu)良的產品表面和復雜形狀的成型加工容易，使其成為行業(yè)中最重要的加工工藝之一。在生產過程中，熔融的聚合物在高流速注入到模具腔中。對于更高質量的不斷需求導致人們在在產品的物理性能的分析方面很感興趣。
澆道和澆口系統(tǒng)的主要功能是將熔融金屬進入模具并通過模具型腔的所有部分。不好的澆口設計可以導致如氣孔，縮孔缺陷，流線冷關上，和表面質量差。用適當的澆道和澆注系統(tǒng)的設計，可以控制灌裝模式（例如焊接線的位置），防止過度包裝，減少成型件故障的發(fā)生率，并提高生產效率。通過改進的澆道和澆口系統(tǒng)設計來優(yōu)化模具的填充圖案，這是非常重要的。
在過去，通過試驗和錯誤來典型地設計橫澆道和注射模具的澆注系統(tǒng)與多空腔，直到多空腔被正確地填充無短射或其他缺陷為止。減少在設計階段的成本和時間，來模擬包含殘余應力的注塑部件的收縮率是非常重要的。在這項研究中，對澆注系統(tǒng)設計的收縮率進行預測的綜合仿真程序和神經網絡被作為注塑計算機輔助工程的一部分。
1.1 文獻綜述
最近,對澆注系統(tǒng)的研究包括了越來越多的優(yōu)化算法的論文，重點是產生程序，以協助設計師在模具和零件設計的工作。Li[1]提出優(yōu)化流道設計的自動優(yōu)化理論與流動/熱模擬程序整合的可行途徑。Shamsuddin[2]利用網絡和FORTRAN模擬流道和澆口系統(tǒng)有四個門。分支通向柵極和模具腔的角分別為40?90°。Hu[ 3 ]將數值模擬技術應用于流道優(yōu)化澆注系統(tǒng)。由Lin[ 4 ]定義的最佳位置與質量功能，包括溫差確定的最佳位置，過度包裝和摩擦生熱條款。Jong和Wang[ 5 ]介紹了一個基于流模擬澆注系統(tǒng)的優(yōu)化設計。
該溯神經網絡分析方法以C語言程序的形式用于仿真技術。它已經表明，在溯網絡的預測精度比傳統(tǒng)網絡[ 6 ]高多了?；谒菟萆窠浄治鼋＜夹g是能夠代表注射分析結果和澆注系統(tǒng)的設計之間的復雜的、不確定的關系。它表明了經紗和轉輪，以及澆注系統(tǒng)參數可以與基于開發(fā)的網絡上合理的精確度來預測。
1.2 研究設計和仿真步驟
本研究的目的是利用CAD / CAE軟件系統(tǒng)模擬注塑成型的設計過程，并推導出的澆口和流道系統(tǒng)參數的注射過程的最優(yōu)解集。這個模擬開始使用CAD軟件（如Pro / Engineer的）來創(chuàng)建一個注射部位的模型。接著，將有限元包（即模流/ MPI3.1版[7]系統(tǒng)）來分析注塑加工的多注塑模具的條件。
本研究采用有限元和神經網絡建立流道參數關系及澆注系統(tǒng)的參數，以找到關系方程。它提供了基于技術開發(fā)和應用模擬的理論基礎。
有限元仿真后，溯網絡方程建立翹曲和澆口澆注系統(tǒng)參數模型之間的關系。通過使用溯建模技術，輸入和輸出變量之間的復雜的和不確定的關系，可以將其配制成一種有用的數學模型。為以后的推導，該模型將被視為一個黑盒子來表示注射成型的過程中，具有可調參數來操縱模型的整體性能。
一旦網絡模型，輸入和輸出的澆注參數變量之間的關系變得明顯。建立了一種算法來優(yōu)化尋找最佳的參數與性能指標的過程。在這個階段，運用模擬退火算法[ 8 ]采用。模擬退火算法是類似于用于最小化的性能指標的材料的退火工藝。
2 問題的配方
2.1 注塑模具流動過程：
主要模具流動方程被分成三個部分，如下所示：
(A) 在充填階段，模腔填充有在高壓下熔融的塑性流體。因此，控制方程包括：
(1) 連續(xù)性方程，塑性變形或形狀變化在填充過程伴隨著流動的，但質量守恒。
(2) 動量方程，牛頓的塑性流動產生的第二定律推導一貫的激情（加速狀態(tài)）或力平衡。
(3)能量方程，這是節(jié)約的流動材料的系統(tǒng)和法律的能量守恒，如果是不可壓縮的流體。
(B) 保壓分析。保壓過程是，把壓力保持后在模腔中填充以注入更多的塑料在冷卻以補償收縮。
(C) 冷卻和翹曲分析。冷卻過程中的分析是討論塑料的流動分布和熱傳導的關系。
同質模具溫度，填充序列遵循亞軍系統(tǒng)和門控設計的優(yōu)化，并會因產品的收縮。如果流路徑是不平衡，或溫度分布的分布不均勻，有對翹曲發(fā)生的傾向。
2.2 仿真參數及田口方法
經過有限元模型的制訂，需要一個溯網絡結構，利用Moldflow軟件/ MPI系統(tǒng)的結果來確定。在這個階段中，驗證數據集被施加到輔助在網絡的配置。這將確保網絡正常訓練，以避免過度訓練或訓練不足，因不良的拓撲數據集。
為了提供一個合適的數據集來訓練相關溯網絡模型，田口的方法被使用。田口方法結合工程和統(tǒng)計數據，以提供改善成本和質量。它是一種眾所周知的方法，以優(yōu)化過程和產品的設計開發(fā)。不同于傳統(tǒng)的質量控制，其目的是消除變化的原因，田口方法是基于一個更好的方法來提高質量是通過系統(tǒng)地減少階乘模擬次數的概念。在這項研究中，參數是針對彼此平衡，以提供一個“最佳”，其中兩個過程和產物發(fā)生在一個可接受的水平。
本研究的目的是確定在哪個以減少翹曲的最佳澆口和流道系統(tǒng)的設置。被選中的幾個參數進行模擬，如：（1）模腔中，（2）噴射部卷，（3）澆口直徑，（4）轉輪直徑，澆口直徑等于轉輪直徑如圖1。一個L327正交入選仿真（表1，表2）。對于每個27試驗中，生成的質量特性。
2.3 溯網絡綜合評價
神經網絡，作為一類車型，而備受關注過程工程在過去十年中，由于其創(chuàng)建復雜流程的能力，以及其快速執(zhí)行和再培訓能力。在一個溯網絡，一個復雜的系統(tǒng)可以被分解為分組為利用多項式函數節(jié)點幾層較小，較簡單的子系統(tǒng)。建議Ivakhnenko[9]多項式網絡是數據處理（GMDH）技術的一組方法。這些節(jié)點評估輸入的有限數目的多項式函數，并產生作為一個輸入到下一層的后續(xù)節(jié)點的輸出。在一個多項式函數節(jié)點的一般多項式函數可以表示如下：
（1）
其中xi，xJ，xK是輸入，y0為輸出，和B0，Bi，Bij的，Bijk是多項式功能節(jié)點的系數。
在本文中，一些特定類型的多項式函數的節(jié)點被用于在不同種類的流道和澆口系統(tǒng)的預測翹曲。這些多項式函數的節(jié)點被稱為歸一化（N），整合，單倍（S），雙倍（D）和三倍（T）節(jié)點。
圖1：澆口系統(tǒng)設計參數
（Sprue Dia 直澆口直徑；Gate Dia澆口直徑; Runner Dia 流道直徑）
表1 三個層次的因素進行了正交設計
選定 一級 二級 三級
因素
A模具型腔（N）
B塑件體積（V）
C流道直徑（Rd）
D澆口直徑（Gd）
表2 模流仿真澆口流道系統(tǒng)的設計數據
次 型腔 塑件 流道 澆口
數 數 體積 直徑 直徑
它們的解釋如下：
（2）
這些節(jié)點是最大的第三次多項式方程和雙打和三倍具有交叉項（三節(jié)點），允許節(jié)點的輸入變量之間的互動。其中i1，i2，i3的前一層的輸入參數，O為節(jié)點的輸出，以及u0，u1，u2，u3...聯合國是單倍，雙倍，三倍和白色節(jié)點的系數。一個單一的節(jié)點是僅具有一個輸入參數和一個輸出參數（i1= 0，i2 = i3= 0）的方程。一個雙節(jié)點是具有兩個輸入參數和一個輸出參數的方程（i1，i2= 0，i3= 0）。三重節(jié)點是具有三個輸入參數和一個輸出參數（i1，i2，i3= 0）的方程。白色節(jié)點是有許多輸入參數和一個輸出參數的方程（i1，i2，i3...=0）。
建立一個完整的溯網絡，第一個要求是訓練數據庫。通過輸入和輸出參數給出的信息必須是足夠的。甲預測均方誤差（PSE）標準，然后用于自動地確定一個最佳的結構[10]。的PSE標準的原則是選擇最不復雜，但最準確的網絡成為可能。該PSE是由兩個方面，即：
PSE=FSE+Kp （3）
其中FSE是網絡的擬合訓練數據和Kp是網絡的復雜補償的平均平方誤差。
如下公式所示：
2σp2K
KP = CPM （4）
N
其中CPM是復雜補償因子，K是該網絡的一個系數，N是所使用的訓練數據的數量和σ2p是模型誤差方差的估計值。
3 解決問題
3.1 有限元分析
有限元模擬進行了各種流道和澆口系統(tǒng)，包括不同的卷，齲齒，轉輪直徑，澆口直徑和柵極長度為尋找最大翹曲。表3顯示在模擬材料(ABS)的物理性質。圖2是多型腔塑件的有限元網格。主要模具流動模擬被分成4部分，即有一個快速的填充過程中，保持壓力的過程中，涼爽和經紗的過程。圖3示出了有限元分析的翹曲的最終結果。
同樣，輸入參數（腔容積，澆道和澆口系統(tǒng)的參數）和輸出參數（經紗）之間的關系，當注射完成時被建立。表4在不同流道系統(tǒng)的模流仿真結果。
根據一個最佳的流道和澆口系統(tǒng)模型，三層溯網絡，由橫澆道和澆口系統(tǒng)參數和噴射結果（經紗）的發(fā)展，已自動合成。溯因網絡能夠根據不同閘流道參數，注塑桿和模腔的體積預測產品的翹曲。在這個網絡中使用的所有多項式方程列于附錄（FSE=1.2710-3，PSE=1.26×10-3）。
表5比較了根據模擬測試情況通過溯模型仿真的結果。這些測試情況沒有包括建立模型L327的設置。這組數據是用來檢測以上溯模型測試的合理性。我們可以從表5看到,最大誤差約為4%。結果表明溯模型仿真是適用的。
圖2：多型腔塑件的有限元網格
圖3：有限元建模變形結果
表3 材料的性能、熱性能
（電導率0.149500 / m /℃、比熱2213.000000 J /Kg/℃、密度949.100037kg/m3、壓射111.900002℃、無流動溫度145.300003℃）
溫度 剪切 粘度 溫度 壓力 具體的體
速率 MPa 積
3.2 模擬退火（SA）算法和選擇最佳的澆口澆道參數
Metropolis[11]提出的標準，以模擬的固體冷卻到能量平衡的一個新的狀態(tài)。使用的Metropolis基本標準是一個被稱為“模擬退火”算法。該算法是由Kirkpatrick[8]在1983年開發(fā)的。
如果所述新的目標函數變得更小，擾動過程參數被接受作為新的工藝參數和溫度在規(guī)模下降一點。表示為：
（5）
這里i表示溫度降低的指標，CT指溫度降低率(CT< 1)。
然而，如果目標函數變大，則工藝參數的允收概率將表示為：
（6）
其中kB為玻爾茲曼常數和Δobj是在目標函數中的差別。該過程反復進行，直到溫度T接近零，這表明了能級下降到其最低狀態(tài)。目標函數[obj]配制如下：
obj = w* (最小偏差，用A表示） （7）
其中w是加權函數。
在多型腔模具的澆口和流道參數應匹配的模擬數據的方法。換句話說，優(yōu)化的基本條件，應在一定范圍內下降，如下所示：
(1)從優(yōu)化所確定的流道直徑RD應比最小流道直徑RD大，比最大轉輪直徑RD小。
(2)澆口直徑GD從優(yōu)化確定應比最小的澆口直徑GD大，比最大門直徑GD小。
(3)最優(yōu)的模具型腔數N應該比最少模具數多，比最多型腔數少。
(4)從優(yōu)化所確定的噴射部分容積V應比最小噴射部分容積V大，比最大注射體積份的V小。
不等式如下所示：
最小流道直徑Rd<設計流道直徑<最大流道直徑； （8）
最小澆口直徑Gd<設計澆口直徑<最大澆口直徑； （9）
最小模具型腔數N<設計模具型腔數<最大模具型腔數； （10）
最小注射件體積V<設計注射件體積<最大注射件體積。 （11）
為了找到澆口和流道系統(tǒng)參數的最優(yōu)值的搜索例行程序期間的上限的條件應保持在一個可接受的水平。
表4 在不同流道系統(tǒng)的模流仿真結果
次數 型腔數 注射塑件 流道直徑 澆口直徑 最大翹曲
(N) 體積（V） (Rd) （Gd） (mm)
4 討論結果
該仿真是用來說明優(yōu)化的多型腔注射成型參數的過程。當重函數wn= 1，RD，GD和V是相等的進口和加權值= 1。固定腔（N）和體積（V）的模擬退火算法用于參數分別為：初始溫度Ts=100?C時，最終的溫度Te=0.0001?C時，衰減比CT =0.95，玻耳茲曼常數KS=0.00667。主要目的是從溯網絡模型和gaterunner系統(tǒng)參數得到最小翹曲。在圖5，當模腔是N= 2，以及注射部位的體積為18x18x18x1.0t毫米??，澆口直徑GD =1.82毫米是固定的，轉輪直徑的參數具有最小翹曲時的流道直徑的尺寸（RD）為2.4mm，可以發(fā)現，該經紗是0.711（最低）。在圖6，轉輪直徑RD=2.4mm，柵極直徑的參數具有最小翹曲時的澆口直徑（GD）的尺寸為1.82毫米，它可以被發(fā)現，經紗是0.711 （最低） 。
表5 神經網絡預測與有限元模擬之間的誤差
(它不包括在任何原始27集數據)
（Item 項目 set1,set2 第一、二組；Maximum error 最大誤差；Simulation method模擬方法；Mould cavity(N)模腔體積；Volume of injection part注射件體積； Runner dimension流道直徑；Gate dimension澆口直徑；Warp變形值；Absolute value絕對值；FEM (mould flow) 有限元（模流）；Neural network 神經網絡）
圖4：模擬退火研究流程圖
（set initial condition 設定初始條件 random(new conditon) 隨機(新情況下) If x is Feasible 如果x是可行的）
5 總結
本文闡述了在多型腔模具中通過溯網絡的方法來建模和優(yōu)化流道和澆口系統(tǒng)參數。本文的結論如下：
（1） 通過比較采用有限元方法和溯因網絡預測誤差的價值，我們取得了最好的熱流道系統(tǒng)和伸縮參數模型?；谒菥W絡的最佳建模，澆道系統(tǒng)參數和經紗之間的復雜關系，可以得到。
（2） 在有限元模擬模具流量誤差和優(yōu)化過程的預測值的模型之間進行比較。這一比較表明，該模型不僅適合有限元模擬模具流量，而且適合神經網路的預測?？焖俅_定最佳的流道系統(tǒng)參數的注塑成型的效率，可以成功地提高了注塑模具設計過程的準確性。
（3） 現代注塑機-尤其是在3C產業(yè)，需要更少的時間來制作精確的產品，如手機與數碼相機，相機鏡頭和手機殼。注塑模具，但是，是由注射參數的限制，只能通過單或雙腔來制造。為模塑制品具有多個空腔，調整每個空腔的噴射參數，以相同的水平是特別困難的。不合格產品的產生率是站不住腳的。的內收網絡技術，將SA被用于搜索多個型腔模具的最佳條件。其目的是為了獲得高的生產率，并達到精度滿足要求的條件下的電平。
圖5：流道直徑與最小翹曲之間的關系
（minimum warp 最低翹曲 Runner Diameter(mm) 流道直徑
圖6：澆口直徑和最小翹曲之間的關系
（Minimum War最小翹曲 Gate Diameter 澆口直徑 ）
表6 優(yōu)化選擇的理論和有限元方法相比最大翹曲值
參考文獻
[1] Li CS, Shen YK (1995) Optimum design runner system balancing ininjection moulding. Int Commun Heat Mass Transf 22(2):179–188
[2] Sulaiman S, Keen TC (1997) Flow analysis along the runner and gatingsystem of a casting process. J Mater Process Technol 63:690–695
[3] Hu BH, Tong KK, Niu XP, Pinwill I (2000) Design and optimization ofrunner and gating systems for the die casting of thin-wall magnesium telecommunication parts through numerical simulation. J Mater Process Technol 105:128–133
[4] Lin JC (2001) Optimum gate design of free-form injection mould usingthe abductive network. Int J Adv Manuf Technol 17:294–304
[5] Jong WR, Wang KK (1990) Automatic and optimal design of runnersystems in injection moulding based on the flow simulation. SPE Annual Technical Conference, pp 554–560
[6] Montgomery GJ, Drake KC, Abductive reasoning network. Neurocomputing 2:97–104
[7] Mouldflow Corporation (2001) Moldflow course map, basic modeling,mesh editing and post processing, version 3.1. Mouldflow Corporation,USA
[8] Kirkpartick S, Gelatt CD, Vecchi MP (1983) Optimization by simulatedannealing. Science 220:671–680
[9] Ivakhnenko AG (1971) Polynomial theory of complex system. IEEETrans Syst Man Cybern 1(4):364–378
[10] Barron AR (1984) In: Farlow SJ(ed) Predicted square error: a criterion forautomatic model selection, self-organizing methods in modeling: GMDH type algorithms. Dekker, New York
[11] Metropolis N, Rosenbluth A, Rosenbluth M, Teller A, Teller E (1953) Equation of state calculation by fast computing machines. J Chem Phys 21:1087–1092
14