캐스팅 AI 최적화

Automatic Optimization

유전 알고리즘을 기반으로 한 Cast-Designer 최적화 모듈은 '인공지능 AI' 다중 기준 비선형 최적화 입니다.

  • 다중 기준 대상 : 모든 물리적 문제, 흐름, 열, 응력, 변형, 미세구조, 재료 속성 등을 최적화 할 수 있습니다. 예를 들면, 주조 엔지니어는 수율을 최대화하고 수축을 최소화 하거나 고립 가스를 최소화 하고 충진 과정의 흐름 균형을 유지하는 목표값을 정할 수 있습니다.

  • 다중 설계와 공정 변수 : 변화할 수 있는 설계 요소, 런너 치수, 게이트 위치, 라이저 직경 등과 같은 파라메트릭 CAD 형상 변수와 주조 부품과 주입온도, 속도, HTC 와 같은 공정 매개변수도 최적화 변수로 설정할 수 있습니다.

  • Cast-Designer 최적화의 유전 알고리즘은 수축, 기포, 부피와 같은 각 최적화 값의 반복 결과를 확인한 다음 라이저 크기나 위치와 같은 설계 변수의 새로운 치수를 지능적으로 자동 설정합니다. 이런 반복은 목표가 달성될 때까지 계속됩니다.

  • ​사용자가 원하는 복잡한 수식을 입력할 수 있습니다.

33.jpg

실험 계획법 (DOE) 은 사용자가 지정한 목표에서 우수한 결과를 찾아내는데에 이상적인 변수 세트를 얻는 최적화 해석 방법입니다.

예로;

  • 수율 : 수축 기포를 최소화 하기 위해 라이저의 최적 위치와 크기를 찾기

  • 감도 : 금형 온도 증가와 절연 슬리브 추가와 같은 매개변수의 감도를 식별합니다.

  • 비용 : 더 높은 용융 온도를 유지하는 비용과 불량/생산 손실을 비교합니다.

  • ​실행 가능성 : 최적화 목표, 생산 중 제조성을 결정하고 주조의 알려진 생산 제약 조건에 맞춰 결정합니다.

프로세스의 견고성

주어진 프로세스가 견고한지 확인하기 위한 확률론적 접근 방식

예로;

​공정이 견고한지 확인하기 위해 알려진 범위 내에서 로의 온도를 변경합니다. 그 다음 원하는 양질의 부품을 얻는 동안 프로세스에서 허용되는 최대 및 최소 변동을 찾으세요.

34.jpg

타구치 DOE 기법을 이용한 변수 컴비네이션과 결과 값. 상하의 붉은 삼각형을 움직여 수치영역을 변경시켜 세심히 관찰할 수 있다.

 - HPDC 방안설계 최적화 -

설계 초안

35.jpg
36.jpg

충진 시 고립가스 발생

최적화 설정 - AI 유전 알고리즘 사용

고립가스 불량을 해소하기 위해;

  • 메인런너, 게이트, 서브런너1 (SR1), 서브런너2 (SR2) 의 단면적 최적화​​

  • K<1 이면 단면적 SR1 과 SR2 는 0 이 될 것입니다. 또한 K 는 내부 게이트 C 와 D 를 직접 조정합니다.

37.jpg

최적화 결과 (총 150 케이스 분석)

38.jpg

서브런너가 있는 결과

39.jpg

서브런너가 없는 결과

 - 중력주조 라이저 최적화 -

40.jpg
41.jpg

최적화 설정

최적화 설정 - DOE 설정 사용

타구치 기법을 통해 27 Case 분석 모델

모델당 30분에서 1시간에 해석 완료

​전체 27 Case 분석 시간 5 토큰 사용으로 3시간에 모든 케이스 해석 완료.

42.jpg

최적 결과 모델

캐스팅 수율 : 59.3%

​수축기포 부피 : 253.3

43.jpg

기포 최악 결과

캐스팅 수율 : 56.1%

​수축기포 부피 : 287.1

AI GA (유전 알고리즘) 과 실험 계획법 (DOE) 중 사용자가 원하는 방법으로 최적화를 진행할 수 있습니다.

​예로, 아래의 자동차 부품의 주조 수율과 수축 기포를 최적화 합니다. GA 방법을 사용하여 라이저 설계 변동에 따른 최적의 결과를 자동으로 알 수 있습니다.

44.jpg
제품에 관심이 있으신가요?