PhysicsAI 与 Inspire Cast 的结合：实现铸件缺陷的快速预测

影响铸造产品性能最常见的问题之一是孔隙率。虽然在压铸过程中不可能实现零孔隙率，但通过精心规划的模具设计和工艺过程控制，您可以将其降至最低。每个过程都有其去除或者减少孔隙率的方法。

检测孔隙率最流行的方法是通过 X 射线扫描、切割零件和计算机断层扫描等手段。由于气体滞留、凝固过程中补缩不足、排气不当、浇口尺寸等原因都会导致出现孔隙缺陷。

问 题 陈 述

Q、为什么要使用？

• 几何模型的处理

• 花费很多时间

• 经常性设计变更

• 需要一定的行业知识

Q、实现什么？

• 快速决策

• 预测设计变更的结果

• 快速且高效

Q、谁将受益？

• 设计工程师

• 仿真工程师

• 设计而非工艺变更

Inspire Cast 结合 PhysicsAI 工作流程

第 1 步：

收集过去执行的铸造模拟的历史数据。对充型或凝固阶段的 h3d 结果文件进行学习和训练。下图显示了用于为高压铸造工艺仿真创建的各种设计迭代的变量。

第 2 步：

在 PhysicsAI 中创建用于训练和测试的数据集。使用 Inspire Cast 的结果数据训练 PhysicsAI 的机器学习算法。定义训练变量，如深度、宽度、遍历次数和需要训练的结果类型。

第 3 步：

将未经训练的数据与经过训练的数据进行测试，以查看机器学习算法的预测准确性。通过 MAE（平均绝对误差）根据求解器验证 ML 模型。这代表了 PhysicsAI 的预测准确性。

第 4 步：

在获得令人满意的 MAE 后导入新设计模型。新设计导入在网格和单位方面应相似，以便准确预测。网格化的 FEM 文件可用于导入和预测。在预测新设计之前，请确保激活已训练的机器学习模型。然后预测新的设计。

接下来就可以利用这个训练好的模型更快地预测后续的新设计，而无需运行传统的铸造仿真。

总 结

PhysicsAI 是一款出色的工具，可以根据设计变更进行快速预测。但是，结果的准确性取决于用户经过训练的数据集。如果数据未正确训练，则新的设计预测将无法保证其准确性。因此，最好了解用于训练目的的数据类型。下面是新设计的铸造仿真结果与预测结果的对比示例。

在将新产品推向市场时，电子行业企业始终面临成本和上市时间的挑战。

今年的 ATCx Electronics 加速电子设计开发的全球线上直播会议将围绕电子行业普遍关心的问题，邀请全球知名企业的高管和研发专家探讨人工智能与仿真技术如何加速电子设计，以增强部门间的研发协作，缩短设计周期，并实现更大的业务价值。

会议时间：2024 年 9 月 26 日（周四） 15:00

会议形式：线上直播

会议语言：英语（免费提供中文同声传译）

扫码报名：

关于 Altair 澳汰尔

Altair（纳斯达克股票代码：ALTR）是计算智能领域的全球领导者之一，在仿真、高性能计算 (HPC) 和人工智能等领域提供软件和云解决方案。Altair 能使跨越广泛行业的企业们在连接的世界中更高效地竞争，并创造更可持续的未来。

公司总部位于美国密歇根州，服务于 16000 多家全球企业，应用行业包括汽车、消费电子、航空航天、能源、机车车辆、造船、国防军工、金融、零售等。

欲了解更多信息，欢迎关注公众号【Altair 澳汰尔】