数字化与仿真:重新定义可能性。从传统的多日计算转变为10秒内AI辅助预测,实现实时生产故障排除。AI辅助的聚氨酯仿真将建模时间从数天缩短至数秒。数字化材料孪生优化模具设计并预测发泡行为。在本系列的第三篇文章中,我们将探讨数字化如何与仿真结合,赋能材料开发并优化生产参数。尽管仿真技术支撑塑料加工已逾三十年,但人工智能的引入标志着一场新的革命。具体而言,这个新时代将高性能计算与机器学习相结合,把仿真时间从数天压缩至短短数秒。
为何仿真聚氨酯(PU)?聚氨酯由异氰酸酯和多元醇反应形成,通常通过反应注射成型(RIM)工艺加工。由于该过程高度复杂,制造商必须避免气泡滞留并实现均匀的密度分布。此外,工程师常需调整泡沫密度,以在单一模具内达到特定刚性水平。
在复杂的汽车零部件中,必须识别可能发生气泡滞留的位置并设置适当的排气系统。同时,环境湿度或海拔等外部条件可能要求立即调整生产设置。通过使用预测模型,加工商可以预判化学变化和固化过程,有效减少废品率。
构建材料数字孪生。仿真软件可预测仪表板的发泡过程。该模型能预测发泡过程与材料行为。图像由科思创Bayfill®技术提供。科思创等公司已开发出专有材料模型,结合强大计算能力创建发泡过程的“数字孪生”。值得注意的是,预测反应性聚氨酯流动涉及基于纳维-斯托克斯方程的多物理场计算流体动力学。因此,模型必须追踪二氧化碳生成、体积变化以及化学粘度在时空维度上的演变。
通过这个数字孪生,加工商可在早期确定最佳模具设计并定义工艺参数。如此,他们无需进行昂贵的物理实验即可校准最佳加工窗口,包括注料点、模具温度和排气布局。
如何生成数字孪生。数字材料孪生的生成遵循四步流程:配方设计:理解特定聚氨酯混合物;实验分析:研究系统在变化生产条件下的行为特征;验证校准:将模型与实际应用场景对比;优化迭代:通过高性能计算调整模型直至其反映观测行为。
新时代:人工智能与仿真融合。虽然传统数字材料孪生精度高,但可能需要数百个核心进行长达三天的计算。为解决这个问题,下一阶段目标是部署能即时预测结果的AI系统。具体而言,科思创建立了自动化工作流,为AI模型生成仿真训练数据集。
在二维试点研究中,研究人员进行了300次仿真来训练AI。最终,该AI模型现仅需10秒即可预测气泡滞留和流动前沿发展——这项任务以往需要数小时。这种速度最终实现了生产现场的实时故障排除。若操作人员遇到质量问题,可通过笔记本电脑上的AI工具在数秒内获得结果,彻底改变了塑料加工领域的决策节奏。