《Materials Today Communications》:Data-driven uncertainty process modeling and robust design of superalloy investment casting
编辑推荐:
本文针对熔模铸造中工艺参数不确定性导致产品缺陷的行业难题,提出了一种集成不确定性建模与稳健优化的数据驱动可靠性设计方法。研究团队通过量化多工序不确定性,建立了缺陷预测模型,并采用可靠性优化算法实现浇注系统稳健设计。与传统方法相比,该方法使生产率提升24.4%,失效率降低1.6±0.2%,为精密铸造提供了可推广的解决方案。
在航空航天领域,高温合金精密铸件如同飞机发动机的"骨骼",其内部质量直接决定装备性能。然而熔模铸造长达数十工序的复杂工艺链,使得浇注系统设计长期面临"确定性仿真与实际生产脱节"的行业痛点。当工程师们精心设计的浇注系统投入生产时,蜡模组装误差、壳层厚度波动、转移时间偏差等不确定性因素,往往会导致缩松(shrinkage porosity)缺陷如同幽灵般随机出现,造成大量废品。传统基于热模数法的经验设计虽能保证安全,却以过度保守的浇冒系统牺牲材料利用率;而确定性优化设计又难以抵御现实生产中的参数波动,这种"一管就死,一放就乱"的困境,成为制约高端铸件质量提升的瓶颈。
发表于《Materials Today Communications》的研究论文《Data-driven uncertainty process modeling and robust design of superalloy investment casting》针对这一难题,开创性地将数据驱动与可靠性设计相结合。研究团队以航空发动机典型构件——阶梯同心环为对象,通过量化实际生产中的六大不确定性因素,构建了MLP神经网络预测模型,并开发局部不确定性参数确定算法解决传统蒙特卡洛法收敛难题。结果表明,可靠性优化设计在提升生产率的同时,将失效率控制在0.5±0.1%,显著优于人工设定安全余量的确定性设计。这种"既大胆又稳妥"的设计范式,为多工序制造系统提供了可量化的稳健设计模板。
关键技术方法主要包括:1)基于拉丁超立方采样的多参数集成计算,通过Python控制ProCAST实现80组工艺-缺陷对应数据自动生成;2)MLP神经网络(multi-layer perceptron neural network)数据驱动建模,采用分层抽样和网格搜索优化超参数;3)可靠性设计优化(RBDO)框架,创新提出局部不确定性参数确定算法确保收敛性;4)实际生产参数统计量化,通过30组蜡模组装数据和24组浇注过程测量建立不确定性分布模型。
2.1 数据驱动建模
通过80组参数组合的集成计算,研究发现MLP神经网络在预测缩松缺陷方面表现最优,其决定系数R2达0.961±0.012(外环)和0.976±0.020(内环)。相比响应面法(RSM)和支持向量回归(SVR),MLP神经网络在保持高精度的同时避免了过拟合问题。模型响应面分析揭示:外环缩松主要受冒口尺寸主导,而内环缺陷对壳型转移时间异常敏感——这种差异源于转移过程中内外环冷却速率的不同(图4显示外环降温239°C而内环仅58°C)。
3.2 优化浇注系统
四类设计方案对比显示:经验设计(热模数法)虽保证零失效,但生产率仅38.6%;确定性优化(DDO)虽将理论生产率提升至50.4%,实际失效率高达91.1±2.4%;人工添加5mm安全余量的改进方案将失效率降至2.1±0.1%,但仍高于可靠性优化设计的0.5±0.1%。值得注意的是,可靠性设计在保持48.0%实际生产率的同时,其冒口尺寸配置更符合物理规律——外环冒口高度(39.4mm)大于直径(34.0mm),内环则呈现相反趋势,体现对异质性冷却行为的精准适应。
3.3 实验验证
数值模拟与实验验证高度吻合(图12)。确定性优化试件在6个冒口中有3个出现缩松缺陷,且缺陷位置与预测完全一致;而可靠性优化试件所有冒口均实现健全填充。解剖分析进一步证实,蜡模组装误差是导致缺陷离散性的主因——同一铸件不同冒口的尺寸波动可达±1.53mm,这种现实中的"不完美"恰恰凸显可靠性设计的工程价值。
该研究通过量化"认知不确定性"(网格离散误差)与"随机不确定性"(工艺波动),将传统"经验安全系数"转化为可计算的失效概率。其创新之处在于:一是建立制造不确定性到设计参数的映射关系,使稳健性成为可优化的目标函数;二是开发平滑化概率估算算法,解决可靠性优化收敛难题。对于航空航天、能源装备等领域的高价值铸件,即便1.6%的失效率降低,也意味着可观的质效提升。这种"用数据驱散不确定性迷雾"的方法论,为多参数耦合的复杂制造系统提供了普适性优化范式。