Оптимизация параметров литейного моделирования
Технический кейс: «Калибровка параметров численного моделирования литейных процессов: сопоставление FLOW-3D с экспериментальными данными с помощью IOSO» / «Calibration of Casting Simulation Parameters: Matching FLOW-3D Results with Experimental Thermocouple Data via IOSO Optimization» Отрасль Автомобилестроение / Литейное производство / Вычислительная гидродинамика (CFD) Проект реализован совместно PSA Peugeot-Citroën и XC Engineering srl — итальянской компанией, специализирующейся на CFD-симуляциях и являющейся представителем Flow Science и SigmaTech в Европе. Задача Инженеры PSA Peugeot-Citroën регулярно сталкивались с двумя фундаментальными вопросами при проведении литейных симуляций в программном комплексе FLOW-3D: Насколько точными могут быть симуляции литья? Какие значения следует задавать для численных параметров — таких как коэффициент теплообмена между металлом и формой (HOBS), коэффициент теплообмена с пустотами (HFLV1), параметры затвердевания (FSCO, FSCR, TSDRG) и других? Подбор этих параметров вручную представлял собой серьёзный барьер на пути к получению точных результатов: при неверных значениях симуляции давали существенное расхождение с реальными экспериментальными данными. Исходные ограничения и сложности Физическая сложность задачи. Процесс гравитационного литья алюминия в песчаные формы включает два взаимосвязанных этапа — заполнение формы и затвердевание. Каждый из них описывается множеством взаимозависимых параметров, которые невозможно оптимизировать последовательно вручную. Большое пространство параметров. Для этапа заполнения было идентифицировано 10 независимых переменных (включая HFLV1, CLHT1, TSDRG, FSCO, ROUGH, TEMPI и четыре значения HOBS при разных температурах), для этапа затвердевания — 12 переменных с широкими диапазонами допустимых значений. Риск «обмана» оптимизатора. Мощные оптимизационные алгоритмы склонны эксплуатировать слабые места модели, находя формально «оптимальные» решения, не соответствующие физической реальности. Это потребовало предварительной доработки CFD-модели. Высокое вычислительное время. Исходная симуляция занимала около 30 часов, что делало многократный запуск для перебора параметров практически невозможным. Неопределённость экспериментальных данных. В качестве эталона использовались данные 15 термопар, размещённых в форме, с временным диапазоном от 0 до 1000 секунд. При этом допускалась погрешность ±10 °C по температуре и до 1 секунды по времени; 3 из 15 термопар были признаны недостоверными и исключены из анализа. Подход и решение Подготовка модели Перед запуском оптимизации команда XC Engineering провела комплексную доработку CFD-модели по трём направлениям: Повышение точности — для обеспечения корректного сравнения с экспериментальными данными термопар; Повышение робастности — для предотвращения выхода оптимизатора за физически осмысленные границы; Ускорение расчётов — с 30 часов до 5 часов на одну симуляцию при сохранении высокой точности, что позволило многократно увеличить число итераций оптимизации. Инструментарий Для автоматизированной оптимизации был выбран программный комплекс IOSO Optimization Technology, интегрированный с FLOW-3D. IOSO обеспечивал автоматический запуск симуляций и поиск оптимального решения в многомерном пространстве параметров без участия инженера. Математическая постановка задачи оптимизации Оптимизация проводилась в рамках двухцелевой постановки: Цель 1: минимизация суммарного отклонения температур по всем 15 термопарам в конкретный момент времени (например, t = 16 с); Цель 2: минимизация суммарного интеграла абсолютного отклонения температурных кривых от экспериментальных данных на интервале от 0 до 200 секунд. Такой подход позволил построить кривую Парето — множество оптимальных решений, отражающих все компромиссы между двумя целями. Для этапа затвердевания IOSO потребовался примерно 51 запуск CFD-модели для достижения наилучшего результата. Раздельная оптимизация этапов Этапы заполнения и затвердевания оптимизировались независимо, что позволило сосредоточиться на специфических параметрах каждой стадии процесса. Результаты По итогам оптимизации было достигнуто отличное совпадение симуляции с экспериментом на 10 из 12 термопар (2 термопары показали удовлетворительное, но не идеальное совпадение). До оптимизации расхождение с экспериментом было значительным. Анализ чувствительности параметров позволил выявить ключевые закономерности: Параметры с высоким влиянием на результат: FSCO (доля связной твёрдой фазы) — наиболее критичный параметр; оптимальное значение > 0,4; ROUGH (шероховатость стенок) — критически важен для этапа заполнения; оптимальный диапазон 0,55–0,8 × 10⁻³ м (существенно отличается от значения по умолчанию); FSCR (критическая доля твёрдой фазы) — оптимальный диапазон 0,65–0,9; CLHT1 (скрытая теплота кристаллизации) — значения из базы данных JMatPro оказались близкими к оптимальным, с поправкой не более +4% от номинала. Параметры с умеренным влиянием: TSDRG (коэффициент торможения при затвердевании): оптимальный диапазон 150–200; HFLV1 (теплообмен металл–пустота): рекомендуемый диапазон 15–25; Коэффициенты HOBS при различных температурах: важны как диапазон значений, но не требуют высокой точности настройки. Ценность для заказчика Устранение «барьера параметров». Методология оптимизации превратила непрозрачный процесс ручного подбора численных параметров в систематизированную, воспроизводимую процедуру, опирающуюся на экспериментальные данные. Практические рекомендации. Проект дал конкретные ориентиры для настройки FLOW-3D при моделировании гравитационного литья алюминия в песчаные формы — данные, которые ранее отсутствовали в открытом доступе. Освобождение инженерного времени. Использование автоматизированной оптимизации позволило инженерам заниматься другими задачами в то время, пока система самостоятельно выполняла десятки расчётов. Подтверждённая точность. Достигнутый уровень совпадения симуляций с экспериментом (10 из 12 термопар при погрешности в пределах ±10 °C) соответствует уровню «state-of-the-art» для задач данного класса и открывает возможности для надёжного прогнозирования качества литых деталей на этапе проектирования. База для дальнейших исследований. Полученные результаты сформулировали новые исследовательские вопросы: применимость параметров для высокого давления литья (HPDC), возможность упрощения табличного задания HTC, влияние модели усадки — что создаёт фундамент для последующих работ по верификации CFD-моделей в литейном производстве.
Оптимизация прибылей литейной формы для клапанной отливки
Инструмент: IOSO NM + FLOW-3D Интеграция: специальный модуль IOSOintFLOW-3D.exe Технический кейс:«Оптимизация конструкции литниковых систем в литье с использованием FLOW-3D и IOSO» / «Optimization of Risers Design in Metal Casting Using FLOW-3D and IOSO Technology» Отрасль Литейное производство. Проектирование систем питания литейных форм (прибылей) для получения плотных отливок без усадочных раковин. Задача Для существующей конструкции клапанной отливки (valve casting) с несколькими прибылями (risers) найти оптимальные геометрические параметры прибылей, обеспечивающие одновременно: Минимизацию объёма усадочных раковин внутри отливки (максимизацию плотности отливки) Минимизацию суммарного объёма прибылей (экономия металла) Исходные ограничения и сложности Усадочные раковины (shrink holes) образуются при затвердевании металла в местах, куда прибыли не обеспечивают достаточной подпитки — задача требует правильного баланса размеров прибылей Два критерия противоречат друг другу: увеличение прибылей улучшает питание отливки, но увеличивает расход металла и стоимость; уменьшение прибылей — наоборот Геометрия описана STL-файлом реальной детали; для каждого варианта размеров прибылей требуется полный расчёт затвердевания в FLOW-3D Необходимо настроить интеграцию между IOSO NM и FLOW-3D через специальный связующий модуль Подход и решение IOSO NM управляет расчётами FLOW-3D через модуль IOSOintFLOW-3D.exe, который размещается в папке с проектными файлами FLOW-3D и обеспечивает автоматический обмен данными. Входные параметры оптимизации (6 переменных): Прямоугольная прибыль: ширина xh(2), глубина yl(2), высота zh(2). Цилиндрическая и сферическая прибыли: радиус цилиндра rah(6), высота цилиндра zh(6), радиус сферы rsh(7). Ограничение: rsh(7) = rah(6) — радиус сферы равен радиусу цилиндра. Критерии: максимизация синтетического параметра synt(f*vf) — произведение доли жидкости на объёмную долю (косвенная характеристика плотности отливки); одновременно минимизация суммарного объёма прибылей, вычисляемого как синтетический параметр по формулам геометрии. Настройка проекта в IOSO NM: добавление модели FLOW-3D, указание prepin-файла, определение входных и выходных параметров, выбор функции результата (Sum для объёма усадочных раковин). Результаты Оптимальное решение найдено примерно за 300 итераций FLOW-3D. Построен фронт Парето из 20 точек. Сравнение исходной и оптимизированной геометрии прибылей: Параметр Исходная конструкция Оптимизированная Прямоугольная прибыль xh(2) 0,076 0,0485 Прямоугольная прибыль zh(2) 0,28 0,253 Радиус цилиндрической прибыли rah(6) 0,074 0,061 Высота цилиндрической прибыли zh(6) 0,185 0,155 Суммарный объём прибылей снижен примерно на 37% при одновременном уменьшении объёма усадочных раковин в отливке — что наглядно подтверждается сравнительными изображениями распределения усадочных дефектов до и после оптимизации. Ценность для заказчика Снижение объёма прибылей на 37% — прямая экономия металла на каждой отливке без ухудшения качества, а в данном случае с улучшением плотности Полная автоматизация цикла «изменение геометрии прибылей → расчёт затвердевания → оценка качества»: инженер задаёт границы параметров и запускает оптимизацию, не участвуя в каждой итерации Наличие фронта Парето позволяет выбрать компромисс между экономией металла и качеством отливки в зависимости от требований конкретного производства Встроенная интеграция IOSO NM с FLOW-3D через модуль IOSOintFLOW-3D.exe делает настройку задачи процедурной и воспроизводимой Подход применим к любым отливкам, описываемым STL-геометрией и рассчитываемым в FLOW-3D, без изменения методологии
Многокритериальная оптимизация химического состава высокотемпературных сталей
Партнёры: Florida International University и University of Texas at Arlington (США) Инструмент: IOSO NM Технический кейс: «Многокритериальная оптимизация химического состава сплавов с использованием IOSO» / «Multi-objective Optimization of Alloy Chemical Composition for Target Mechanical Properties Using IOSO Technology» Отрасль Материаловедение. Разработка жаропрочных аустенитных сталей для высокотемпературных применений — энергетика, авиация, химическая промышленность. Задача Найти оптимальный химический состав стального сплава (концентрации легирующих элементов), обеспечивающий одновременную оптимизацию нескольких конкурирующих свойств материала: Максимальная прочность на растяжение (Stress, PSI — максимизировать) Максимальная рабочая температура (T — максимизировать) Максимальное время до разрушения под нагрузкой (Hours — максимизировать) Минимальная стоимость исходных компонентов (Cost — минимизировать) Минимальная плотность сплава (Density — минимизировать) Исходные ограничения и сложности Пространство переменных: концентрации 17 легирующих элементов — C, S, P, Cr, Ni, Mn, Si, Cu, Mo, Pb, Co, Cb, W, Sn, Al, Zn, Ti — каждый из которых может присутствовать в составе или отсутствовать вовсе (дискретная переменная «да/нет») Задача имеет двухуровневую структуру: внешний оптимизатор (дискретный) перебирает возможные наборы присутствующих элементов (химическую структуру), внутренний оптимизатор находит оптимальные концентрации для каждой заданной структуры Ряд легирующих элементов (например, никель, кобальт) значительно дороже остальных — что создаёт реальный конфликт между прочностью и стоимостью Зависимость свойств сплава от состава — нелинейная многоэкстремальная функция многих переменных; аналитической модели не существует — данные берутся из экспериментальной базы или математической модели свойств сплавов Подход и решение Использована двухуровневая оптимизационная схема: Внешний дискретный оптимизатор задаёт «химическую структуру» — набор элементов, которые будут присутствовать в сплаве (каждый: да или нет). Для каждой такой структуры IOSO (внутренний оптимизатор) по базе данных или математической модели находит оптимальные концентрации этих элементов, минимизируя стоимость при заданных ограничениях на механические свойства. Результатом является множество Парето оптимальных структур и соответствующих им составов. Для демонстрации были заданы предустановленные требования: прочность ≥ 4000 PSI, рабочая температура ≥ 1800°F, время до разрушения ≥ 6000 часов. Критерии оптимизации — минимизация концентраций Cr и Ni как наиболее дорогостоящих компонентов. Результаты Получены пять оптимальных составов с разным числом компонентов (от 7 до 10 легирующих элементов), все удовлетворяющие заданным ограничениям по механическим свойствам: Число компонентов C Mn Mo Cb W Ti Cr% Ni% 10 0,529 1,21 0,065 1,344 0,199 0,014 ~31 ~20 9 0,329 0,894 0,061 1,026 0,188 0,048 ~28 ~26 7 0,527 1,21 0,021 — 0,281 0,032 ~28 ~24 9 0,506 0,879 0,053 0,839 0,37 0,001 ~25 ~35 8 0,457 0,977 0,013 1,367 0,476 0,059 ~20 ~40 Построены кривые Парето «плотность — стоимость» для разных требований к времени до разрушения (от 1000 до 7000 часов) при ограничениях Stress > 3000 PSI и Temperature > 1800°F. Кривые наглядно показывают, как ужесточение требования по долговечности смещает фронт в сторону более дорогих и плотных составов. Ценность для заказчика Замена многолетнего эмпирического подбора составов сплавов систематическим многокритериальным поиском — сокращение числа экспериментальных плавок и испытаний Инструмент позволяет одновременно учитывать стоимость, вес и механические свойства, а не оптимизировать их последовательно Метод масштабируется на любые классы сплавов: коррозионностойкие стали, жаропрочные никелевые сплавы, алюминиевые сплавы — и может учитывать дополнительные требования: коррозионную стойкость, особенности микроструктуры, режимы термообработки, технологичность Дискретная переменная «присутствие элемента в составе» позволяет исследовать не только концентрации, но и принципиальные решения о составе системы легирования
Оптимизация профиля скорости поршня в процессе литья под давлением (HPDC)
Заказчик / автор: XC Engineering srl, Италия (Stefano Mascetti) Консультант по оборудованию: Bühler AG, Швейцария — мировой лидер в производстве машин для литья под давлением Инструмент: IOSO NM + FLOW-3D Технический кейс:«Оптимизация скорости поршня в процессе литья под давлением: первая фаза заполнения «/ «Optimal Piston Velocity Profile in HPDC First-Phase Sleeve Process Using FLOW-3D and IOSO NM» Отрасль Литейное производство. Высокоскоростное литьё под давлением (HPDC — High Pressure Die Casting). Задача актуальна для всех производителей алюминиевых, цинковых и магниевых отливок, использующих машины Bühler и аналогичное оборудование. Задача Найти оптимальный профиль скорости поршня во время первой фазы заполнения камеры прессования (shot sleeve) — то есть закон изменения скорости поршня в зависимости от его положения, — обеспечивающий одновременно: Минимальное время первой фазы процесса (скорость → качество металла, меньше охлаждение и окисление) Минимальное захватывание воздуха металлическим расплавом (Air Entrainment → качество отливки, меньше пористость) Оба критерия равнозначны и при этом принципиально противоречат друг другу. Исходные ограничения и сложности Фундаментальное противоречие: быстрое движение поршня сокращает время процесса и снижает охлаждение металла, но вызывает разрушение поверхности волны и захват воздуха; медленное движение даёт гладкую поверхность волны, но увеличивает время процесса до 1,1–1,5 секунды, что означает повышенное охлаждение металла и его окисление — то есть более высокую стоимость при более низком качестве Физика процесса крайне нелинейна: волна металла движется вдоль камеры, отражается от стенок, суммируется и разрушается непредсказуемым образом Существующие одномерные и двумерные аналитические методы дают приближённое решение; трёхмерное моделирование принципиально точнее, но требует управления через оптимизатор Современные машины HPDC позволяют задавать профиль скорости поршня до 20 точками «ход–скорость», что открывает огромное пространство возможных комбинаций, недоступное ручному перебору Задача имеет сложную нелинейную топологию пространства параметров Подход и решение Связка IOSO NM + FLOW-3D: IOSO выбирает очередной профиль скорости поршня, FLOW-3D выполняет полный трёхмерный расчёт турбулентного движения металла в камере прессования и извлекает показатели качества выстрела, IOSO интерпретирует результаты и генерирует следующий вариант. Параметры задачи: 10 независимых переменных — 6 точек положения поршня и 6 соответствующих значений скорости (начальная и конечная точки фиксированы). Два критерия оптимизации: время первой фазы (1stPhaseTime) и захватывание воздуха (AirEntrained). Результат — не одна точка, а кривая Парето всех наилучших компромиссных решений. Машина для расчёта: обычный настольный компьютер. Расчёт продолжался около 4 рабочих дней при суммарном числе вызовов FLOW-3D порядка 2000. Уже после первого дня работы были найдены хорошие решения; сходимость фронта Парето достигнута к концу второго дня. В дальнейшем IOSO только уточнял и делал решения более робастными. Результаты Фронт Парето охватил широкий диапазон компромиссных решений с двумя хорошо определёнными крайними точками. Ключевой вывод по времени процесса: максимальное время первой фазы среди всех найденных оптимальных решений составило не более 0,9 секунды — это примерно на 30% быстрее, чем традиционный подход с медленным движением поршня (1,1–1,5 сек), применяемый для предотвращения разрушения волны. Для крайней точки Парето с минимальным захватыванием воздуха значение AirEntrained стремится практически к нулю. Найденный оптимальный профиль скорости поршня оказался близок к профилю, применяемому на машинах Bühler на основе производственного опыта: медленный длительный разгон → постоянная скорость → резкое ускорение в финале. Это одновременно подтверждает корректность инженерной интуиции и показывает, что найденный профиль является лучшим среди всех похожих. Дополнительная валидация: отдельная однокритериальная оптимизация (только минимизация захваченного воздуха, без ограничения на время) дала результат, отличающийся от двухкритериального расчёта лишь на 2% — это доказывает, что найденная точка Парето реально близка к абсолютному минимуму по данному критерию. Физическая интерпретация оптимального профиля: поршень управляет волной металла, постепенно увеличивая её крутизну без разрушения; при достижении критического угла — ускоряется, чтобы не дать волне упасть и образовать воздушные пузыри. Ценность для заказчика Получен научно обоснованный оптимальный закон движения поршня вместо эвристических правил — с полным описанием компромисса между скоростью процесса и качеством отливки Процесс на 30% быстрее традиционного «медленного» подхода при сопоставимом качестве поверхности — прямая экономия на времени цикла и температуре металла Фронт Парето из нескольких десятков точек позволяет оператору осознанно выбирать настройку машины под конкретные требования производства Трёхмерное моделирование в FLOW-3D позволяет точнее предсказать критический угол разрушения волны, чем упрощённые 1D/2D методы — решение ближе к физическим пределам Подход применим к конкретным конструкциям литниковых систем; для общего случая рекомендуется дополнить задачей Robust Design Optimization (RDO) для оценки устойчивости решения к производственным отклонениям
