Generativt designstöd av ingjutssystem för högpresterande pressgjutgods

Syfte och mål

För att möta den snabba industriella drivkraften i att tillverka både större och mer komplexa pressgjutna aluminiumkomponenter kommer projektet utveckla ett helt nytt designstöd för ingjutsdesign för pressgjutningsverktyg. Detta kommer ske genom tillämpning av fysikbaserad maskininlärning kopplat med strömningsberäkningar. Målen för projektet är följande. 1. Verifierad metod för AI baserad ingjutdesign för pressgjutning. 2. 25% kortare utvecklingstid av verktyg till pressgjutning. 3. 20% färre flödes- och gasrelaterade defekter.

Förväntade effekter och resultat

Resultatet av projektet är en validerad fysikbaserad maskininlärningsmodell som kan användas för att förutsäga och optimera processparametrar för design av ingjutssystemet för pressgjutning. Resultatet kommer främst kunna tillgodogöras av hela pressgjuteribranschen men kommer även vara applicerbar inom fler tillverkningsprocesser då metoden är generisk. Genom tillämpning av fysikbaserad maskininlärning kommer projektet bidra till ökad effektivitet, kvalitet och hållbarhet vilket på sikt också leder till stärkt konkurrenskraft.

Planerat upplägg och genomförande

Den generativa optimeringsmetoden kommer tas fram genom följande huvudaktiviteter. 1. Utveckling och validering av modell för pressgjutning strömningsmekaniska karakteristik i OpenFOAM. 2. Integrering av ML-algoritmer för optimering av ingjutssystem för pressgjutning. 3. Validering av metoden genom både virtuell och fysisk demonstrator. Resultaten kommer spridas utanför projektgruppen både genom populärvetenskapliga- och akademiska tidskrifter/konferenser.