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。
Q为什么要使用？
A：
l几何模型的处理
l花费很多时间
l经常性设计变更
l需要一定的行业知识
Q实现什么？
A：
l快速决策
l预测设计变更的结果
l快速且高效
Q谁将受益？
A：
l设计工程师
l仿真工程师
l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。
