机器学习赋能多孔铝型材挤压模具设计实战

经验法仍是挤出模具设计的主流手段，众多公式与准则由此衍生。另一种常见思路则是依托工程类比及过往相似案例。尽管有限元分析（FEM）能数值模拟铝挤出工艺，但受限于高昂成本与计算复杂性，其在行业内的普及度尚低。在分流组合模挤压中，流动缺陷的主因往往归咎于分流孔参数（如面积、布局）设置不当，这会引发型材严重偏移或芯轴大幅侧弯，进而导致壁厚不均。

欲达成高效的舷窗式模具设计，须确保：

1、各组件具备充足的机械强度。

2、型材段在成型全过程中维持出口流速均一。

反之，若要保障挤出流速均匀，关键设计变量涵盖：平衡端口几何形态以维持焊接室内铝流速度一致；并依据型材壁厚及其在模内的位置来优化工作带尺寸。

上述虽为核心要素，但设计中诸如断面排布、桥部形状等次要因素与决策，同样会对流量平衡产生干扰。

通行的设计准则是通过精准定位与调整分流孔尺寸，来抵消铝锭的同心速度差异。换言之，铝流需在从模首进入端口直至抵达焊接腔的全程中，于各端口实现速度与压力的均衡。一旦依此准则完成端口平衡设计，工作带的界定便相对简化，因其主要受制于型材厚度。

分流孔尺寸难题多见于多腔模具，因各孔距模心远近悬殊。模首的同心速度分布特性要求端口尺寸须依据其面积周长比及距模心距离来定夺。

分流端口设计的变量如下（见图 5）：

端口面积变量，界定流入该模区的铝料总量。

端口周长变量，左右铝料流经端口时与模具产生的摩擦阻力。

模心至端口中心的距离变量，调控端口入口面的铝料流速。鉴于腔体内速度呈同心分布，端口的绝对坐标虽非关键，但其相对模心的距离却至关重要。面积相等且关于模心对称的端口，在挤压时表现一致。

图 5。几何上定义模具端口的各类变量。

以下变量用于考量各端口对所涉挤压剖面部分的影响（参见图 6）：

受特定端口影响的型材截面面积，决定了铝料在该模区流动的难易度，进而调节进料量以维持流量平衡。

受特定接口影响的型材截面周长，界定了该区间对自由铝流的约束能力，同样起到调节进料量以平衡流量的作用。

分流孔中心与受影响型材区中心的间距，量化了该轮廓直接承受入口铝通量的程度。

图 6。考量各端口对挤压剖面影响程度的变量示意。

综上，这些全局变量将主次端口的选用问题整合进模型。总变量包含：

端口组总面积，决定流入模具的铝料总和。

端口组总周长，决定模具对铝流的整体摩擦阻力。基于机器学习的模型应用步骤如下：

首先，依据待产型材几何及设计师经验准则，规划出一组端口（此阶段机器学习模型尚未介入）。

随后，采集新设计端口集的几何数据并录入机器学习模型。

模型将展示正确的端口面积值，并与各设计端口的初始值进行比对。

依据第 3.4 节标准，参照 RMSE 所在分位数判定端口设计的适用性。

若 RMSE 处于 Q3 分位数区间或更高，则必须修订设计方案。

修订时，建议利用模型的可解释性，明确最优调整方向与方式，使变量值趋近模型理想状态。

调整后，模型将重估所有端口（若某端口变动，因总面积变量参与，其余端口模型值亦会变）。若有端口 RMSE 仍超标，需重复步骤 5 至 7，直至全部达标（参见图 2）。

调整几何以拟合模型时，通常首选两个最易控变量：端口面积或距离。鉴于其他设计条件限制，修改位置较难，故调整面积更为便捷。可以说，改变远离剖面的端口区域面积是修正几何特征的最高效手段。

图 14 展示了适用于 203 毫米容器、22000MN 压力机的四腔四孔设计型材。

设计师需据此启动模具设计。本例聚焦芯轴端口设计，虽模具设计涵盖多步，但机器学习模型已为此专门开发。

设计师首步需在支撑约束下，将型材空腔相对于模心布局。对此类型材，对称排列并以面支撑是最常见选择，因其稳定性更佳。

接着初探端口设计，需考量型材位置及端口间最小间距（10–13 毫米）。

依此标准进行首轮设计尝试：采用纵横对称布局，桥宽 12 毫米，中墙宽 10 毫米（见图 15）。

图 15。初始四腔设计方案。

针对这些初始几何，基于机器学习模型的变量值列于表 3。输入模型后得出图 16 及表 4 结果，展示了预测值、初始值间的 RMSE 及其对应分位数。

表 3。示例模具初始设计变量数值。

图 16。基于机器学习模型对初始端口的预测及各变量贡献度。

表 4。基于机器学习模型对初始端口设计的分析与建议。

结论显示：端口 1 和 2 需扩大面积以适配模型；端口 3 和 4 则需缩小面积。因进料面积变动牵涉其他变量，难以精确估算调整幅度，故需沿模型指引方向进行迭代逼近。

此时，模型可解释性助设计者做出最优决策，最大限度减少拟合端口面积所需的迭代次数。

为增大端口 1 和 2 的面积，须调整其几何形态。最简便之法是在不移动桥梁位置的前提下改造所有端口。若如此修改，仅总端口面积、距离及距型材距离等变量值会发生变更。

图 16 表明，总进料对分流孔 1 和 2 的进料值呈正向贡献，而距离及距型材距离则为负向。

然而，后两个变量并非绝对。其变化可能使目标达成更易或更难，视面积增幅而定。若决定通过缩减 10 毫米中墙来增面，距离及距型材距离数值（尤指后者）将上升，随之而来的负贡献会削弱模型指向的面积增值目标（这与初衷背道而驰）。

针对分流孔 1 和 2，决定仅通过减小圆角半径来增面，这意味着面积增加几乎不扰动距离及距型材距离变量。

反之，3 号和 4 号分流孔需缩减面积。图 16 显示，对此类孔，距离与总分流面积的贡献为正，而距型材距离贡献为负。

因此，决定通过拉伸几何形态来缩减分流孔面积、总分流面积及距离。前两者的贡献方向与修改意图一致。此情形下，距型材距离亦会缩小，并对预期修改产生轻微反向贡献。

凭借模型可解释性及简易的两步迭代，我们成功为示例模具端口定义了全新几何形状，完美契合机器学习模型（见图 17）。

图 17。依据机器学习模型指引优化后的四腔设计。

针对这些优化几何，模型变量值见表 5。输入模型后获图 18 及表 6 结果，展示了预测值、RMSE 值及其分位数。

表 5。改进版样品模具设计的变量数值。

图 18。基于机器学习模型对改进端口的预测及各变量贡献。

表 6。基于机器学习模型对改进端口设计的分析与建议。

由此可见，新设计使所有端口均能恰当融入模型，故该端口设计可视为合格。

一旦确立最优端口设计，便需定义其余元件以完结设计（见图 19）。定义时需遵循标准，确保平衡端口计算能反映挤压过程中的铝流平衡。具体设计因素与标准如下：

桥梁几何特征：

宽度 12 毫米。对此类尺寸型材，桥宽常在 12 至 14 毫米间，此数值旨在打造较宽端口（对流量不平衡更敏感）。

焊接角 25 度。该角度通常介于 20 至 30 度。取中间值既利于焊接又避免焊距过长（Valberg，2002）。

焊接腔深定为 14.5 毫米，配 4x5 毫米喂料器（常用于模具寿命期调整）。考量所选桥宽，此焊点高度属高位（Donati 和 Tomesani，2005），确保护焊过程无阻碍（Selvaggio 等，2011）（Ceretti 等，2009）。

承重长度仅依厚度（此处恒定）定义，并在顶部（Miles 等，1997）及桥下（Xue 等，2018）处缩减。

最后，零件高度经强度计算确定，以保障在压力与温度循环下的耐久性。

图 19。最终模具设计图。