Aufgabe
Die Wasserinjektionstechnik (WIT) ist ein Sonderverfahren des Kunststoffspritzgusses, das Bauteile mit komplexen Hohlstrukturen erzeugt, etwa Fahrradrahmen, Griffe oder Medienleitungen. Nach der Füllung der Kavität drückt eingespritztes Wasser den noch schmelzflüssigen Kern aus dem Bauteil.
Die verbleibende Restwanddicke bestimmt die Eigenschaften des Bauteils und hängt von vielen Prozess- und Materialparametern ab. Die Prozesssimulation ist zeitaufwendig, und sinnvolle Randbedingungen zu finden erfordert viele Rechenläufe.
Zwei Fragen standen im Mittelpunkt: Wie lässt sich die Wanddickenverteilung für neue Parametersätze ohne zusätzliche Simulation bestimmen? Und welcher Prozessparameter ist nötig, um eine geforderte Wanddicke zu erreichen (inverses Problem)?
Vorgehen
Grundlage war ein Schemabauteil mit Überlaufkavität. Für dieses Bauteil hat Plastic Innovation Prozesssimulationen mit variierten Parametern gerechnet: Werkzeugwandtemperatur (60–125 °C), Fluidvolumenstrom (150–550 cm³/s), Fluidtemperatur (20–40 °C) und Verzögerungszeit (0,1–0,9 s).
Jedes Simulationsergebnis wurde auf die Restwanddicke ausgewertet. Dazu wurde das Bauteil in Segmente geteilt und der Abstand zwischen Hohlkammer und Außenwand gemessen. So ergeben sich minimale und maximale Wanddicke, ihre Positionen und die Wanddicken an definierten Stellen.
Auf diesen Simulationsdaten hat Digital Physics AI mit der No-Code-Software dAIve Predict ein Multilayer Perceptron (MLP) trainiert. Für die inverse Vorhersage erwies sich eine Struktur mit 3 verborgenen Schichten zu je 32 Neuronen als geeignet. Eingänge sind die geforderten Wanddicken und die festgelegten Prozessparameter, Ausgang ist die Verzögerungszeit.
Für die direkte Vorhersage wurde derselbe Datensatz umstrukturiert. Eingänge sind nun die vier Prozessparameter, Ausgang ist die Wanddicke an 300 gleichmäßig verteilten Positionen entlang des Rohrverlaufs. Zusätzliche Simulationen waren dafür nicht nötig.
Ergebnis
Die KI-Vorhersage der Wanddickenverteilung wurde mit einer Vergleichssimulation für einen bisher unbekannten Parametersatz abgeglichen. Laut NAFEMS Magazin 1/2024 stimmten vorhergesagte und simulierte Wanddicken zu ca. 98 % überein, gemessen über den mittleren absoluten prozentualen Fehler (MAPE).
Die geforderten Wanddicken an den beiden festgelegten Positionen wurden mit einer Genauigkeit von ca. 95 % erreicht, sowohl in der Simulation als auch in der KI-Vorhersage (ebd., ebenfalls MAPE).
Der Prozessparameter für eine geforderte Wanddicke lässt sich damit direkt bestimmen. Ein Optimierungsproblem über viele Simulationsläufe entfällt. Die Ergebnisse beruhen auf Simulationsdaten; eine Validierung an realen Bauteilen oder mit Maschinendaten steht noch aus.
Quelle: NAFEMS Magazin 1/2024 (Ausgabe 69), S. 36–43