JP7489128B2 - ディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法 - Google Patents

ディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法 Download PDF

Info

Publication number
JP7489128B2
JP7489128B2 JP2022519530A JP2022519530A JP7489128B2 JP 7489128 B2 JP7489128 B2 JP 7489128B2 JP 2022519530 A JP2022519530 A JP 2022519530A JP 2022519530 A JP2022519530 A JP 2022519530A JP 7489128 B2 JP7489128 B2 JP 7489128B2
Authority
JP
Japan
Prior art keywords
image
shape
cooling channel
cooled
cooling
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2022519530A
Other languages
English (en)
Other versions
JP2024513268A (ja
Inventor
ウ ペ、ソン
ジェ チュ、ホン
ジェ チャン、ヒョ
ソク パク、ヨン
ジン ジョン、イェ
ヒョン ユ、スン
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sfs Co Ltd
Original Assignee
Sfs Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sfs Co Ltd filed Critical Sfs Co Ltd
Publication of JP2024513268A publication Critical patent/JP2024513268A/ja
Application granted granted Critical
Publication of JP7489128B2 publication Critical patent/JP7489128B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B19/00—Programme-control systems
    • G05B19/02—Programme-control systems electric
    • G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
    • G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C33/00—Moulds or cores; Details thereof or accessories therefor
    • B29C33/38—Moulds or cores; Details thereof or accessories therefor characterised by the material or the manufacturing process
    • B29C33/3835—Designing moulds, e.g. using CAD-CAM
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/72—Heating or cooling
    • B29C45/73—Heating or cooling of the mould
    • B29C45/7312—Construction of heating or cooling fluid flow channels
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B2219/00—Program-control systems
    • G05B2219/30—Nc systems
    • G05B2219/45—Nc applications
    • G05B2219/45244—Injection molding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mechanical Engineering (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Fluid Mechanics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Human Computer Interaction (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Moulds For Moulding Plastics Or The Like (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)

Description

本発明は、形状適応型冷却チャンネルの設計方法に係り、さらに詳しくは、ディープラーニング及び位相最適設計を用いて、金型内部の形状適応型冷却チャンネルを設計する方法に関する。
射出成形は、金型内に溶融樹脂を注入し、多様な形状の成形物を大量生産する技術であって、広く用いられているプラスチック製品の生産方法の一つである。
射出成形工程は、金型内に溶融樹脂を充填する充填工程と、溶融樹脂の充填後、金型内部の圧力を一定に維持させる保圧工程と、充填された溶融樹脂を一定時間冷却させる冷却工程と、冷却後、成形された製品を取り出す離型工程と、を経て、製品を生産するようになる。
射出成形工程のうち、冷却工程が成形サイクルの約７０％を占め、成型品の品質は、充填された樹脂の冷却後、温度均一度により大きな影響を受ける。
成型品の外形を定める金型の表面と冷却チャンネルが近いほど、冷却効果に優れており、成型品の外形に沿った形状適応型冷却チャンネル（ｃｏｎｆｏｒｍａｌ ｃｏｏｌｉｎｇ ｃｈａｎｎｅｌ）が用いられている。
しかしながら、伝統的な加工方法により、金型の内部に複雑な形状の形状適応型冷却チャンネルを形成することは難しいという問題点があった。しかしながら、３Ｄプリンタは、複雑な形状の中空構造を持つ物品を出力することができ、形状適応型冷却チャンネルが形成された金型を３Ｄプリンタで出力することが可能である。
しかしながら、既存は、金型の内部に形状適応型冷却チャンネルを形成する場合も、金型の内部に充填された樹脂が均一に冷却されないという問題点があった。
これにより、冷却効率が最適化される形状適応型冷却チャンネルの設計方法が必要であった。
本発明の一実施形態によるディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法は、成形物を立体または平面構造物に分類した後、冷却対象面を決め、それぞれの冷却対象面に対して、ニューラルネットワークのディープラーニングを用いて、位相最適設計が適用された独立した冷却チャンネルを形成した後、金型内部の形状適応型冷却チャンネルを設計する方法を提供することを目的とする。
本発明の課題は、上記において言及した技術的課題に制限されず、言及されていない他の技術的課題は、下記の記載から当業者にとって明確に理解されるであろう。
本発明の一実施形態によるディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法は、成形物を平面構造物（ｔｈｉｎ ｓｔｒｕｃｔｕｒｅ）または立体構造物（ｂｕｌｋ ｓｔｒｕｃｔｕｒｅ）に分類し、冷却対象領域を決めるステップと、前記冷却対象領域を２次元形状である冷却対象面に分解するステップと、熱負荷が反映された前記冷却対象面のイメージの前処理ステップを行い、前処理されたイメージを算出するステップと、前記前処理されたイメージを、予め学習されたニューラルネットワークに入力して、前記冷却対象面のそれぞれに対して、位相最適設計が適用された互いに独立した冷却チャンネルをそれぞれ形成するステップと、前記冷却チャンネルを互いに結合して形状適応型冷却チャンネルを形成するステップと、を含む。
ここで、前記前処理されたイメージを算出するステップは、熱負荷が反映された前記冷却対象面のイメージがグレースケール（ｇｒａｙ ｓｃａｌｅ）イメージに変換された第２のイメージを生成するステップと、前記第２のイメージに対して、ヒストグラム均等化（Ｈｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ）を行い、第３のイメージを生成するステップと、前記第３のイメージに対して、二進化（Ｂｉｎａｒｉｚａｔｉｏｎ／Ｔｈｒｅｓｈｏｌｄｉｎｇ）を行い、二進化された第４のイメージを生成するステップと、前記第４のイメージに対して、輪郭線（Ｃｏｎｔｏｕｒ）を検出するステップと、を含み、前記前処理されたイメージは、前記輪郭線が検出されたイメージであることを特徴としてもよい。
ここで、前記ニューラルネットワークは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）であってもよい。
ここで、前記ニューラルネットワークは、複数個の学習データを用いて学習され、前記学習データは、熱負荷が反映された学習イメージ、及び前記学習イメージに対して、位相最適設計を用いて形成された冷却チャンネルの形状データを含んでもよい。
ここで、前記位相最適設計は、設計領域を設定するステップと、前記設計領域の作動条件に相当する境界条件を設定するステップと、冷却流体の入口及び出口における圧力降下及び取出温度までの冷却所要時間の最小化に相当する目的関数を設定するステップと、前記目的関数が収束条件を満足するように設計変数を変更するステップと、を含んでもよい。
ここで、前記冷却対象領域を決めるステップは、前記成形物の特性長さが０．０６未満である場合、平面構造物に分類してもよい。
本発明の実施形態によれば、少なくとも次のような効果がある。
本実施形態によれば、位相最適設計を用いて、圧力降下と冷却時間及び冷却均一度に優れた金型内部の形状適応型冷却チャンネルを設計することができる。
また、成形物を立体または平面構造物に分類した後、冷却対象面を決め、それぞれの冷却対象面に対して、位相最適設計が適用された冷却チャンネルを形成した後、形状適応型冷却チャンネルを設計することにより、性能に優れた形状適応型冷却チャンネルを相対的に迅速に設計することができる。
また、ニューラルネットワークが、学習を通じて、熱負荷が反映された冷却対象面のイメージから形状適応型冷却チャンネルを形成することにより、設計時間が大幅に短縮されることができる。
本発明による効果は、上記において例示された内容により制限されず、さらに様々な効果が、本明細書内に含まれている。
本発明の一実施形態によるディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法のフローチャートである。 成形物の形状を分類するための特性長さの説明図である。 成形物の形状による取出温度までの平均冷却時間及び最大温度偏差の測定グラフである。 形状分解ステップの説明図である。 前処理されたイメージ算出ステップのフローチャートである。 独立した冷却チャンネル形成ステップのフローチャートである。 形状適応型冷却チャンネル形成ステップの説明図である。 実験例１の形状適応型冷却チャンネルの例示図及び平均圧力降下シミュレーション結果である。 実験例１の形状適応型冷却チャンネルの最大温度偏差の測定グラフである。 実験例２の形状適応型冷却チャンネルの例示図及び平均圧力降下シミュレーション結果である。 実験例２の形状適応型冷却チャンネルの最大温度偏差の測定グラフである。 実験例３の形状適応型冷却チャンネルを示す図である。 実験例３の成型品の表面最大／最小温度差の測定結果である。 実験例３の取出温度までの冷却時間の測定結果である。
本発明は、様々な変換を加えてもよく、様々な実施形態を有してもよいので、特定の実施形態を図面に例示し、これについて、詳細な説明において詳述する。本発明の効果及び特徴、また、それらを達成する方法は、図面とともに詳細に後述されている実施形態を参照すれば、明確になるであろう。しかしながら、本発明は、以下に開示される実施形態に限定されるものではなく、様々な形態で具現されてもよく、本発明の思想及び技術範囲に含まれる全ての変更、均等物乃至代替物を含むものと理解されなければならない。
説明に先立って、詳細な説明に記載された用語について説明する。以下の実施形態において、第１、第２等の用語は、限定的な意味ではなく、一つの構成要素を他の構成要素から区別する目的で用いられた。したがって、以下で言及される第１構成要素は、本発明の技術的思想の範囲内で、第２構成要素であり得ることはもちろんである。また、単数の表現は、文脈からみて、明らかに異なる意味を有さない限り、複数の表現を含む。また、「含む」または「備える」のような用語は、明細書上に記載された特徴、数字、ステップ、動作、構成要素、部品、またはこれらの組合せが存在することを意味するものであり、一つ以上の他の特徴または構成要素が付加される可能性を予め排除するものではない。
また、図面では、説明の便宜のため、構成要素の大きさが誇張または縮小されてもよい。例えば、図示されたそれぞれの構成の大きさ及び厚さは、説明の便宜のため、ランダムに示されているので、本発明が必ずしも図示のものに限定されるものではない。
以下、本発明による一実施形態について、添付された図面を参照して詳述する。添付図面を参照して説明するにあたって、同じまたは対応する構成要素に対しては、同一の図面符号を与え、それについての重複する説明を省略する。
本発明は、ディープラーニング及び位相最適設計を用いて、金型内部の形状適応型冷却チャンネルを設計する方法に関する。
図１は、本発明の一実施形態によるディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法のフローチャートである。
本発明の一実施形態によるディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法（Ｓ１０００）は、形状分類ステップ（Ｓ１００）と、形状分解ステップ（Ｓ２００）と、前処理されたイメージ算出ステップ（Ｓ３００）と、独立した冷却チャンネル形成ステップ（Ｓ４００）と、形状適応型冷却チャンネル形成ステップ（Ｓ５００）と、を含む。
形状分類ステップ（Ｓ１００）は、冷却対象領域を決めるために、成形物を立体構造物（ｂｕｌｋ ｓｔｒｕｃｔｕｒｅ）または平面構造物（ｔｈｉｎ ｓｔｒｕｃｔｕｒｅ）に分類するステップである。すなわち、成形物の形状に対応するキャビティの形状を平面または立体形状に分類する。
本実施形態では、物体を冷却する過程で、冷却チャンネルに当接する面積が増加するほど、冷却量が増加する形状学的特性に基づき、冷却工程上の温度偏差による形状を分類する。すなわち、同じ形状の成形物である場合も、平面構造物である場合と立体構造物である場合により、冷却対象領域が異なる。したがって、形状分類ステップ（Ｓ１００）では、成形物が平面構造物であるか、あるいは立体構造物であるかを決める。
本実施形態において、成形物が平面構造物であるか、あるいは立体構造物であるかを決める基準は、成形物の特性長さ（ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｌｅｎｇｔｈ）を用いる。さらに具体的に、本実施形態では、特性長さが０．０６未満である場合、平面構造物に分類し、特性長さが０．０６以上である場合、立体構造物に分類する（図２参照）。
六面体形状を挙げて説明すれば、以下の通りである。
六面体の断面を基準として、断面積が１になるように、長辺の長さをｎ、短辺の長さを１／ｎと定義する。
この場合、特性長さは、
Figure 0007489128000001
 である。ここで、ＬＣは、特性長さ、Ａは、断面積、Ｐは、断面の周りである。
ここで、ＬＣが０．０６未満である場合、平面構造物に分類する。
下記の表１に示すように、六面体を６つの種類に分けると、Ａ、Ｂ、Ｃは、特性長さが０．０６以上であるので、本実施形態において、立体構造物に分類され、Ｄ、Ｅ、Ｆは、特性長さが０．０６未満であるので、本実施形態において、平面構造物に分類される。
Figure 0007489128000002
平面構造物に分類されると、冷却対象面は、上面と下面になり、立体構造物に分類されると、冷却対象面は、上面と下面、及び両側面になる。これに基づいて実験した結果、平面構造物に近いほど（Ｅ、Ｆ）、取出温度までの平均冷却時間は短く、最大温度偏差も少ないことが確認される（図３参照）。
図４は、形状分解ステップの説明図である。
形状分解ステップ（Ｓ２００）は、形状分類ステップ（Ｓ１００）で決められた成形物の形状（立体／平面）により決められた冷却対象領域を、２次元形状の冷却対象面に分解するステップである。ここで、冷却対象面は、冷却対象領域の表面と同じである。
前処理されたイメージ算出ステップ（Ｓ３００）は、それぞれの冷却対象面に対して、位相最適設計が適用された互いに独立した冷却チャンネルが形成されるように、予め学習されたニューラルネットワークに入力される前処理されたイメージを算出するステップである。
図５は、前処理されたイメージ算出ステップのフローチャートである。
まず、２次元形状である冷却対象面のイメージには、３次元形状の情報が反映される。これは、２次元形状に熱負荷（ｔｈｅｒｍａｌ ｌｏａｄ）が反映されるようにするためである。
直方体、正六面体等のように冷却流体の流動方向に沿って厚さが同じ場合には、２次元形状のそれぞれの領域に対して必要な冷却量が同一であると仮定することができる（図４の（ａ）参照）。しかしながら、成形物の形状が冷却流体の流動方向に沿って厚さが一定でない場合、２次元形状のそれぞれの領域において必要な冷却量が異なることがある。
これにより、冷却対象面は、２次元形状であるが、それぞれの領域の異なる厚さによる冷却量の差が反映されるように、３次元形状の情報を反映する（図４の（ｂ）参照）。本実施形態では、冷却対象面のそれぞれの領域の厚さに比例して熱負荷が加えられると仮定して、３次元形状の情報を反映する。言い換えれば、２次元形状である冷却対象面に成形物の厚さ情報を反映し、２次元形状の厚さ情報より、必要な冷却量が異なると仮定する。
熱負荷が反映された冷却対象面のイメージに対して、前処理ステップを行い、前処理されたイメージを算出し、前処理されたイメージを、予め学習された人工知能ニューラルネットワークに入力する。前処理ステップは、イメージ内のノイズを除去し、畳み込みニューラルネットワークを用いた学習効果を強化するためのものである。
前処理ステップは、入力イメージをグレースケールイメージに変換して、第２のイメージを生成することができる。グレースケールへの変換過程は、カラーイメージである入力イメージをグレースケールに変換する過程である。入力イメージである熱負荷が反映された冷却対象面のイメージは、熱負荷により互いに異なる色相を有するカラーイメージであり、カラーイメージのＲＧＢ値をグレースケールの値に変更することができる。これにより、畳み込みニューラルネットワークが、学習時の計算量を３倍以上に減少させることができる。
以降、第２のイメージに対して、ヒストグラム均等化（Ｈｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ）を行い、第３のイメージを生成することができる。ヒストグラム均等化は、グレースケール化した第２のイメージの明暗を均一化させることにより、一箇所に集中したイメージヒストグラムを全体的に均等に分布させる。イメージのヒストグラムが特定の範囲にだけ集中する場合、当該映像コントラスト（ｉｍａｇｅ ｃｏｎｔｒａｓｔ）が低下し、ニューラルネットワークの性能に悪い影響を及ぼす。したがって、ヒストグラム均等化を行い、イメージの特定範囲に集まっているヒストグラムを全体的に均一に分布するように補正する。
また、第３のイメージに対して、二進化（Ｂｉｎａｒｉｚａｔｉｏｎ／Ｔｈｒｅｓｈｏｌｄｉｎｇ）を行い、二進化された第４のイメージを生成する。
以降、第４のイメージに対して、輪郭線（ｃｏｎｔｏｕｒ）を検出する。 輪郭線は、同じ値を有する箇所を連結した線を意味する。すなわち、輪郭線は、同じ熱負荷を有する箇所を連結した線及び冷却対象面の外郭線であってもよい。輪郭線は、キャニーエッジ検出（Ｃａｎｎｙ Ｅｄｇｅ Ｄｅｔｅｃｔｉｏｎ）法を用いて、二進化されたイメージから輪郭線を検出するか、オープンソースのコンピュータビジョン（Ｏｐｅｎ Ｓｏｕｒｃｅ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ、ＯｐｅｎＣＶ）のメソッド「ｆｉｎｄＣｏｎｔｏｕｒｓ（）」を用いてもよい。
上述したステップを経て、輪郭線が検出されたイメージである前処理されたイメージを、予め学習されたニューラルネットワークに入力し、冷却対象面のそれぞれに対して、位相最適設計が適用された互いに独立した冷却チャンネルをそれぞれ形成する。
本実施形態において、ニューラルネットワークは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）であってもよい。
ニューラルネットワークは、複数個の学習データを用いて学習されてもよい。学習データは、熱負荷が反映された２次元の学習イメージ、及び学習イメージに対して位相最適設計を用いて形成された冷却チャンネルの形状データを含んでもよい。
言い換えれば、冷却チャンネルを形成するためのニューラルネットワークの学習のためには、データセットに対するラベリングが必要である。ラベリングは、学習イメージに対して、位相最適設計を用いて形成された冷却チャンネルの形状を定めるものである。
図６は、独立した冷却チャンネル形成ステップのフローチャートであり、図７は、形状適応型冷却チャンネル形成ステップの説明図である。
冷却チャンネルを形成するための位相最適設計は、設計領域設定ステップ（Ｓ４１０）と、境界条件設定ステップ（Ｓ４２０）と、敏感度解析ステップ（Ｓ４３０）と、位相最適設計導出ステップ（Ｓ４４０）と、を含む。
まず、設計領域を設定する。本実施形態において、設計領域（ｄｅｓｉｇｎ ｄｏｍａｉｎ）は、冷却対象面である。すなわち、３次元形状の情報が反映された２次元形状の冷却対象面である。
また、境界条件を設定する。本実施形態において、境界条件は、冷却対象面の境界（ｂｏｕｎｄａｒｙ）と、入口（ｉｎｌｅｔ）と出口（ｏｕｔｌｅｔ）の直径、位置、及び入口と出口における冷却流体の流量である。
以降、目的関数（ｏｂｊｅｃｔｉｖｅ ｆｕｎｃｔｉｏｎ）を設定する。また、目的関数が収束条件を満足するように設計変数を変更し、位相最適設計を導出することができる。
このとき、目的関数に対するそれぞれの要素の敏感度解析（ｓｅｎｓｉｔｉｖｉｔｙ ａｎａｌｙｓｉｓ）を行うことができる。敏感度による目的関数のそれぞれの要素の設計変数を変更しながら、目的関数が収束条件を満足するまで、繰り返して位相最適設計を導出することができる。
本実施形態において、目的関数は、冷却流体の入口及び出口等における圧力降下及び取出温度までの冷却所要時間の最小化である。すなわち、流動損失及び冷却時間の最小化である。
本実施形態において、目的関数は、多目的関数（Ｍｕｌｔｉ Ｏｂｊｅｃｔｉｖｅ ｆｕｎｃｔｉｏｎ）であり、下記のように正義されてもよい。
ここで、ｃは、多目的関数であり、Φは、圧力降下の最小化に関する目的関数であり、Γは、冷却所要時間の最小化に関する目的関数である。
また、Φ及びΓは、それぞれ、下記のように正義されてもよい。
Figure 0007489128000004
 ここで、μは、流体粘性係数（ｆｌｕｉｄ ｄｙｎａｍｉｃ ｖｉｓｃｏｓｉｔｙ）、ｕは、速度場（ｖｅｌｏｃｉｔｙ ｆｉｅｌｄ）、ρは、擬似密度（ｐｓｅｕｄｏ－ｄｅｎｓｉｔｙ）、αは、摩擦損失係数または逆透過係数（ｄａｒｃｙ ｆｒｉｃｔｉｏｎ ｃｏｅｆｆｉｃｉｅｎｔ／ｉｎｖｅｒｓｅ ｐｅｒｍｅａｂｉｌｉｔｙ）、ｆは、体積力（ｆｌｕｉｄ ｂｏｄｙ ｆｏｒｃｅ）、Ωは、設計領域（形状ドメイン）である。
Figure 0007489128000005
 ここで、ｋは、等価熱伝導率（ｅｑｕｉｖａｌｅｎｔ ｔｈｅｒｍａｌ ｃｏｎｄｕｃｔｉｖｉｔｙ）、Τは、温度場（ｔｅｍｐｅｒａｔｕｒｅ ｆｉｅｌｄ）、ρｍは、等価密度（ｅｑｕｉｖａｌｅｎｔ ｄｅｎｓｉｔｙ）、ｃｐは、等価熱容量（ｅｑｕｉｖａｌｅｎｔ ｈｅａｔ ｃａｐａｃｉｔｙ）、ｆＴは、熱源（ｈｅａｔ ｓｏｕｒｃｅ）、ｕは、速度場（ｖｅｌｏｃｉｔｙ ｆｉｅｌｄ）、Ωは、設計領域（形状ドメイン）である。
敏感度解析は、位相最適設計を導出するために、設計変数の変化による目的関数の影響を解釈することを意味する。
形状適応型冷却チャンネル形成ステップ（Ｓ５００）は、それぞれの独立した冷却チャンネルを、成形物の形状に対応するように、再配置して、最終的に形状適応型冷却チャンネルを形成する。
冷却対象面に熱負荷が反映され、それぞれの冷却対象面に対して、位相最適設計を用いて、冷却チャンネルを形成するが、計算量が極めて多く、時間が長くかかることがある。しかしながら、ニューラルネットワークが、学習を通じて、熱負荷が反映された冷却対象面のイメージから位相最適設計が適用された冷却チャンネルを形成することにより、その時間が大幅に短縮され得る。さらには、上記のように、位相最適設計を用いて、形状適応型冷却チャンネルを設計することにより、圧力降下及び冷却時間と冷却均一度に優れている。
＜実験例１＞
平面構造物として、直方体形状である成形物に対して、形状適応型冷却チャンネルを設計し、チャンネル流動の圧力降下、最大温度偏差、及び取出温度までの冷却時間を測定した。
直列形状（ｓｅｒｉａｌ－ｓｈａｐｅｄ）の形状適応型冷却チャンネル（ケース１）、並列形状（ｐａｒａｌｌｅｌ－ｓｈａｐｅｄ）の形状適応型冷却チャンネル（ケース２）、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）を設計して比較した（図８の（ａ）参照）。
Figure 0007489128000006
Figure 0007489128000007
Figure 0007489128000008
上記の表２は、チャンネル流動の圧力降下を比較したものであり、表３は、形状適応型冷却チャンネルの最大温度偏差を比較したものであり、表４は、取出温度までの冷却時間を比較したものである。表２及び図８の（ｂ）を参照すると、ケース１及びケース２に比べて、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）の圧力降下が遥かに少ないことが確認される。
また、表３及び図９を参照すると、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）の場合、最大温度偏差が、ケース１に比べて３０．２Ｋ、ケース２に比べて４．６Ｋ低いことが確認される。
また、表４を参照すると、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）の場合、取出温度（７０℃）までの冷却時間が０．８ｓであり、ケース１に比べて２．７ｓ、ケース２に比べて０．３ｓ早いことが確認される。
＜実験例２＞
平面構造物として、厚さがますます減少する形状である成形物に対して、形状適応型冷却チャンネルを設計し、チャンネル流動の圧力降下、及び最大温度偏差を測定した。
直列形状（ｓｅｒｉａｌ－ｓｈａｐｅｄ）の形状適応型冷却チャンネル（ケース１）、並列形状（ｐａｒａｌｌｅｌ－ｓｈａｐｅｄ）の形状適応型冷却チャンネル（ケース２）、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）を設計して比較した（図１０の（ａ）参照）。
Figure 0007489128000009
Figure 0007489128000010
上記の表５は、チャンネル流動の圧力降下を比較したものであり、表６は、最大温度偏差を比較したものである。表５及び図１０の（ｂ）を参照すると、ケース１及びケース２に比べて、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）の圧力降下が遥かに少ないことが確認される。
また、表６及び図１１を参照すると、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）の場合、最大温度偏差が、ケース１に比べて７Ｋ、ケース２に比べて５．９Ｋ低いことが確認される。
＜実験例３＞
化粧品容器形状の成形物に対して、冷却チャンネルを設計し、チャンネル流動の圧力降下、成型品表面の最大温度偏差、及び取出温度までの冷却時間を測定した。
従来の冷却チャンネルを形成する機械工法で製作可能な直線状の冷却チャンネル（ケース１）、螺旋（Ｈｅｌｉｃａｌ）状の冷却チャンネル（ケース２）、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）を設計して比較した（図１２参照）。
Figure 0007489128000011
上記の表７は、チャンネル流動の圧力降下を比較したものである。表７を参照すると、冷却チャンネル内部の圧力降下は、本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）が、螺旋状の冷却チャンネル（ケース２）よりも約８０倍低いことが確認される。
また、表面の最高取出温度（７０℃）への到達時、成型品の取出を仮定して、取出温度までの冷却時間を測定した結果、ケース１の取出温度までの冷却所要時間は、約１８秒であり、螺旋状の冷却チャンネル（ケース２）及び本実施形態による位相最適設計を用いた形状適応型冷却チャンネル（ケース３）は、約８秒であることが確認される（図１３参照）。
また、成形物の生産時間及び残留応力による変形を比較するために、表面温度差を分析した。
螺旋状の冷却チャンネル及び本実施形態による位相最適設計を用いた形状適応型冷却チャンネルの取出時間である８秒における成型品の表面の最大温度偏差は、螺旋状の冷却チャンネルの場合、３１．４２５℃であって、本実施形態よりも約１．５７倍高いことが確認される。したがって、本実施形態の場合、既存の工法であるケース１よりも１０秒位生産時間を短縮し、残留応力による変形を最小化することができる（図１４参照）。
上記のような位相最適設計を用いた形状適応型冷却チャンネルの設計方法（Ｓ１０００）を通じて、形状適応型冷却チャンネルが形成された金型を製造することができる。具体的に、位相最適設計を通じて、最適の結果を導出して、形状適応型冷却チャンネルを設計し、それを積層加工するために、ＳＴＬフォーマットに変換することができる。ここで、積層加工は、選択的レーザー焼結（ＳＬＳ、Ｓｅｌｅｃｔｉｖｅ Ｌａｓｅｒ Ｓｉｎｔｅｒｉｎｇ）、バインダージェット（Ｂｉｎｄｅｒ－Ｊｅｔ）等の３Ｄプリンタを用いて行われてもよい。３Ｄプリンタを通じて、形状適応型冷却チャンネルが複雑な中空構造を有しても、精密に製造することができる。
上述したように、本実施形態によれば、成形物を立体または平面構造物に分類した後、冷却対象面を決め、それぞれの冷却対象面に対して、ニューラルネットワークのディープラーニングを用いて、位相最適設計が適用された独立した冷却チャンネルを形成した後、金型内部の形状適応型冷却チャンネルを設計する方法が提供される。
本発明において、全ての例または例示的な用語（例えば、等）の使用は、単純に本発明を詳しく説明するためのものであって、請求の範囲により限定されない限り、上記した例または例示的な用語により、本発明の範囲が限定されるものではない。また、当該技術分野における通常の技術者であれば、様々な修正、組合せ、及び変更が加えられた請求の範囲またはその均等物の範疇内で、設計条件及びファクターにより構成されてもよいことがわかる。
したがって、本発明の思想は、上述された実施形態に限って定められてはならず、後述する請求の範囲のみならず、この請求の範囲と均等またはこれから等価的に変更された全ての範囲は、本発明の思想の範疇に属するものと言うべきである。
ディープラーニング及び位相最適設計を用いて、金型内部の形状適応型冷却チャンネルを設計する方法が提供される。

Claims (6)

  1. 成形物を平面構造物（ｔｈｉｎ ｓｔｒｕｃｔｕｒｅ）または立体構造物（ｂｕｌｋ ｓｔｒｕｃｔｕｒｅ）に分類し、冷却対象領域を決めるステップと、
    前記冷却対象領域を２次元形状である冷却対象面に分解するステップと、
    熱負荷が反映された前記冷却対象面のイメージの前処理ステップを行い、前処理されたイメージを算出するステップと、
    前記前処理されたイメージを、予め学習されたニューラルネットワークに入力して、前記冷却対象面のそれぞれに対して、位相最適設計が適用された互いに独立した冷却チャンネルをそれぞれ形成するステップと、
    前記冷却チャンネルを互いに結合して形状適応型冷却チャンネルを形成するステップと、を含む、ディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法。
  2. 前記前処理されたイメージを算出するステップは、
    熱負荷が反映された前記冷却対象面のイメージがグレースケール（ｇｒａｙ ｓｃａｌｅ）イメージに変換された第２のイメージを生成するステップと、
    前記第２のイメージに対して、ヒストグラム均等化（Ｈｉｓｔｏｇｒａｍ Ｅｑｕａｌｉｚａｔｉｏｎ）を行い、第３のイメージを生成するステップと、
    前記第３のイメージに対して、二進化（Ｂｉｎａｒｉｚａｔｉｏｎ／Ｔｈｒｅｓｈｏｌｄｉｎｇ）を行い、二進化された第４のイメージを生成するステップと、
    前記第４のイメージに対して、輪郭線（Ｃｏｎｔｏｕｒ）を検出するステップと、を含み、
    前記前処理されたイメージは、前記輪郭線が検出されたイメージである、請求項１に記載のディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法。
  3. 前記ニューラルネットワークは、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ、畳み込みニューラルネットワーク）である、請求項２に記載のディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法。
  4. 前記ニューラルネットワークは、複数個の学習データを用いて学習され、
    前記学習データは、熱負荷が反映された学習イメージ、及び前記学習イメージに対して、位相最適設計を用いて形成された冷却チャンネルの形状データを含む、請求項３に記載のディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法。
  5. 前記位相最適設計は、
    設計領域を設定するステップと、
    前記設計領域の作動条件に相当する境界条件を設定するステップと、
    冷却流体の入口及び出口における圧力降下及び取出温度までの冷却所要時間の最小化に相当する目的関数を設定するステップと、
    前記目的関数が収束条件を満足するように設計変数を変更するステップと、を含む、請求項４に記載のディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法。
  6. 前記冷却対象領域を決めるステップは、
    前記成形物の特性長さが０．０６未満である場合、平面構造物に分類する、請求項１に記載のディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法。
JP2022519530A 2022-03-11 2022-03-14 ディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法 Active JP7489128B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020220030717A KR20230134051A (ko) 2022-03-11 2022-03-11 딥러닝 및 위상최적설계를 이용한 형상 적응형 냉각 채널 설계방법
KR10-2022-0030717 2022-03-11
PCT/KR2022/003511 WO2023171845A1 (ko) 2022-03-11 2022-03-14 딥러닝 및 위상최적설계를 이용한 형상 적응형 냉각 채널 설계방법

Publications (2)

Publication Number Publication Date
JP2024513268A JP2024513268A (ja) 2024-03-25
JP7489128B2 true JP7489128B2 (ja) 2024-05-23

Family

ID=87935480

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2022519530A Active JP7489128B2 (ja) 2022-03-11 2022-03-14 ディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法

Country Status (5)

Country Link
US (1) US20230315050A1 (ja)
JP (1) JP7489128B2 (ja)
KR (1) KR20230134051A (ja)
CN (1) CN117062707A (ja)
WO (1) WO2023171845A1 (ja)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101316045B1 (ko) 2011-11-25 2013-10-07 서울과학기술대학교 산학협력단 기능성 경사 복합재를 적용한 형상적응형 냉각회로를 갖는 사출금형 및 그의 제조방법
US20140087017A1 (en) 2012-06-13 2014-03-27 Gnst Co., Ltd. Injection mold apparatus with cooling and heating passage
CN104875350A (zh) 2015-05-29 2015-09-02 昆山立讯精密模具有限公司 微发泡模具冷却系统
US20190354656A1 (en) 2018-05-16 2019-11-21 Autodesk, Inc. Designing convective cooling channels

Family Cites Families (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6711506B2 (en) * 2001-11-21 2004-03-23 Computerized Thermal Imaging, Inc. Computerized operator assistance for turbine component inspection
KR100998890B1 (ko) * 2008-09-18 2010-12-08 주식회사 포스코 핫프레스 금형 및 그 설계방법
KR20110065068A (ko) * 2009-12-09 2011-06-15 주식회사 신영 핫 스템핑금형의 냉각채널 설계방법
KR20200006337A (ko) 2018-07-10 2020-01-20 (주)센트롤 3d 프린터를 이용한 형상 적응형 냉각 채널이 형성된 몰드 및 그 제조 방법
KR102000251B1 (ko) * 2018-11-30 2019-07-16 울산대학교 산학협력단 핫스탬핑 금형장치
KR102118809B1 (ko) * 2018-12-03 2020-06-03 세종대학교산학협력단 용접 결함의 종류 판단 방법 및 이를 수행하는 단말 장치
JP2020183049A (ja) * 2019-04-26 2020-11-12 国立大学法人広島大学 冷却装置の設計方法、冷却装置の製造方法及びプログラム
KR102300954B1 (ko) 2020-03-26 2021-09-09 최성환 주조 금형 내부의 냉각채널 형성방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101316045B1 (ko) 2011-11-25 2013-10-07 서울과학기술대학교 산학협력단 기능성 경사 복합재를 적용한 형상적응형 냉각회로를 갖는 사출금형 및 그의 제조방법
US20140087017A1 (en) 2012-06-13 2014-03-27 Gnst Co., Ltd. Injection mold apparatus with cooling and heating passage
CN104875350A (zh) 2015-05-29 2015-09-02 昆山立讯精密模具有限公司 微发泡模具冷却系统
US20190354656A1 (en) 2018-05-16 2019-11-21 Autodesk, Inc. Designing convective cooling channels

Also Published As

Publication number Publication date
CN117062707A (zh) 2023-11-14
JP2024513268A (ja) 2024-03-25
KR20230134051A (ko) 2023-09-20
US20230315050A1 (en) 2023-10-05
WO2023171845A1 (ko) 2023-09-14

Similar Documents

Publication Publication Date Title
Khadilkar et al. Deep learning–based stress prediction for bottom-up SLA 3D printing process
Ben-Shabat et al. Nesti-net: Normal estimation for unstructured 3d point clouds using convolutional neural networks
CN109063724B (zh) 一种增强型生成式对抗网络以及目标样本识别方法
WO2015180101A1 (en) Compact face representation
JP2015511736A (ja) 画像上のオブジェクト輪郭のスケール不変特徴を識別するシステム及び方法
Sikder et al. Effect of adaptive slicing on surface integrity in additive manufacturing
CN107563312A (zh) 人脸表情识别方法
Zheng et al. An adaptive and stable method for fitting implicit polynomial curves and surfaces
JP7489128B2 (ja) ディープラーニング及び位相最適設計を用いた形状適応型冷却チャンネルの設計方法
Taufik et al. Volumetric error control in layered manufacturing
CN109509180B (zh) 基于机器视觉的金属纽扣瑕疵检测方法
KR101947692B1 (ko) 3d 모델 슬라이싱 장치 및 방법
JP7489127B2 (ja) 位相最適設計を用いた形状適応型冷却チャンネルの設計方法
JP5896661B2 (ja) 情報処理装置、情報処理装置の制御方法、およびプログラム
Li et al. Predicting the parts weight in plastic injection molding using least squares support vector regression
CN107180240B (zh) 基于可变夹角链码的二维轮廓排样方法
CN113269067B (zh) 基于深度学习的周期性工业视频片段关键帧两阶段提取方法
KR101644426B1 (ko) 변형3d모델에 대응되는 원본3d모델 인식방법
Kumar et al. Recognition of undercut features and parting surface of moulded parts using polyhedron face adjacency graph
Pepliński et al. Prototype modular inserts to boost the cooling of mold cavities in polymer processing
Chunzhou et al. RETRACTED ARTICLE Design of unsupervised facial expression animation based on geometric grid measurement
US20230085000A1 (en) Cad volume extrusion operator detection
Otieno et al. Defect Detection and Classification on Hot-Rolled Steel Using Machine Learning and Deep Learning Algorithms: A Comparative Analysis
Hamedi et al. Optimization of dimensional deviations in wax patterns for investment casting
Stellmar Predicting the deformation of 3D printed ABS plastic using machine learning regressions

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220325

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20240409

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240502

R150 Certificate of patent or registration of utility model

Ref document number: 7489128

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150