摘要
在注塑成型中，温度控制是其重要的一环，且注塑热传导过程是注塑成型中一个重要的物理现象，热传导过程是影响产品质量、成型周期和生产效率的关键因素之一。通过深入了解和控制注塑热传导过程，可以有效地提高产品的质量和性能，减少废品率，可以降低材料和能源消耗等方面的成本，还能为注塑机的自动化控制提供更准确的参数和数据，提高注塑加工的自动化水平。 目前，在注塑热传导模型的研究上，主流的研究方法有三类，第一类是基于有限差分(FDM)等离散数值模拟法，不能连续的对注塑热传导模型温度场进行预测；第二类是基于传感器测定的实验方法，成本高且受外部因素影响大；第三类是基于机器学习或深度学习的纯数据驱动拟合注塑热传导模型，通过大量的样本数据得到输入和输出的非线性关系黑箱模型。基于此，本课题通过利用物理信息神经网络(简称PINN)来预测热传导模型的温度场分布和反演注塑热传导模型的参数，旨在能够利用注塑热传导模型的物理信息，以更少的样本数据，快速的、准确的预测注塑热传导模型的温度场，以及基本实现注塑热传导模型的参数反演。本课题的主要工作如下： (1)在导热微分方程基础上，对一维和二维有内热源的注塑热传导模型进行了完整建模分析，并针对一维和二维注塑热传导模型的初始条件、边界条件、内热源函数等进行详细的设计和建模。同时，以二维热传导模型为例，设定了主要的性能指标，并进一步搭建了基于Matlab的注塑热传导模型数据采样的环境。 (2)基于PINN框架预测注塑传热温度场分布，对不同时刻的轴向温度线（一维模型）、不同时刻轴向和径向温度场分布（二维模型）、绝对值误差和l2误差等指标进行分析，并以一维注塑传热模型为例，探究影响注塑热传导模型温度场预测的潜在因素。在一维模型温度场预测时，PINN采用4×40的隐藏层结构，初始点、边界点数量为120个，计算域内训练点为2000个时，能在时间成本和训练成本较小情况下取得良好的温度场预测结果。同时，tanh激活函数能使PINN具有更好的表达能力。 (3)基于PINN框架反演注塑热传导模型的参数，对参数迭代情况、绝对值误差和l2误差等指标进行分析，并以一维注塑传热模型为例，探究影响注塑热传导模型参数反演的潜在因素。在一维模型参数反演时，Adam优化器的学习率在10-3，且在合适的范围内，设定与真实值差距较大的参数初值时，PINN具有较好的参数反演果较。 综上所述，本课题提出了一种利用PINN预测注塑传热温度场分布及反演参数的方法。该方法结合了物理学知识和神经网络技术，以减少模型训练的数据量，提高了模型定值求解的效率，同时基本实现了模型参数的反演。本研究的方法可用于各种复杂的物理系统建模和状态估计，具有广泛的应用前景。
NETL