一种基于机器学习和顺序凝固的薄壁铸件缩松控制方法

为了提高熔模铸造过程中薄壁铸件的冶金质量，本发明提出了一种基于机器学习与顺序凝固原理的控制新方法。首先，在铸件模型的离散化表示上计算出与凝固过程有关的几何结构参数，包括局部位置到浇冒口的距离、几何模数和模壳厚度；其次，结合数值模拟结果，使用随机森林算法建立了铸件几何结构参数与凝固时间的映射模型，在验证集上的R2为0.9974。基于该模型，结合局部模壳厚度减薄和保温棉包覆措施，定量调整测地路径上凝固曲线的斜率，实现顺序凝固。优化后铸件的缩松总体积由71.69mm3减少至24.78mm3，降低了65％。浇注实验进一步验证了所提方法的有效性，不仅为薄壁复杂铸件的缩松控制提供了一种高效、定量化的解决方案，也为熔模铸造缺陷的智能化控制提供了新的思路。