從反復試誤到結構化搜尋

葡萄牙米尼奧大學（University of Minho）的聚合物與復合材料研究所（Institute of Polymers and Composites，IPC），運用仿真與人工智能（AI），解決射出成型中最棘手的其中一項瓶頸：在不犧牲質量的前提下，實現快速且均勻的冷卻。IPC團隊采用「仿真優先」的工作流程，并結合基于主成分分析（PCA）的目標篩選、類神經網絡（ANN）代理模型，以及多目標演化優化，該團隊成功將過去須耗時數周的傳統試誤法，轉為一套結構化、以數據為導向的搜尋流程，能有效找出最佳的模具與制程設計方案。

模擬與AI：優化設計決策的關鍵推手

冷卻通常占整個射出成型周期的70%-80%，也是造成殘余應力、翹曲和位移的主要原因。雖然異型水路（Conformal Cooling Channels，CCC）有助于緩解上述問題，但其水路配置便是一個涉及周期時間、溫度條件及可制造性的多目標難題。為了應對這項挑戰，IPC團隊利用Moldex3D來評估設計方案，并藉助AI有效權衡最佳方案，而這種方法也使該團隊能穩定獲得優于傳統水路配置的溫度分布、成型周期時間。

應用焦點：采異型水路的薄壁杯

為具體說明該方法，IPC團隊展示一個薄壁杯的案例。他們用Moldex3D來評估水路配置、直徑與間距，同時透過AI縮短搜索范圍并識別有效設計方案。藉由這套工作流程，所預測的成型周期較傳統配置明顯縮短，成功展現異型水路結合AI，便能以簡易的驗證方式來加速設計優化。

圖一、異型水路設計范例

IPC團隊的工作流程

射出成型的項目往往需要追蹤數十項數據。IPC團隊首先透過主成分分析（PCA），在確保不遺漏問題本質的情況下，縮減優化目標。接著運用Moldex3D模擬分析結果來訓練類神經網絡（ANN）代理模型，以快速預測溫度與冷卻時間。該團隊也采用多目標演化算法（MOEA）高效探索數千種可行設計，再透過Moldex3D驗證出最具效益的方案。最后，透過繪制帕雷托前沿（Pareto Front）來清楚呈現各指標間的權衡關系（例如：須犧牲多少成型周期時間來獲得更均勻的溫度分布），而非提供單一的最佳值。

圖二、非線性主成分分析（Non-Linear Principal Component Analysis，NL-PCA）于優化目標選取之應用

AI作為加速器，仿真作為基石

IPC團隊再次透過上述流程驗證異型水路設計，進一步證實該方式不僅限于單次實驗，而是一套能重復導入的方式，能實現更高質量的模具設計、更短的成型周期。AI雖能加速探尋，但以物理為基礎的模擬仍是不可或缺的核心。模擬能帶來物理機制、材料行為的精確洞察，為類神經網絡（ANN）、多目標演化算法（MOEA）的搜尋結果奠定真實可靠的基礎。此外，Moldex3D所提供的纖維、熱傳與流動分析洞察，有助于厘清問題根因（如積熱位置），并驗證最終設計。最重要的是，在模具制造前就能先透過Moldex3D驗證所有優化數據指針，有效降低制造風險并減少量產成本。

圖三、考慮兩種替代澆口配置，并采用NL-PCA所選定之四項目標條件下，經多目標演化算法所獲結果