从反复试误到结构化搜寻

葡萄牙米尼奥大学（University of Minho）的聚合物与复合材料研究所（Institute of Polymers and Composites，IPC），运用仿真与人工智能（AI），解决射出成型中最棘手的其中一项瓶颈：在不牺牲质量的前提下，实现快速且均匀的冷却。IPC团队采用「仿真优先」的工作流程，并结合基于主成分分析（PCA）的目标筛选、类神经网络（ANN）代理模型，以及多目标演化优化，该团队成功将过去须耗时数周的传统试误法，转为一套结构化、以数据为导向的搜寻流程，能有效找出最佳的模具与制程设计方案。

模拟与AI：优化设计决策的关键推手

冷却通常占整个射出成型周期的70%-80%，也是造成残余应力、翘曲和位移的主要原因。虽然异型水路（Conformal Cooling Channels，CCC）有助于缓解上述问题，但其水路配置便是一个涉及周期时间、温度条件及可制造性的多目标难题。为了应对这项挑战，IPC团队利用Moldex3D来评估设计方案，并藉助AI有效权衡最佳方案，而这种方法也使该团队能稳定获得优于传统水路配置的温度分布、成型周期时间。

应用焦点：采异型水路的薄壁杯

为具体说明该方法，IPC团队展示一个薄壁杯的案例。他们用Moldex3D来评估水路配置、直径与间距，同时透过AI缩短搜索范围并识别有效设计方案。藉由这套工作流程，所预测的成型周期较传统配置明显缩短，成功展现异型水路结合AI，便能以简易的验证方式来加速设计优化。

图一、异型水路设计范例

IPC团队的工作流程

射出成型的项目往往需要追踪数十项数据。IPC团队首先透过主成分分析（PCA），在确保不遗漏问题本质的情况下，缩减优化目标。接着运用Moldex3D模拟分析结果来训练类神经网络（ANN）代理模型，以快速预测温度与冷却时间。该团队也采用多目标演化算法（MOEA）高效探索数千种可行设计，再透过Moldex3D验证出最具效益的方案。最后，透过绘制帕雷托前沿（Pareto Front）来清楚呈现各指标间的权衡关系（例如：须牺牲多少成型周期时间来获得更均匀的温度分布），而非提供单一的最佳值。

图二、非线性主成分分析（Non-Linear Principal Component Analysis，NL-PCA）于优化目标选取之应用

AI作为加速器，仿真作为基石

IPC团队再次透过上述流程验证异型水路设计，进一步证实该方式不仅限于单次实验，而是一套能重复导入的方式，能实现更高质量的模具设计、更短的成型周期。AI虽能加速探寻，但以物理为基础的模拟仍是不可或缺的核心。模拟能带来物理机制、材料行为的精确洞察，为类神经网络（ANN）、多目标演化算法（MOEA）的搜寻结果奠定真实可靠的基础。此外，Moldex3D所提供的纤维、热传与流动分析洞察，有助于厘清问题根因（如积热位置），并验证最终设计。最重要的是，在模具制造前就能先透过Moldex3D验证所有优化数据指针，有效降低制造风险并减少量产成本。

图三、考虑两种替代浇口配置，并采用NL-PCA所选定之四项目标条件下，经多目标演化算法所获结果

IPC团队研究成果之相关参考文献：

• Gaspar-Cunha, Melo, Marques, Pontes. Methodology for Designing Injection Molds: Data Mining and Multi-objective Optimization. In: Applications of Evolutionary Computation (LNCS, 2025). SpringerLink
• Gaspar-Cunha, Melo, Marques, Pontes. Optimization of Conformal Cooling Channels for Injection Molding: Multi-Objective AI Techniques. GECCO 2025. ACM Digital Library+1
• Gaspar-Cunha, Melo, Marques, Pontes. Application of AI Techniques to Select the Objectives in the Multi-Objective Optimization of Injection Molding. International Polymer Processing, 40(3), 2025. De Gruyter Bril