【正文】 這個方法也適合于其它翹曲最小化 的 優(yōu)化問題，例如優(yōu)化多 澆口位置，流道系統(tǒng)的平衡，并選擇各向異性材料。 工業(yè) 產(chǎn)品 作為一個例子來說明所提出的方法。 結(jié)論 在這項調(diào)查 中，特征 翹曲 是 來描述注塑制品翹曲變形 ，在 數(shù)值模擬軟件 MPI 的基礎(chǔ)上評 定 。它 是可見的最優(yōu) 澆口 位置， 取決于 玻璃纖維取向，因此，減少收縮差異 在 垂直方向沿縱向 發(fā)展。 在 實際 制造 中 零件翹曲符合制造商的要求。 N7379 節(jié)點（圖 5） ，是 最佳澆口位置。 在本條中搜索討論優(yōu)化澆口位置，模擬退火， 模擬退火算法 ，是適用于這 個的 。 澆口位置造成的多樣化的纖維取向 引起 嚴(yán)重的差動收縮。 表 1 在仿真 中的 成型條件 條件 值 填補時間（秒） 熔融溫度（ ） 295 模具溫度（ ） 70 包裝時間（秒） 10 包裝壓力（充壓） （ ％ ） 80 在 基底表面 的最 大翹曲，是 由 不均勻取向分布的玻璃纖維造成 的 ， 圖 6所示。 在 實際 制造 中 ，零件翹曲是 可見的在 樣品工件 上 。 對于這 點 ， 澆口 選址分析 ， MPI 認為最佳澆口位置是 接 近節(jié)點 N7459 ，如圖 5所示 。 MPI 的是注塑成型模擬 使用 最廣泛的軟件，它可以向您推薦 在 流動 平 衡 前提下的 最佳澆口位置。 目標(biāo)函數(shù)，即特征翹曲， 由方程 （ 1 ） ， （ 3 ） ? （ 6 ）定義 。 圖 5 顯示了有限元網(wǎng)格模型的一部分，是受 制于 數(shù)值模擬。 圖 4 制造商提供的工業(yè) 產(chǎn)品 該 產(chǎn)品的 材料是尼龍 Zytel 101L（ 30 ％ EGP，杜邦工程聚合物）。因此 ，翹曲變形特征在基底表面討論，其中參考平臺指定為水平面附于基底表面，縱方向指為預(yù)計參考方向。 該部分是由一個制造商提供，如圖 4 所示。 ，生成一個新的馬爾可夫鏈，（在先前的馬爾可夫鏈里，從最后接受的澆口位置生成），這一“溫度”減少的過程將一直持續(xù)直到酸算法結(jié)束。 （ 5 ） 因為減少的 溫度 39。 （ 3 ） 新澆口位置 由 接受 函數(shù)決定 接受 的 概率 一個統(tǒng)一的隨機變量 產(chǎn)生 [ 0,1 ] ， 如果 ， 接受，否則就拒絕。 適當(dāng)控制參數(shù)（ 0 c 1 ） 給出 退火過程與馬爾可夫鏈N。 后者則是接受一個概率 P 其中 是 f的 增 量 ， k是 Boltzman 常數(shù)， T是一個控制參數(shù)，其中 原數(shù)分析 是眾所周知的 恒溫 制度 ， 并且 無視客觀功能參與。 模擬退火算法 的 主要優(yōu)點是比其他方法 更 能夠避免在局部極小被困。 這是顯而易見的，該算法只需要 將 極小化問題列入考慮范圍。配置的值 的 設(shè)計變量 是 替代能源配置 本 身 ， 16 控制參數(shù)的過程是取代溫度。 這一算法和數(shù) 字 最小化 的 聯(lián)系是 Pincus（ 1970 年）第一個注意到，但 Kirkpatrick（ 1983 年）等人提議，把它形成一項優(yōu)化技術(shù)組合（ 或其他）。 模擬退火算法 模擬退火算法是其中最強大和最流行的元啟發(fā)式解決優(yōu)化問題，因為提供良好的 以實際條件全面化 解決辦法。 在有限元網(wǎng)格模型 中 ，每一個節(jié)點 都有可能是一個澆口 。 是節(jié)點有限元網(wǎng)格模型的一部分，為注射成型過程模擬 。 是 注入成型機器的可允許注入壓力或被設(shè)計者或制造業(yè)者指定的可允許的注入壓力 。 因此單一澆口位置優(yōu)化，可以 依如下制造 ： 最小化： 主題： 其中 γ 是特征翹曲變形 。因為相關(guān)關(guān)系澆口位置和翹曲分布，是在相當(dāng)大程度上獨立于熔體和模具的溫度，在這項調(diào)查 中 它是假定該成型條件 保持不變。因此，不同的澆口位置 會 引入不均勻 的 取向，密度，壓力和溫度分布，因 而 引 入 不同的值和分配翹曲。 安置一個 澆口， 在注射模具 整個設(shè)計中 是一個最重要的 步驟 。 澆口位置優(yōu)化問題的形成 從 質(zhì)量來說 ， 翹曲 ，是指永久變形的部分 不 是 由 實用的負載引起 的 。 在工業(yè)方面，視察該翹曲借助了一個觸角衡量，被測工件放在一 個 參考平臺 上 。 和 是節(jié)點 A和 B 的 撓度： 其中 ， ， ， 是對節(jié)點 A 的 撓度 在 X， Y， Z方向上的分量； ， 和 是對節(jié)點 B 的 撓度 在 X ， Y ， Z方向上的 分量 。α ， β ， γ 是角度的向量參考 。 計算 h時，節(jié)點 的 撓度提取如下： 其中 是撓度在正常方向參考平面 內(nèi) 提取節(jié)點 。 W是向量長度的矢量總和 ： + + ， 其中 i， j， k是 在 X， Y， Z方向上的 單位矢量。 模擬注射成型過程是一種常見的技術(shù)，以預(yù)測 質(zhì)量 來 設(shè)計零件，設(shè)計模具和工藝設(shè)置。 在 特定的表面特征和預(yù)測的方向 ， L 是一個常量。 對于復(fù)雜的特點（這里只討論平面特征） ，翹曲的特 點是通常 在 參考平面 內(nèi) 分為兩個 區(qū)域 ，它是代表一個二維坐標(biāo)系統(tǒng)： （ 2） 其中 ， 是特征翹曲在 X ， Y方向， ， 是表面特征 的 預(yù)計長度 在 X ， Y上 的 投影 。在這項研究中，特征翹曲是 用 來形容變形的注塑件。 但統(tǒng)計位移不能有效地描述變形的注塑件。 1996 ） 。 一些統(tǒng)計量計算，節(jié)點位移被定性為直接質(zhì)量 測量 ，以達到最低變形鏈優(yōu)化研究。 因此， 用 上述目標(biāo)函數(shù)優(yōu)化大概不會減低零件翹曲，甚至 是 完美的優(yōu)化技術(shù)。 這種行為 是作為填充不同流徑 的 時間差，溫度差，過度包裝的比例問題，等等。 相比之下，間接測量的零件質(zhì)量是正相關(guān)目標(biāo)質(zhì)量，但它并不能提供 對其質(zhì)量的 直接估計。 有兩種零件質(zhì)量 測量 ：直接和間接。 質(zhì)量措施：特征翹曲 定義特征翹曲 運 用優(yōu)化理論設(shè)計澆口，零件的質(zhì)量措施必須指定在初審。 模擬退火算法是用來尋找最優(yōu)澆口位置。 直接衡量零件質(zhì)量，這項調(diào)查定義特征翹曲來評價零件翹曲，這是從 流加翹曲 模擬產(chǎn)出 模型流向 塑料洞察力（電傳等）的軟件。 人們還很難選擇適當(dāng)?shù)募訖?quán)因子為每個函數(shù)。這些研究人員介紹 目標(biāo)函數(shù)作為注塑成型灌裝操作，這對相關(guān)產(chǎn)品的品質(zhì)有益。隨后，沈等人（ 2020 年 ） ，優(yōu)化了澆口位置設(shè)計通過最小加權(quán)充氣壓力，灌裝時間區(qū)別不同的水流路徑，溫差變化大，以及過度包裝的百分比。 所以在相當(dāng)大的程度上，受限于設(shè)計師的經(jīng)驗。 李 和 吉姆 （ l996b ）研制出一種自動選擇澆口位置的方法，其中一套初步澆口位置，由設(shè)計師提出，最優(yōu)澆口是位于相鄰節(jié)點。翹曲是受上述因素的影響， 但它們之間的關(guān)系并不明確。 它易于使用，而不耗費時間，而且它只不過是提供了簡單的有均勻厚度的平面零件。形狀分析方法是由 庫爾波貝斯 和 克瑞斯 2020 年提出，是 最佳澆口位置的注射成型估計。 許多注塑件是只制作一個澆口，無論是在單型腔模具或多個腔模具。作為大容量的一部分，多澆口需要縮短最高流徑，與相應(yīng) 12 減少注射壓力。該方法已顯示壓力在整個多腔模具成型周期中的單腔里均勻分布。 李 和 金姆 （ 1996 年）為多種注射溶洞優(yōu)化了澆道和澆口的大小來平衡澆道系統(tǒng)。相對地，澆口位置和澆道的大小是比較有彈性的，能夠多樣的影響零件質(zhì)量。從這個角度談了注塑模具設(shè)計，澆口是由其尺寸和位置，和澆道系統(tǒng)的規(guī)模和布局表征的。但腔平衡只是其中一個影響零件質(zhì)量的重要因素。 拉姆 和 森沃 （ 2020）， 吉姆 和 拉伊 （ 2020）達到平衡腔不同壁厚的一部分。質(zhì)量注塑件是一個有功能性，部分幾何，模具結(jié)構(gòu)和工藝條件的塑膠材料。最后，其中一個例子是討論有關(guān)文件，并可以得出結(jié)論認為，所提出的方法是有效的。專題翹曲的定義是用比例最大位移對特征表面預(yù)計長度的表面特征來描述零件翹曲。 N is the total number of nodes. In the finite element mesh model of the part, every node is a possible candidate for a gate. There fore, the total number of the possible gate location Np is a function of the total number of nodes N and the total number of gate locations to be optimized n: 6 In this study, only the singlegate location problem is investigated. SIMULATED ANNEALING ALGORITHM The simulated annealing algorithm is one of the most powerful and popular metaheuristics to solve optimization problems because of the provision of good global solutions to realworld problems. The algorithm is based upon that of Metropolis et al. (1953), which was originally proposed as a means to find an equilibrium configuration of a collection of atoms at a given temperature. The connection be tween this algorithm and mathematical minimization was first noted by Pincus (1970), but it was Kirkpatrick et al.(1983) who proposed that it formed the basis of an optimization technique for bina tional (and other) problems. To apply the simulated annealing method to op timization problems, the objective function f is used as an energy function E. Instead of finding a low energy configuration, the problem bees to seek an approximate global optimal solution. The configura tions of the values of design variables are substituted for the energy configurations of the body, and the control parameter for the process is substituted for temperature. A random number generator is used as a way of generating new values for the design variables. It is obvious that this algorithm just takes the mini mization problems into account. Hence, while per forming a maximization problem the objective func tion is multiplied by (?1) to obtai