基于深度学习模型的铸造过程模拟仿真

将AI用于替代铸造过程数值模拟，建立了基于卷积神经网络CNN的深度学习模型，研究了铸件形状、材质热物性参数、初始条件的处理方法，提高了深度学习模型较高的泛化性，实现了不同形状铸件、不同材质和不同浇注温度铸造过程传热的快速预测，得到铸件任意时刻的温度场，可预测缩孔缩松缺陷。深度学习模型具有移植到智能铸型系统的潜力，从而实现在线的铸造过程模拟仿真与工艺的即时优化，为实现铸件的全过程全方位的控形控性奠定基础。

清华大学材料学院副研究员，博导。1998年清华大学获博士学位，毕业后一直在清华大学任教。主要从事材料加工智能化研究，包括金属凝固、铸造、增材制造及其模拟仿真与人工智能。发表论文240多篇，SCI、EI收录200多篇次，出版专著5本，授权发明专利40项，软件著作权20多项，获得省部级奖励8项。兼任中国仿真学会理事、CAE仿真专委会副主任委员、国家数字化设计与制造创新中心北京中心副主任、中国铸造协会专家委员会委员、《Modeling and Numerical Simulation of Material Science》、《热加工工艺》、《铸造工程》编委。