(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211013013.3 (22)申请日 2022.08.23 (71)申请人 广东工业大 学 地址 510062 广东省广州市越秀区东 风东 路729号 (72)发明人 杨海东　宋才荣　匡先云　徐康康　 印四华　 (74)专利代理 机构 佛山市禾才知识产权代理有 限公司 4 4379 专利代理师 刘羽波 (51)Int.Cl. G06F 30/17(2020.01) G06F 30/27(2020.01) G06F 111/06(2020.01) (54)发明名称 一种模具冷却水道结构参数优化方法 (57)摘要 本发明涉及注塑工艺领域， 尤其涉及一种模 具冷却水道结构参数优化方法， 所述方法包括： 确定影响模具的质量的关键因素， 构建关于所述 关键因素的评价指标； 对所述模具进行仿真建 模， 得到冷却水道结构参数； 根据社交网络搜索 算法和支持向量机建立所述关键因素与所述冷 却水道结构参数的优化模型， 并对 所述优化模型 进行求解， 得到优化结果， 并根据所述优化结果 对所述冷却水道结构参数进行优化。 本发明结合 支持向量机和社交网络搜索算法实现了快速、 准 确的获取冷却水道最优结构参数的组合， 最大程 度避免因模具结构而影响制 品的质量及企业的 生产效率， 避免了非最优解和人工经验所造成的 误差， 提高了所得到的最优化参数的可靠性和准 确性。 权利要求书2页 说明书16页 附图8页 CN 115391943 A 2022.11.25 CN 115391943 A 1.一种模具冷却水道结构参数优化方法， 其特 征在于， 包括以下步骤： 确定影响模具的质量的关键因素， 构建 关于所述关键因素的评价指标； 对所述模具进行仿真 建模， 得到冷却水道结构参数； 根据社交网络搜索算法和支持向量机建立所述关键因素与所述冷却水道结构参数的 优化模型， 并对所述优化模 型进行求解， 得到优化结果， 并根据所述优化结果对 所述冷却水 道结构参数进行优化。 2.如权利要求1所述的模具冷却水道结构参数优化方法， 其特征在于， 所述关键因素为 模具温差， 所述评价指标满足以下关系式(1)： ΔT＝Tmax‑Tmin    (1)； 其中， ΔT表示注塑模壁温差指标， Tmax表示注塑模壁最高温度， Tmin表示注塑模壁最低 温度， 各项指标的单位均为℃。 3.如权利要求1所述的模具冷却水道结构参数优化方法， 其特征在于， 对所述模具进行 仿真建模， 得到冷却水道结构参数的步骤中， 仿真建模满足连续性方程、 动量方程和能量方 程， 所述连续 性方程满足以下关系式(2)： 其中， ρ 表示密度， vx、 vy、 vz分别表示 直角坐标系中x、 y、 z方向的速度分量； 所述动量方程满足以下关系式(3)： 其中， ρ 表示熔体密度， τ表示熔体偏应力， p表示注射压力， gi表示重力加速度； 所述能量方程满足以下关系式(4)： 其中 ， Cv表示定比热容 ， qi表示热通量 ， τi j表示剪切应力， p表示正应力， 表示对流项， 表示热传导项，权　利　要　求　书 1/2 页 2 CN 115391943 A 2表示压缩作用产生的内能， 表示应力所做的功， 表示剪切热。 4.如权利要求1所述的模具冷却水道结构参数优化方法， 其特征在于， 根据社交网络搜 索算法和支持向量机建立所述关键因素与所述冷却水道结构参数的优化模 型， 并对所述优 化模型进行求解， 得到优化结果， 并根据所述优化结果对所述冷却水道结构参数进行优化 的步骤， 包括以下子步骤： 获取所述冷却水道结构参数， 并通过正交实验获取仿真参数集； 选取所述支持向量机使用的核函数； 运用所述社交网络 搜索算法优化所述支持向量机的超参数； 输出所述超参数； 将所述超参数赋值给所述支持向量机， 并随机的将正交实验所获得的所述仿真参数集 分为训练数据组和测试数据组， 分别用于改进所述支持向量机的训练过程与测试过程， 并 保存训练完成的所述支持向量机； 将所述预设冷水道结构参数根据预设组别划分为多个组别， 并将不同组别的所述冷却 水道结构参数输入至训练好的所述支持向量机模型中， 输出相应的模具温差， 并进一步构 建所述预设模具冷水道结构参数和所述模具温差之间的参数温差函数关系； 调用所述社交网络搜索算法， 并根据 所述参数温差函数关系获得最优的所述模具冷水 道结构参数。 5.如权利要求4所述的模具冷却水道结构参数优化方法， 其特征在于， 获取所述冷却水 道结构参数， 并通过正交实验获取仿真参数集的步骤中， 将所述冷却水道结构参数分为水 道直径、 模壁距离、 水道距离三种变量， 并通过所述正交实验根据三种变量 获取所述仿 真数 据集。 6.如权利要求4所述的模具冷却水道结构参数优化方法， 其特征在于， 所述支持向量机 使用径向基核函数， 所述满足以下关系式(5)： 所述支持向量机对应决策函数满足以下关系式(6)： 其中， f(x)为回归函数返回的预测值； b表示偏置项， 取常数； C为惩罚因子； xi,j表示输 入量； ai表示拉格朗日乘子； g为核参数； i,j＝1,2, …,m； 需要优化的所述超参数包括所述 惩罚因子 C和所述核参数g。 7.如权利要求4所述的模具冷却水道结构参数优化方法， 其特征在于， 运用所述社交网 络搜索算法优化所述支持向量机的超参数的步骤， 包括以下子步骤： 将所述支持向量机的训练误差作为所述社交网络 搜索算法的适应度函数； 随机选择所述社交网络搜索算法四种更新模式进行迭代计算， 所述更新模式包括： 模 仿模式、 对话模式、 争论模式和创新模式； 输出优化后的所述超参数。权　利　要　求　书 2/2 页 3 CN 115391943 A 3