從反覆試誤到結構化搜尋

葡萄牙米尼奧大學（University of Minho）的聚合物與複合材料研究所（Institute of Polymers and Composites，IPC），運用模擬與人工智慧（AI），解決射出成型中最棘手的其中一項瓶頸：在不犧牲品質的前提下，實現快速且均勻的冷卻。IPC團隊採用「模擬優先」的工作流程，並結合基於主成分分析（PCA）的目標篩選、類神經網路（ANN）代理模型，以及多目標演化最佳化，該團隊成功將過去須耗時數週的傳統試誤法，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製程設計方案。

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週期的70%-80%，也是造成殘餘應力、翹曲和位移的主要原因。雖然異型水路（Conformal Cooling Channels，CCC）有助於緩解上述問題，但其水路配置便是一個涉及週期時間、溫度條件及可製造性的多目標難題。為了應對這項挑戰，IPC團隊利用Moldex3D來評估設計方案，並藉助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於傳統水路配置的溫度分布、成型週期時間。

應用焦點：採異型水路的薄壁杯

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縮短搜索範圍並識別有效設計方案。藉由這套工作流程，所預測的成型週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、異型水路設計範例

IPC團隊的工作流程

射出成型的專案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，縮減最佳化目標。接著運用Moldex3D模擬分析結果來訓練類神經網路（ANN）代理模型，以快速預測溫度與冷卻時間。該團隊也採用多目標演化演算法（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。最後，透過繪製帕雷托前沿（Pareto Front）來清楚呈現各指標間的權衡關係（例如：須犧牲多少成型週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）於最佳化目標選取之應用

AI作為加速器，模擬作為基石

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於單次實驗，而是一套能重複導入的方式，能實現更高品質的模具設計、更短的成型週期。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，為類神經網路（ANN）、多目標演化演算法（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，有助於釐清問題根因（如積熱位置），並驗證最終設計。最重要的是，在模具製造前就能先透過Moldex3D驗證所有最佳化數據指標，有效降低製造風險並減少量產成本。

圖三、考量兩種替代澆口配置，並採用NL-PCA所選定之四項目標條件下，經多目標演化演算法所獲結果

IPC團隊研究成果之相關參考文獻：

• 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