Machine learning based cooling time prediction in plastic injection molding process

Abstract

This thesis presents a new approach to develop a machine-learning model for the cooling profile prediction of a planar part produced through the plastic injection molding. Design parameters related to the cooling stage of injection molding, such as distance between the cooling channel and plastic part surface, the distance between cooling channels, the cooling channel diameter, the thickness of the part, as well as plastic material properties including density, mass, thermal conductivity, and specific heat are considered. A wide range of scenarios are created considering the design parameters, ensuring the creation of a comprehensive dataset. To manage this extensive collection of cases, scripts are used to automate designs and simulations. The scripts first generate the required cooling channels for each scenario, then simulate the cooling stage of the injection molding process and collect the relevant results. Then, the physics of the cooling is discussed to estimate the time-dependent temperature of the part in the plastic injection process. An LSTM machine-learning model is used to forecast the simulation results and a regression model is used to predict the cooling profile of the parts. The validation of the developed machine-learning model is done by estimating the cooling time of two industrial parts, produced by plastic injection. One of the parts is cooled with the conformal cooling channels and the estimated cooling time is found with a 2.67% error. On the other hand, the second part is cooled with conventional cooling channels and the estimated cooling time is found with an 11.44% error. In addition, the impact of each design parameter on the cooling time was examined. After the examination, it was noticed that the plastic part should be designed as thin as possible during the design to reduce the cooling time. Also, designing cooling channels as close to the surface of the plastic material as possible was very important to reduce the cooling time.Bu tez, plastik enjeksiyon ile üretilen düzlemsel bir parçanın soğutma profili tahmini için bir makine öğrenimi modeli geliştirmeye yönelik yeni bir yaklaşımı sunmaktadır. Soğutma kanalı ile plastik parça yüzeyi arasındaki mesafe, soğutma kanalları arasındaki mesafe, soğutma kanalı çapı, parça kalınlığı gibi plastik enjeksiyonda soğutma aşamasıyla ilgili tasarım parametrelerinin yanı sıra yoğunluk, kütle, termal iletkenlik ve özgül ısı gibi plastik malzeme özellikleri de dikkate alındı. Tasarım parametreleri dikkate alınarak çok çeşitli senaryolar oluşturulmakta ve kapsamlı bir veri setinin oluşturulması sağlanmaktadır. Bu kapsamlı vaka koleksiyonunu yönetmek için, tasarımları ve simülasyonları otomatikleştirmek için yazılım geliştirildi. Komut dosyaları önce her senaryo için gerekli soğutma kanallarını oluşturur, ardından plastik enjeksiyon işleminin soğutma aşamasını simülasyonunu yapar ve ilgili sonuçları toplar. Daha sonra, plastik enjeksiyon işleminde parçaların zamana bağlı sıcaklıklarını tahmin etmek için soğutmanın fiziği ele alınmıştır. Simülasyon sonuçlarını tahmin etmek için bir LSTM makine öğrenmesi modeli kullanılmış ve parçaların soğuma profilini tahmin etmek için bir regresyon modeli geliştirilmiştir. Geliştirilen ML modelinin doğrulaması, plastik enjeksiyon ile üretilen iki endüstriyel parçanın soğuma süresi tahmin edilerek yapılmıştır. Parçalardan biri konformal soğutma kanalları ile soğutulmaktadır ve soğuma süresi %2.67 hata ile tahmin edilmiştir.İkinci kısım ise konvansiyonel soğutma kanalları ile soğutulmaktadır ve soğutma süresi %11.44 hatalık bir hata payı ile tahmin edilmiştir. Ayrıca, her bir tasarım parametresinin soğutma süresi üzerindeki etkisi incelenmiştir. Yapılan inceleme sonrasında soğuma süresini azaltmak için tasarım sırasında plastik parçanın mümkün olduğunca ince tasarlanması gerektiği fark edilmiştir. Ayrıca soğutma kanallarının plastik malzemenin yüzeyine mümkün olduğunca yakın tasarlanması soğuma süresini azaltmak için çok önemlidir.