一种用于单向轧制铜微杯多级深拉的可持续混合 FEA–AI 优化框架

为何微小金属杯重要

从智能手机到医疗植入物，许多现代设备内部都隐藏着用于承载、屏蔽或连接微小部件的金属小杯。用铜制造这些微杯看似简单，但要在尽可能少的能耗和材料浪费下保证每一个成形尺寸和形状准确却异常困难。本研究展示了如何将计算仿真与人工智能结合，调优制造工艺，使这些零件一次成形到位，减少报废。

微杯的制造方式

微杯通常通过将平金属带推动进入模具使其流动成杯形，这一过程称为深拉。随着杯子缩小到毫米级别，摩擦、工具形状或金属组织的微小变化都会引发大问题：所需的成形力可能远高于预期，且成形后杯体会发生回弹，改变尺寸与形状。作者关注的是经过重度轧制以获得高强度和细小晶粒的铜带，这使得材料的力学行为高度各向异性且更难预测。他们设计了一个八道次工艺路线，逐步将厚铜板挤压成不易破裂的薄壁微杯。

在虚拟压力机中观察金属流动

团队没有依赖车间里的反复试错，而是用有限元方法构建了详细的虚拟工艺模型，这是工程中常用的仿真工具。他们输入了轧制铜的测量性能参数，包括沿轧制方向和横向的不同拉伸行为。在仿真中他们改变三个关键参数：冲模间隙（凸模与凹模间的间隙）、冲头鼻部的圆角半径，以及以摩擦表示的接触粗糙度。对于每一组组合，模型预测两个重要结果：成形过程中作用于工装的最大力和卸载后杯壁的回弹量。这些运行产生了一个丰富且一致的数据集，描绘了工艺设置如何影响杯子的质量。

教人工“脑”预测结果

为了将仿真数据转化为快速决策工具，研究人员训练了数学代理模型，能够在不重新运行昂贵仿真的情况下预测力和回弹。他们尝试了传统的曲线拟合方法和两种人工神经网络变体，这些计算模型受大脑连接启发。所有模型仅用仿真数据训练，然后用液压试验的实测结果进行验证。其中，一种采用贝叶斯正则化的神经网络（可防止过拟合的方法）在虚拟与实际测试中均给出最可靠的预测，典型误差维持在几个百分点左右或更低。

让进化算法搜索最佳参数

有了可靠的快速预测器后，团队加入了遗传算法：通过模拟自然选择进化大量候选参数并保留表现最好的那部分。该混合系统搜索既能保持低工装力又能降低回弹同时制造无缺陷微杯的工艺条件。它识别出一个最佳区域：中等间隙、较小的冲头鼻部半径和低摩擦。基于这些参数的实验验证表明，与基准情况相比，所需成形力约降低 6%，回弹量接近降低 10%。由于成形力与功率消耗密切相关，这些改进暗示了在大批量生产中可获得直接的能耗节约。

对更绿色制造的意义

对读者而言，关键结论是：谨慎使用虚拟试验和人工智能可以更容易地设定制造微小金属零件的合适工艺条件。在本工作中，这一混合框架从基于物理的仿真中学习，将这些经验传递给神经网络，然后通过进化搜索找到兼顾精度并降低工装载荷、能耗和废料的“甜点”设置。该方法目前仅在简单的圆形铜微杯上进行了验证，但它为更高效制造其他小型组件提供了可借鉴的模板，既有利于精密器件，也有助于实现更可持续的制造。

引用: Sivam, S.P.S.S., Kesavan, S. & Santhosh, A.J. A sustainable hybrid FEA–AI optimization framework for multistage deep drawing of unidirectionally rolled copper micro-cups. Sci Rep 16, 15934 (2026). https://doi.org/10.1038/s41598-026-45011-4

关键词: 微深拉, 铜微杯, 人工神经网络, 遗传算法优化, 可持续制造