▲图1 低压铸造原理

原标题：低压铸造 · 热处理 · 性能预测——链式仿真的必要性、可行性与技术路线

低压铸造（Low Pressure Die Casting，LPDC）是铝合金精密成形的主流工艺之一，长期支撑着汽车车轮、底盘结构件、电机与电控壳体、电池托盘等关键零部件的规模化生产。

在轻量化、新能源与全球化竞争的叠加压力下，这一工艺正面临一次范式转换：过去依靠"老师傅经验＋实物试模"收敛的设计与验证模式，已经难以满足客户对性能一致性、开发周期和可追溯性的要求。

与此同时，一条此前只存在于论文与实验室中的技术路径正在变得工程可行——把铸造过程仿真（CAE）、缩孔缩松缺陷预测、热处理材料组织—性能模型，以及产线现场数据同化（Data Assimilation）串成一条完整的"链式仿真"，从而在设计阶段就对铸件性能作出可量化、可置信的预测。

本文将系统地回答三个问题：低压铸造设计今天到底痛在哪里；为什么必须做性能预测；为什么低压铸造是率先跑通这条链条的最佳载体，以及具体怎么落地。

本文的核心判断是：低压铸造是当前最有可能以较低成本实现"链式仿真＋性能预测"闭环的铸造工艺。它的价值不在于把仿真做得更复杂，而在于把"缺陷—组织—性能"这条因果链变成可计算、可校准、可交付的工程能力。谁先建成这条链条，谁就掌握了从"按图制造"走向"按性能交付"的主动权。

▪ 痛点判断： 低压铸造设计的核心痛点不是"不会算"，而是链条上存在三处断点——设计意图无法转译为工艺窗口（设计—工艺断层）、缺陷场无法回答性能是否致命（缺陷—性能断层）、现场数据无法回流校准模型（数据—模型断层）。三处断点共同导致开发依赖物理试错，无法通过提前模拟相对准确地预测机械性能。

▪ 可行性判断： 低压铸造具备罕见的"低熵"特征——缺陷类型集中于缩孔缩松且判据成熟、核心牌号集中且成分窗口窄、热处理规程标准化程度高。三者叠加使模型输入维度低、物理先验强、样本效率高，因而可以在更小投入下获得更高精度。现场数据与机器学习研究已给出工程证据：在真实产线上，仅用千余件样本和十余个工艺变量即可对缺陷做出可用的分类预测。

▪ 技术路线判断： 正确路线是"物理约束为骨、数据校准为肉、置信区间交付"的混合建模：CAE 物理场层 → 缺陷预测层 → 材料性能层 → 数据同化层，四层架构、单一数据底座、逐层可验证。应拒绝纯数据驱动与"万能精度"承诺，采用分级精度目标与盲测验证。

▪ 趋势判断： 未来三到五年是建立数据资产与模型资产的窗口期。随着 ICME（集成计算材料工程）、数字孪生、AI 代理模型与虚拟验证认证体系的成熟，链式仿真将从领先企业的差异化能力变为行业准入门槛。

第 1 章  行业背景：轻量化浪潮下的低压铸造

1.1 低压铸造的工艺定位与能力边界

低压铸造的基本原理并不复杂，如下图1所示：向密封坩埚内通入压缩空气（或采用电磁泵），使金属液沿升液管自下而上平稳充入金属型腔，并在凝固过程中持续保持压力以完成补缩。与重力铸造相比，它充型更平稳、补缩更充分；与高压压铸相比，它充型速度低、卷气少，因而可以进行 T4/T6 固溶时效热处理，获得更高的力学性能与致密度。以最典型的铝合金车轮为例，行业资料显示低压铸造在车轮制造工艺中的渗透率约为 90%，是该品类的主流工艺[1]。

这一工艺特征决定了它的能力边界，也决定了它的应用场景。

▪ 优势一：致密度高、可热处理强化。 充型平稳、补缩充分，铸件内部缺陷以缩孔缩松为主，气孔含量低；可以像锻件一样通过热处理调控组织与性能，抗拉强度、延伸率和疲劳性能普遍优于高压压铸件。

▪ 优势二：模具寿命长、综合成本适中。 金属型铸造，模具可反复使用；设备与模具投资低于锻造，材料利用率高，适合大批量生产。

▪ 优势三：工艺窗口相对清晰。 压力制度、模温、冷却与涂料构成主要控制变量，缺陷机理相对单一，这为后续的量化建模埋下了伏笔——本报告第 3章将详细论证这一点。

低压铸造的适用边界主要体现在生产节拍与零件大型化两个维度。 低压铸造单件节拍通常以分钟计，慢于高压压铸；受设备吨位、保温炉容量与模具热平衡限制，超大型一体化薄壁零件并非其主战场。

表 1 汇总了低压铸造的典型应用场景及其关键要求，部分常见低压铸造零部件如图2所示。由表1可知，这些场景共同指向"高致密、可热处理、抗疲劳、高气密"的技术需求，而这些恰恰是性能预测能够创造最大价值的领域。

▲图2 部分常见低压铸造零部件

▲表1 低压铸造典型应用场景与关键性能要求

1.2 竞争焦点：从"成形"转向"性能确定性"

过去三十年，低压铸造的技术进步主要围绕"成形"展开，即如何把零件形状完整做出来、如何提高节拍、如何降低废品率。今天，成形本身已不再是瓶颈，主流企业的工艺成熟度足以稳定生产形状复杂的铸件。真正拉开差距的，是"性能确定性"：

▪ 客户不再只验收尺寸与外观，而是要求供应商承诺性能指标，并在 PPAP/APQP 体系中提供证据；

▪ 安全件（转向节、副车架）要求批次一致性与可追溯性，任何一次性能漂移都可能触发召回；

▪ 新能源客户要求气密、疲劳等复合性能，且开发周期极短，没有时间做多轮实物试错；

▪ 出口与全球化经营要求可验证、可审计的开发过程，虚拟验证正逐步被接受为物理试验的补充甚至替代。

换言之，行业的竞争焦点正在从"能不能做出来"转向"能不能证明它一定行"。而"证明"这件事，靠增加检验比例是做不到的——它需要一套能够从工艺参数出发、穿过缺陷与组织、最终落到性能指标的预测能力。这正是本文讨论的主题。

第 2 章 核心痛点：低压铸造设计的现状与核心痛点

低压铸造的设计工作可以拆成两条主线：工艺设计决定金属液如何充型、如何凝固、如何补缩；结构设计决定零件本身的壁厚分布、热节位置、加工余量与连接界面。两条主线并非先后关系，而是在实物试模中反复耦合收敛——结构改了，浇注系统要改；工艺调了，缺陷位置会变。正是这种强耦合，使得低压铸造设计至今仍是一门"经验手艺"，而非可计算的工程流程。

2.1 工艺设计：在窄窗口里做多目标权衡

工艺设计的核心任务是设计一套压力—温度—时间制度，使金属液平稳充型、顺序凝固、充分补缩，同时满足节拍与成本约束。这项任务在低压铸造中尤其困难，原因是多个目标相互冲突，且可调参数之间存在强耦合，具体表现为以下四个方面。

第一，充型平稳性与生产效率的矛盾。升液、充型、保压、冷却四个阶段由压力曲线控制。充型速度过快会卷入气体、产生氧化膜夹杂与冷隔；过慢则金属液在充型途中降温，模温下降、流动性变差，同时拉长节拍。现场常见的做法是"经验曲线＋试模微调"，一条曲线往往对应一个零件、一套模具甚至对应一个季节（环境温度会影响模具热平衡）。

第二，补缩路径与热节控制的矛盾。缩孔缩松的本质是凝固末期局部区域得不到足够金属液补缩。设计者需要让远离浇口的部位最先凝固，并保证补缩通道畅通；但零件结构往往决定了热节无法完全消除，只能通过浇口位置、冒口、冷却与模温来"引导"凝固顺序。温度梯度、补缩距离与局部模温之间存在复杂的非线性关系，靠经验很难找到全局最优。

第三，模具热平衡的稳定性问题。金属型铸造的模具温度场决定了凝固顺序与缺陷分布。冷却水路布局、保温、加热、模具涂层与生产节拍共同塑造模温场；而模温场一旦漂移，缺陷位置就会随之改变。近年研究进一步表明，界面换热系数（HTC）与模温是影响缩松与承载能力的主导因素[2]，而这两者恰恰是最难精确给定、最依赖现场标定的边界条件。

第四，参数强耦合导致工艺窗口较窄。一项针对 A356 铝合金轮毂稳健设计的研究指出，低压铸造的批间波动主要源于工艺参数的固有波动，传统的单点优化方法忽视这种波动，导致"优化结果一上产线就失效"[2]。这意味着工艺设计不仅要找到"最优参数"，还要找到"稳健参数域"——后者的搜索空间远大于前者。

其结果是：工艺设计高度依赖资深工程师的经验判断，CAE 仿真通常只在方案基本定型后用于"事后验证"，而不是在设计早期用于"正向搜索"。工艺窗口的确定，往往要经过多轮试模与剖切验证。

2.2 结构设计：轻量化与工艺性的拉扯

结构设计的痛点，本质上是设计目标与制造约束之间的信息不对称。结构工程师按照强度、刚度、装配与轻量化要求设计几何，但对"这个几何在低压铸造中会形成怎样的热节、需要怎样的补缩、最终性能如何"缺乏定量工具。

具体表现在以下五个方面。

▪ 壁厚均匀性与热节。壁厚突变处必然形成热节，热节处补缩困难、易产生缩松。设计规范通常要求"壁厚均匀过渡"，但在集成化、轻量化的压力下，加强筋、螺栓凸台、衬套座等局部厚大结构难以避免，只能靠工艺去补偿。

▪ 加工余量与变形。余量留大，会增加局部热节与重量；余量留小，则铸件变形后加工出现"黑皮"。变形量本身又与残余应力、模具温度、顶出与冷却相关，是一个典型的"设计—工艺"耦合问题。

▪ 气密性与致密度。车轮、三电壳体、电池托盘等零件要求气密甚至耐压，缩松一旦贯通壁厚即判废。但"多大的缩松会贯通"、"哪个位置的缩松最危险"，缺乏设计阶段可用的判据。

▪ 连接界面与局部厚大。螺栓凸台、密封面、衬套安装孔等局部结构往往是缩松高发区，也是失效高发区。结构设计需要知道这些区域的"可接受缺陷水平"，而这需要缺陷—性能的定量关系。

▪ 面向制造的设计（DFM）工具缺失。结构工程师看不到工艺窗口，工艺工程师介入又偏晚，双方在试模阶段互相"打补丁"。企业并不缺少 CAE 软件，缺少的是把结构参数、工艺参数与性能指标放在同一个模型里权衡的工具。

在这种信息不对称下，结构设计往往走向两个极端：要么保守增重，用材料换取安全裕度；要么激进减薄，把风险留给试模与质量部门。两者都不是最优解。

2.3 三处断点：设计—制造—验证链条的结构性缺陷

把工艺设计与结构设计放回完整的价值链上看，低压铸造的"设计—铸造—热处理—检测"链条上存在三处结构性断点（图 3）。这三处断点不是某个企业的问题，而是行业性的方法论缺口。

▲图3 低压铸造“设计—制造—验证”链条与三类断点

断点①：设计—工艺断层。结构设计意图（哪里要强、哪里可轻、哪里必须致密）无法自动转译为工艺窗口（浇口位置、压力曲线、模温制度）。CAE 沦为事后验证工具，结构工程师拿不到"改这个圆角会让缩松减少多少"的反馈，只能凭经验留余量。

断点②：缺陷—性能断层。仿真能够给出缩松的位置与体积分数，但无法回答"这个缺陷是否影响承载与疲劳"。性能判定仍然依赖破坏性抽样试验：切一件、拉一件、疲劳一件，样本量小、周期长、覆盖不足。缺陷与性能之间缺少一条经过标定的定量映射。

断点③：数据—模型断层。熔炼成分、压力曲线、模温记录、X 射线图像、CT 结果、力学性能数据分散在 MES、检测报告、Excel 与个人经验中，没有统一的标识与结构，无法回流用于校准仿真与训练模型。数据不是没有，而是"不可用"。

三处断点相互强化：没有数据回流，模型精度上不去；模型精度不够，设计端就不敢用；设计端不用，数据就更难积累。

低压铸造设计的痛点，表面看是"试模多、周期长、废品率波动"，本质上是链条上三处断点导致的信息不闭环。工艺设计与结构设计各自都在做局部最优，却缺少一个把"结构—工艺—缺陷—性能"统一起来的定量模型。

第 3 章 可行性：为什么低压铸造最适合率先跑通链式仿真

"链式仿真＋性能预测"并非低压铸造的专属概念，高压压铸、砂型铸造乃至锻造都在探索。但一个现实问题是：为什么低压铸造最适合率先跑通链式仿真？本章的答案是，低压铸造具备一种可称为"低熵工艺"的特征——问题空间小、物理先验强、数据噪声低。这三者共同决定了建模的样本效率，而样本效率决定了投入产出比。

下面将从缺陷、材料、热处理、数据与算法五个维度展开论证。

3.1 缺陷类型集中：缩孔缩松主导，机理与判据成熟

低压铸造的充型过程平稳、卷气少，这使得它的缺陷谱系相对"干净"：缩孔缩松是绝对主导缺陷，气孔、夹渣、冷隔、裂纹只占少数。这一特征对建模至关重要，原因是缺陷类型越集中，需要建模的目标越单一，物理判据越容易复用。

缩孔缩松的物理机理已经被研究得相当透彻。凝固末期，孤立液相区得不到补缩即形成缩孔；温度梯度不足、补缩通道被阻断是根本原因。工程上已有成熟的量化判据：

▪ Niyama 判据：以温度梯度与冷却速度的比值表征补缩难度，是商用 CAE 软件中最常用的缩松判据之一[3]；

▪ 温度梯度法与孤立液相区法：识别最后凝固区域与封闭液池，判断补缩是否可达；

▪ 质量守恒补缩分析：核算局部收缩量与可补缩金属液量，给出体积型缺陷估计。

这些判据已经内置于主流铸造仿真软件（如ProCAST、MAGMA、FLOW-3D、AnyCasting 等），工程界对其适用边界有共识。更关键的是，判据的阈值可以按合金与件型进行标定——一旦标定完成，就能在同类产品上复用。

缺陷的可量化性是另一大优势。仿真侧可输出缩松体积分数、位置、尺寸与分布；检测侧可通过 X 射线、CT、剖切与密度测量获得对应标注。两侧数据可以形成"预测—实测"配对，这正是机器学习与数据同化所需的监督信号。相比之下，高压压铸的气孔、卷气缺陷分布随机性强、与工艺参数的关系更复杂，砂型铸造的夹砂、气孔、缩松多缺陷并存，标注与归因都更困难。

3.2 材料体系稳定：牌号集中、成分窗口窄

低压铸造的第二个"低熵"特征，是材料体系高度稳定。

低压铸造的常用牌号集中在 Al-Si-Mg 系：ZL101A（对应 A356.2）、ZL114A（对应 A357）及其派生牌号，覆盖了车轮、壳体、结构件的绝大多数场景。这些牌号的化学成分窗口窄、熔炼与变质处理工艺成熟、炉前光谱检测快速可靠，批次间的成分波动被控制在较小范围。

材料稳定带来的直接好处是：仿真所需的材料参数（热物性、本构、相变、热处理响应）可以在较长时间内保持有效，不必频繁重新标定；历史数据可以跨产品、跨批次复用，数据资产随时间增值。这与高压压铸形成鲜明对比，高压压铸合金牌号多、免热处理合金快速发展、成分与工艺窗口更宽，数据分布漂移大，模型迁移成本高。

3.3 热处理规程标准化：变量少、可重复、可建模

第三个"低熵"特征是热处理。与铸造过程相比，热处理是一个高度标准化的批次过程：装炉、升温、固溶保温、淬火转移、时效保温、空冷，每个环节都有明确的工艺参数与记录要求。

▪ 工艺窗口明确。T4、T6、T7 等状态对应的固溶温度与时间、淬火介质与温度、转移时间、时效温度与时间，行业内有成熟的参数区间，且被标准化与客户规范约束。

▪ 设备可控。热处理炉的有效加热区与温度均匀性按 GB/T 9452 进行测定与控制[4]；炉温曲线可自动记录，形成完整的过程数据。

▪ 实践有据可依。铝合金铸件热处理已有成熟的标准实践可循，如 ASTM B917/B917M 对各类铸造铝合金铸件的热处理给出了系统规定[5]。

▪ 可重复性高。同一炉次内零件经历相同的热历史，批次内差异小；相比铸造过程的模温漂移、压力波动，热处理的不确定性低一个量级。

这意味着在"铸造—热处理—性能"链条上，热处理环节的变量数量少、可观测性强、可重复性高，非常适合作为模型中的"可控输入"，而不是"误差来源"。反过来，这减轻了性能预测模型的负担：模型可以把主要精力放在铸造缺陷这一主变量上，而热处理负责把"组织—性能"关系映射到不同状态。

3.4 数据闭环成本低：批量大、检测规范、标注便宜

低压铸造的典型产品多为大批量件，例如车轮、壳体、结构件等，动辄年产数十万至数百万件。大批量意味着：

▪ 数据密度高。每个批次都有熔炼记录、铸造曲线、模温记录、X 射线检测结果、力学性能抽检与气密试验数据；部分企业已实现 MES 与检测设备的数据打通。

▪ 标注成本低。缺陷位置与等级可由检测报告结构化提取，无需额外人工标注；CT 抽检数据可作为高价值标签。

▪ 工况覆盖广。大批量生产天然覆盖不同季节、不同模具、不同班次、不同批次，为模型的泛化提供了真实分布。

▪ 验证成本可摊薄。少量的破坏性试验与 CT 检测即可验证模型，验证成本被批量摊薄。

低压铸造在"缺陷集中度、工艺变量可控性、材料稳定性、热处理标准化、缺陷可检测性、数据获取经济性"六个维度上均更适合实现链式仿真。链式仿真的可行性不仅取决于算法，更取决于工艺本身的"可建模性"。

3.5 算法与算力已具备工程条件

建模方法的成熟度，是可行性的最后一块拼图。过去五年，铸造领域的技术栈已经发生了实质性变化。

第一，代理模型与机器学习方法成熟。响应面、克里金、梯度提升树（如 XGBoost）、神经网络等代理模型可以高效拟合"工艺参数—缺陷—性能"的高维非线性关系；SHAP 等可解释性方法能够识别主导因素，避免"黑箱"；贝叶斯方法可以对模型参数进行后验校准，并给出不确定性区间。这些方法都有成熟的开源实现，工程落地门槛大幅降低。

第二，工业界已有可复现的证据。一项针对真实低压铸造轮毂产线的研究，采集了三班倒、连续六天的数据，共计 1077 件车轮、13 个工艺变量、36 个特征，用 XGBoost 分类模型预测气孔/缩松缺陷，取得良品识别率 87%、缺陷件识别率 74% 的效果，并用于新产品试制阶段的工艺参数调优[6]。这项研究的价值在于：它证明了在真实产线上，千件级样本就足以训练出可用的缺陷预测模型。

第三，算力不再是瓶颈。单个铸造仿真算例通常在小时级，代理模型推理在毫秒级；本地工作站与云端算力均可满足工程节奏。真正稀缺的不是算力，而是高质量、结构化的数据。

3.6 "更小投入、更高精度"的经济学解释

综合以上四点，本文可以给出一个反直觉但重要的结论：低压铸造可以用更小的投入，做出精度更高的性能预测模型。

其经济学机理可以拆成三条:

▪ 输入维度低，样本效率高。缺陷类型集中、材料牌号集中、热处理标准化，意味着模型的输入空间维度低、有效特征少。统计学习的基本规律是：维度越低，达到同样精度所需的样本量越少。

▪ 物理先验强，模型不必"从零学起"。Niyama 判据、温度梯度、组织—性能关系等物理知识可以直接嵌入模型结构或作为特征，极大压缩了假设空间。物理约束越强，模型越不容易过拟合，小样本下表现越稳。

▪ 标签质量高，噪声低。缺陷检测数据规范、热处理可重复、材料稳定，使训练标签的信噪比高于其他工艺；同样的样本量能提供更多有效信息。

低压铸造的可行性不是"工艺简单所以好做"，而是"问题结构清晰所以模型高效"。缺陷集中让建模目标单一，牌号稳定让数据可复用，热处理标准化让变量可控，批量与检测让数据可得——四者叠加，构成了一条其他铸造工艺短期内难以复制的"低成本高精度"路径。

第 4 章 技术路线：CAE 仿真＋缺陷预测＋材料性能模型＋现场数据同化

前三章回答了"为什么"，本章回答"怎么做"。链式仿真与性能预测不是一个软件、一个模型，而是一套由四个能力模块组成、由统一数据底座支撑、靠数据同化持续校准的工程体系。其核心方法论可以概括为一句话：以物理约束为骨架，以数据校准为血肉，以置信区间交付结论。

4.1 总体架构：四层一底座

推荐的技术架构分为五个层次（图 4）：应用层、预测层、物理层、数据层，以及贯穿全链条的同化层。图5所示为SupreCAST智铸超云多物理场计算分析框架。

统一数据底座。材料、工艺、检测、服役数据统一标识、统一口径、统一存储，是所有上层模型的前提。没有数据底座，任何模型都是一次性的。

▲图4 低压铸造链式仿真与性能预测总体技术架构

▲图5 SupreCAST智铸超云——多物理场计算分析框架

4.2 CAE 物理场层：先把"过程"算准

物理场仿真是整条链的地基，目标是尽可能准确地复现"充型—凝固—冷却"过程，输出温度场、固相率场、应力应变场等中间结果。低压铸造的仿真通常包括四类物理场：

▪ 充型与卷气：流场、压力、自由表面、氧化膜卷入；

▪ 凝固与补缩：温度梯度、冷却速度、固相率演化、收缩；

▪ 热—力耦合：残余应力、变形、开裂风险；

▪ 模具热平衡：模温场随生产节拍的演化，冷却水路与加热的作用。

实践中最大的误差源不是求解器，而是边界条件。界面换热系数（HTC）、模具与环境的换热、冷却水路的对流换热系数，往往只能凭经验给定，而这些参数恰恰对凝固顺序与缩松分布影响巨大，影响仿真分析精度的因素（图6）。因此，物理场层的重点不是把网格画得更细，而是建立边界条件的标定机制：用实测温度曲线、冷却曲线反演 HTC 与模温边界，把"猜参数"变成"标参数"。

▲图6 影响仿真分析精度的因素

物理场层的验证矩阵应至少包括：关键点温度曲线实测对比、缩松位置与体积分数剖切/CT 对比（图7）、变形量测量对比。只有这三类验证通过，物理场才有资格向上游输出。

▲图7 准确性校正

4.3 缺陷预测层：从"场"到"当量"

缺陷预测层的任务，是把物理场结果转化为可被判定的缺陷描述。技术上有两条互补的路线。

路线一：物理判据。直接使用 Niyama 判据、温度梯度法、孤立液相区法、补缩距离判定等成熟判据，识别缩松风险区域。物理判据的优点是机理清晰、可解释、外推能力强；缺点是需要按合金与件型标定阈值，且对复杂结构的适应性有限。

路线二：机器学习修正。以物理场特征（温度梯度、冷却速度、固相率、压力）、工艺参数与结构参数为输入，以 CT/X 射线标注为标签，训练分类或回归模型（XGBoost等），对物理判据的偏差进行修正。机器学习擅长捕捉物理模型遗漏的复杂关系，但需要足够的标签数据，且必须解决"分布外泛化"问题。

工程上推荐物理判据打底、机器学习修正的融合策略：物理判据给出基线预测与可解释性，机器学习在其残差上做校正。输出应统一为可被设计与质量部门使用的"缺陷当量"：

▪ 位置：以区域（如轮辐根部、轮辋过渡区）或网格单元表达；

▪ 尺寸：等效圆直径、投影面积、最大弦长；

▪ 程度：体积分数、孔隙率、等级（可按企业标准分为若干级）；

▪ 不确定性：每个预测附带置信度或概率，供后续风险决策使用。

4.4 材料性能预测层：组织—性能的定量映射

缺陷预测回答"哪里有缺陷、有多大"，性能预测回答"这些缺陷会让性能下降多少"。两者之间的桥梁是组织：缺陷影响组织，组织决定性能。

图 8 展示了从工艺参数到性能的完整映射链：工艺参数 → 物理场 → 缺陷场 → 组织场 → 性能场。每一个环节都有可检验的物理量，也都可以被现场数据校准。

▲图8 从工艺参数到性能的链式映射关系

表 2 进一步给出了主要缺陷类型与检测手段、可量化指标及性能影响之间的对应关系，它是设计缺陷分级标准与数据标注规范的直接依据。

▲表2 缺陷—检测—性能的映射关系

组织参数是性能预测的核心中间变量，主要包括：二次枝晶臂距（SDAS）、孔隙率与孔隙形貌、固溶度、析出相尺寸与分布、晶粒尺寸。这些参数一部分可由仿真预测（如冷却速度与 SDAS 的经验关系、孔隙率），一部分需由热处理模型给出（如固溶与时效析出动力学）。

性能模型通常采用三层结构：

▪ 物理模型层：以 Hall-Petch 关系描述晶粒与枝晶细化对强度的贡献，以 Orowan 机制描述析出强化，以孔隙率修正描述缺陷对延伸率与强度的折减；结合 CALPHAD 相图计算确定相组成与固溶度。

▪ 经验/半经验模型层：基于历史数据建立 SDAS、孔隙率、热处理参数与屈服强度、抗拉强度、延伸率之间的回归关系，作为快速预测的基线。

▪ 机器学习修正层：以物理模型与经验模型为特征，学习残余偏差；或在数据充足时直接建立端到端映射，但需保留物理一致性检查。

疲劳是性能预测中最具价值也最困难的部分。低压铸造件的失效多源于缺陷处的疲劳裂纹萌生，缺陷尺寸与位置直接决定疲劳寿命。工程上可采用断裂力学框架（如 Kitagawa-Takahashi 图）建立"缺陷尺寸—应力幅—寿命"关系，并引入临界缺陷尺寸概念：低于某一尺寸的缺陷对疲劳寿命影响可忽略。临界缺陷尺寸一旦确定，就可以转化为可执行的质量分级标准——这正是性能预测直接产生管理价值的典型场景。

热处理窗口的反演是另一项高价值能力。给定目标性能，反推固溶温度/时间、淬火转移时间、时效温度/时间的可行组合，可以帮助企业在保证性能的前提下优化能耗与节拍。

4.5 数据同化层：让模型"活"在产线上

再好的模型，如果不能在产线漂移时自我修正，也会在几个月内失效。数据同化层的使命，就是建立"预测—实测—校准—再预测"的闭环（图 9）。

▲图9 数据同化闭环：模型随产线漂移自我修正

数据来源包括五类：熔炼数据（成分、温度、精炼与变质）、压铸数据（压力曲线、模温、节拍、冷却）、热处理数据（炉温曲线、淬火转移时间）、检测数据（X 射线、CT、力学性能、气密）、服役数据（台架试验、售后失效）。这些数据必须通过统一标识（件号—炉次—模具—班次—时间）串联，才能形成可用的样本。

数据同化有以下四类方法：

▪ 贝叶斯校准：把未知参数（如 IHTC、判据阈值、模型系数）视为随机变量，用实测数据更新其后验分布，同时给出不确定性；

▪ 边界条件反演：由实测温度场反演换热系数与热流边界，这是提升物理场精度的关键手段；

▪ 迁移学习：把在一个产品/模具上训练的模型迁移到新产品，减少新产品的数据需求；

▪ 在线更新与漂移监测：持续监测预测残差，当残差分布发生显著漂移时触发模型重校准。

已有研究通过在铸造温度场数字孪生中反演界面换热系数并融合时空数据，显著提升了模型对实测温度的跟随能力[7]，这类方法可以直接迁移到低压铸造的同化层建设中。

数据治理是同化层能否运转的前提。企业需要建立数据字典、统一命名与编码、明确质量标记规则（合格/可疑/无效）、建立版本管理与权限体系。这件事的技术难度不高，但组织难度很大，必须有跨部门机制保障。

第 5 章 未来展望：大势所趋

如果把链式仿真与性能预测放在更长的时间尺度上看，它并非某一家企业的技术选择，而是制造业数字化转型在铸造领域的具体投影。材料计算、数字孪生、人工智能与虚拟验证认证体系正在同时成熟，它们共同指向一个确定的方向：制造过程从"经验驱动"走向"模型驱动"。

5.1 ICME：从"试错"到"计算"的范式

集成计算材料工程（Integrated Computational Materials Engineering，ICME）自 2008 年被系统性提出以来，已成为材料与制造领域的共识性方向[8]。其核心思想是：把材料成分、工艺过程、微观组织与宏观性能纳入统一的计算框架，用模型替代部分物理试验，实现"材料—工艺—性能"的协同设计。

低压铸造的链式仿真，本质上就是 ICME 在铸造场景中的一次具体落地：CAE 描述工艺过程，缺陷与组织模型描述微观结构，性能模型给出宏观响应，数据同化完成模型校准。过去，ICME 停留在航空、核电等高价值领域；今天，随着算力成本下降与算法成熟，它正在向汽车零部件等大批量制造场景渗透。低压铸造由于其"低熵"特征，很可能成为 ICME 在铸造行业规模化落地的第一个入口。

5.2 数字孪生与虚拟验证：认证体系的变迁

性能预测的终点，是虚拟验证被客户、标准与监管体系接受。这一进程正在发生：越来越多的主机厂在供应商准入中接受仿真报告与虚拟验证证据，部分行业标准开始纳入数字化验证方法。

数字孪生是这一进程的技术载体。它不再是"一次仿真"，而是与产线实时同步、持续校准的虚拟镜像：每一批次的工艺参数、检测结果、性能预测都在孪生体中沉淀，形成可追溯、可审计的质量档案。当虚拟验证与数字孪生结合，供应商可以向客户交付的不是"抽检合格证明"，而是"每一件的性能置信度"。

当然，认证体系的改变不会一蹴而就。虚拟验证要获得广泛认可，需要解决模型可信度评估、第三方认证、责任界定等问题。这也意味着，未来几年行业会出现"标准争夺"：谁的方法被写成标准，谁就获得先发优势。

5.3 AI 的角色：代理模型、生成式设计与知识助手

人工智能在铸造领域的应用，将沿着三条路径深化。

▪ 代理模型：用机器学习代理替代昂贵的物理仿真，把"小时级算例"压缩为"毫秒级预测"，使实时优化与在线决策成为可能。这是当前最成熟、最先产生价值的方向。

▪ 生成式设计：给定性能目标与工艺约束，由算法生成满足铸造工艺性的结构方案（壁厚、筋布局、浇口位置）。这一方向尚处早期，但潜力巨大。

▪ 知识助手：以大模型为载体，把分散的工艺规范、失效案例、专家经验组织成可检索、可推理的知识库，降低经验传承的门槛。需要注意的是，大模型在工程场景中必须与数据、模型、规则结合，避免"一本正经地胡说"。

三条路径的共同前提是高质量数据与物理约束。没有数据底座，AI 只是空中楼阁；没有物理约束，AI 结论无法被工程师信任。

5.4 对企业的战略含义：三层资产与窗口期

综合来看，链式仿真与性能预测给企业带来的不是一套软件，而是三层可积累的资产。

▪ 数据资产：工艺、检测、服役数据的结构化积累，是模型的基础，也是竞争对手最难复制的部分。

▪ 模型资产：经过验证的缺陷模型、性能模型、代理模型与校准流程，构成企业的"计算能力"。

▪ 组织能力：跨部门协同、数据治理、模型管理、人才梯队，决定前两层资产能否持续增值。

未来三到五年是建立这三层资产的窗口期。窗口期内，先行者可以获得"精度更高—客户更信任—数据更多—精度更高"的正反馈；

结论

第一，低压铸造设计的核心痛点，是链条上的三处断点。设计意图无法转译为工艺窗口、缺陷场无法回答性能是否致命、现场数据无法回流校准模型，三者共同导致开发依赖物理试错、知识沉淀在个人。解决痛点不能靠增加试模次数，而要靠重建链条。

第二，性能预测会从可选项变为优选项。轻量化压缩安全裕度、新能源提出气密与疲劳新要求、客户要求虚拟验证与可追溯、试错模式边际收益递减，四个方向共同把性能预测推成质量基础设施。它的价值不仅是"算得准"，更是"敢承诺"。

第三，低压铸造是率先跑通链式仿真的最佳载体。缺陷集中于缩孔缩松且判据成熟、核心牌号集中且成分窗口窄、热处理规程标准化程度高、批量大且检测数据可得——这四项特征使建模的输入维度低、物理先验强、样本效率高，从而可以用更小的投入获得更高的精度。工业界已有可复现的证据支持这一判断。

第四，技术路线应是"物理＋数据"的混合建模。CAE 物理场、缺陷预测、材料性能模型、数据同化四件套，配合统一数据底座与分级精度目标，构成可落地的工程体系。拒绝纯数据驱动，拒绝"万能精度"，以区间与置信度交付结论。

第五，落地要分步走，未来三到五年是关键窗口期。单点验证、链式贯通、规模化虚拟验证，每一步都要有可验证的业务价值。随着 ICME、数字孪生、AI 与虚拟验证认证体系的成熟，链式仿真将从领先企业的差异化能力逐步变为行业准入门槛。  

最终判断：低压铸造的下一轮竞争，不是设备与产能的竞争，而是"把性能算准"的技术开发能力的竞争。谁先把"铸造—热处理—性能"这条链条变成可计算、可校准、可交付的资产，谁就能在轻量化与新能源的长期趋势中占据更有利的位置。这不是一次技术升级，而是一次制造范式的迁移。

参考文献

[1]华经产业研究院. 2021 年全球及中国铝合金汽轮行业现状，轻量化成发展趋势[EB/OL]. 2022-04-29. https://www.huaon.com/channel/trend/801384.html
[2] Zhan Y, Fan F, Li X, et al. A Robust Design Method for Low-Pressure Die Casting Process Based on Surrogate Models[J]. Computers, Materials & Continua, 2026. DOI: 10.32604/cmc.2026.077966. https://www.sciopen.com/article/10.32604/cmc.2026.077966
[3] Niyama E, Uchida T, Anzai K, et al. A method of shrinkage prediction and its application to steel casting practice[J]. AFS International Cast Metals Journal, 1982, 7(3): 52-63.
[4] GB/T 9452—2023, 热处理炉有效加热区测定方法[S]. 北京: 中国标准出版社, 2023.
[5] ASTM B917/B917M, Standard Practice for Heat Treatment of Aluminum-Alloy Castings from All Processes[S]. West Conshohocken: ASTM 
International.
[6] Uyan T, Otto K, Silva M, et al. Industry 4.0 Foundry Data Management and Supervised Machine Learning in Low-Pressure Die Casting Quality Improvement[J]. International Journal of Metalcasting, 2023, 17(1): 414-429. DOI: 10.1007/s40962-022-00783-z. https://cris.vtt.fi/en/publications/industry-40-foundry-data-management-and-supervised-machine-learni/
[7] Digital twin modeling of the temperature field in titanium alloy casting through interfacial heat transfer coefficient inversion and spatiotemporal data fusion[J]. International Journal of Heat and Mass Transfer, 2025. https://www.sciencedirect.com/science/article/abs/pii/S0017931025014887
[8] National Research Council. Integrated Computational Materials Engineering: A Transformational Discipline for Improved Competitiveness and National Security[M]. Washington DC: The National Academies Press, 2008.

本文转载自：智铸超云