帶側(cè)臺(tái)方套管模具設(shè)計(jì)-注塑模具【三維PROE】【含CAD圖紙】

喜歡就充值下載吧。資源目錄里展示的全都有，下載后全都有,請(qǐng)放心下載，原稿可自行編輯修改 【QQ：414951605 可咨詢交流】=喜歡就充值下載吧。資源目錄里展示的全都有，下載后全都有,請(qǐng)放心下載，原稿可自行編輯修改 【QQ：1304139763 可咨詢交流】=喜歡就充值下載吧。資源目錄里展示的全都有，下載后全都有,請(qǐng)放心下載，原稿可自行編輯修改 【QQ：1304139763 可咨詢交流】= 大連交通大學(xué)2017屆本科生畢業(yè)設(shè)計(jì)外文翻譯基于人工神經(jīng)網(wǎng)絡(luò)模型和期望改進(jìn)函數(shù)法的注塑成型工藝參數(shù)優(yōu)化收到：2008年10月16日/接受日期：2009年9月24日/在線發(fā)布：2009年11月20日施普林格出版社倫敦有限公司2009。 摘要：在本研究中，提出了一種基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化方法，以優(yōu)化注塑過(guò)程。優(yōu)化過(guò)程旨在最小化注塑部件的翹曲，其中工藝參數(shù)是設(shè)計(jì)變量。 Moldflow Plastic Insight軟件用于分析注塑件的翹曲。模具溫度，熔體溫度，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間均被視為工藝參數(shù)。人工神經(jīng)網(wǎng)絡(luò)和實(shí)驗(yàn)設(shè)計(jì)（DOE）方法的組合用于構(gòu)建翹曲與過(guò)程參數(shù)之間的近似函數(shù)關(guān)系，代替優(yōu)化迭代中的昂貴的仿真分析。自適應(yīng)過(guò)程是通過(guò)預(yù)期的改進(jìn)來(lái)實(shí)現(xiàn)的，這是一個(gè)填充的抽樣標(biāo)準(zhǔn)。雖然美國(guó)能源部規(guī)模小，但是這個(gè)標(biāo)準(zhǔn)可以平衡本地和全局搜索并趨于全局最優(yōu)解。作為示例，蜂窩電話機(jī)蓋和掃描儀的調(diào)查。結(jié)果表明，提出的自適應(yīng)優(yōu)化方法可以有效降低注射成型件的翹曲。關(guān)鍵詞：注塑成型；優(yōu)化；實(shí)驗(yàn)設(shè)計(jì)；人工神經(jīng)網(wǎng)絡(luò)；預(yù)期改進(jìn)功能。1介紹注塑成型是生產(chǎn)塑料制品中最廣泛使用的工藝。注塑模具可分為填充，填充后和開(kāi)模三個(gè)階段1。在生產(chǎn)過(guò)程中，翹曲是最重要的質(zhì)量問(wèn)題之一，特別是塑殼制品。其中一些研究成果已經(jīng)證明了薄殼塑料件的優(yōu)化2-9，可以通過(guò)修改零件的幾何形狀或改變模具的結(jié)構(gòu)或調(diào)整工藝參數(shù)來(lái)減小翹曲。零件設(shè)計(jì)和模具設(shè)計(jì)通常在產(chǎn)品開(kāi)發(fā)的初始階段確定，不容易改變。因此優(yōu)化工藝參數(shù)是最可行和最合理的方法。塑料注射成型中的一個(gè)重要問(wèn)題是在制造前預(yù)測(cè)和優(yōu)化翹曲。許多文獻(xiàn)一直用于翹曲優(yōu)化。 Lee和Kim 10利用改進(jìn)的復(fù)合法優(yōu)化了壁厚和工藝條件，以減少翹曲程度并減少翹曲的70以上。 Sahu等人11優(yōu)化工藝條件，通過(guò)組合實(shí)施改進(jìn)復(fù)合法和實(shí)驗(yàn)設(shè)計(jì)來(lái)減少翹曲。他們的研究結(jié)果表明，這些方法可以有效地減少翹曲。盡管這些方法可以有效地減少翹曲，但是他們是昂貴且費(fèi)時(shí)的，因?yàn)樗麄儓?zhí)行許多昂貴的功能評(píng)估。與這些方法相比，Taguchi方法12-14更容易執(zhí)行和可以分析有效因素，但只能得到工藝參數(shù)更好的組合，而不是設(shè)計(jì)空間中的最優(yōu)解。翹曲是過(guò)程參數(shù)的非線性隱性函數(shù)，通常由解決方案用無(wú)限元方程估計(jì)。一般來(lái)說(shuō)，復(fù)雜的任務(wù)通常需要巨大的計(jì)算成本。因此，為了降低翹曲優(yōu)化中的計(jì)算成本，許多研究人員引入了Kriging替代模型，人工中性網(wǎng)絡(luò)（ANN），響應(yīng)面法和支持向量回歸等代替模型。高等15-17通過(guò)將克里金替代模型與改進(jìn)的矩形網(wǎng)格法和預(yù)期改進(jìn)（EI）函數(shù)方法相結(jié)合，優(yōu)化了工藝條件以減少翹曲。 Kurtaran等人將遺傳算法與神經(jīng)網(wǎng)絡(luò)和響應(yīng)面法結(jié)合起來(lái)，以優(yōu)化過(guò)程參數(shù)來(lái)減少塑料部件的翹曲18,19。 Zhou等20使用支持向量回歸模型和遺傳算法優(yōu)化注塑工藝。他們的結(jié)果表明，基于替代模型的方法可以降低翹曲優(yōu)化中的高計(jì)算成本，遺傳算法可以有效地接近全局最優(yōu)設(shè)計(jì)。在這項(xiàng)研究中，模具溫度，熔體溫度，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間被認(rèn)為是工藝參數(shù)。 拉丁超立方體設(shè)計(jì)（LHD）獲得小尺寸實(shí)驗(yàn)設(shè)計(jì)，并通過(guò)MoldFlow Plastic Insight軟件評(píng)估翹曲值。 提出了基于人工神經(jīng)網(wǎng)絡(luò)模型的自適應(yīng)優(yōu)化。 自適應(yīng)過(guò)程由EI函數(shù)執(zhí)行，其可以自適應(yīng)地選擇附加采樣點(diǎn)以改善代理模型并找到最佳值17。 這種方法被視為有效的全局優(yōu)化21。 數(shù)值計(jì)算結(jié)果表明，該方法可有效降低翹曲。圖1：ANN模型的配置圖2：結(jié)合ANN / EI優(yōu)化的流程圖圖3：蜂窩電話蓋板的中平面模型2人工神經(jīng)網(wǎng)絡(luò)ANN是非線性問(wèn)題的模擬和預(yù)測(cè)的強(qiáng)大工具。 神經(jīng)網(wǎng)絡(luò)包括許多高度互聯(lián)稱為神經(jīng)元的處理單元。每個(gè)神經(jīng)元對(duì)加權(quán)輸入求和，然后對(duì)所得到的和應(yīng)用線性或非線性函數(shù)以確定輸出，并且它們都被分層排列并通過(guò)過(guò)度連接組合。 典型的ANN是反向傳播網(wǎng)絡(luò)（BPN）22-26，已被廣泛應(yīng)用于許多研究領(lǐng)域。 BPN具有分層的前饋網(wǎng)絡(luò)架構(gòu)，每層的輸出直接發(fā)送到上層的每個(gè)神經(jīng)元。 雖然BPN可以有多層次，但所有的模式識(shí)別和分類任務(wù)都可以用三層BPN來(lái)實(shí)現(xiàn)27。表1：工藝參數(shù)范圍圖4：優(yōu)化前蓋的翹曲通過(guò)向網(wǎng)絡(luò)反復(fù)呈現(xiàn)一系列輸入/輸出模式集來(lái)訓(xùn)練BPN。神經(jīng)網(wǎng)絡(luò)通過(guò)調(diào)整其神經(jīng)元之間的權(quán)重來(lái)逐漸“學(xué)習(xí)”輸入/輸出關(guān)系的興趣，以最小化實(shí)際和預(yù)測(cè)輸出模式之間訓(xùn)練集的誤差。培訓(xùn)后，使用不在訓(xùn)練集中的一組單獨(dú)的數(shù)據(jù)來(lái)監(jiān)控網(wǎng)絡(luò)的性能。當(dāng)均方誤差（MSE）達(dá)到最小值時(shí)，網(wǎng)絡(luò)訓(xùn)練被認(rèn)為是完整的，權(quán)重是固定的。本文采用一層隱藏三層ANN模型，模具溫度（Tmold），熔體溫度（Tmelt），注射時(shí)間（tin），包裝壓力（Ppack），包裝時(shí)間（tpack）和冷卻時(shí)間（tc）都被視為輸入變量，翹曲被認(rèn)為是輸出變量。因此確定ANN的輸入層和輸出層的神經(jīng)元數(shù)。通過(guò)試驗(yàn)確定中間層的神經(jīng)元數(shù)。輸入層和隱層之間的傳遞函數(shù)為“Logsig”，隱層和輸出層之間的傳遞函數(shù)為“Purelin”，列車(chē)功能函數(shù)為trainlm，性能函數(shù)為MSE，學(xué)習(xí)周期為50,000，學(xué)習(xí)速率為0.05，動(dòng)量因子為0.9。本文使用的ANN的配置如圖1所示1。圖5：優(yōu)化后蓋的翹曲表2：優(yōu)化結(jié)果3 EI方法ANN可以被用作從觀察數(shù)據(jù)“學(xué)習(xí)”的任意函數(shù)近似機(jī)制。 ANN用于構(gòu)建翹曲與過(guò)程參數(shù)之間的近似函數(shù)關(guān)系，代替了優(yōu)化過(guò)程中仿真程序的昂貴分析和重新分析。一般來(lái)說(shuō)，近似函數(shù)可能具有許多極值點(diǎn)，使得采用此類函數(shù)的優(yōu)化算法收斂于局部最低。這里介紹了EI算法，以接近全局優(yōu)化解決方案。EI涉及計(jì)算改進(jìn)給定的點(diǎn)。它是用于檢測(cè)確定性函數(shù)的全局最小值的順序設(shè)計(jì)策略的啟發(fā)式算法17,21。 它可以平衡本地和全球搜索。 在某些點(diǎn)x進(jìn)行采樣之前，Y（x）的值是不確定的。 候選點(diǎn)x處的Y（x）通常用分布，并且使用ANN預(yù)測(cè)器給出方差。如果當(dāng)前的最佳函數(shù)值為Ymin，則可以實(shí)現(xiàn)ANN預(yù)測(cè)器的改善。 這種改善的可能性由正常密度給出： (1)然后，通過(guò)整合密度來(lái)發(fā)現(xiàn)改進(jìn)的預(yù)期值： (2)圖6：掃描儀型號(hào)表3工藝參數(shù)范圍使用積分方程 2可以寫(xiě)成： (3)其中和f是正態(tài)累積分布功能和密度函數(shù)分別和 (4)方程式的第一個(gè)術(shù)語(yǔ)3是區(qū)別當(dāng)前最小響應(yīng)值Ymin和預(yù)測(cè)值在x處的值，由改進(jìn)的概率。因此，當(dāng)最小時(shí)，第一項(xiàng)是大的。第二術(shù)語(yǔ)是預(yù)測(cè)誤差（x）和正常密度的乘積函數(shù)f（u）。正常密度函數(shù)值大當(dāng)誤差（x）大時(shí)，并且接近Ymin從而預(yù)期的改善將趨于一般其預(yù)測(cè)值小于Ymin或很多預(yù)測(cè)不確定性。這種填充采樣方法有一些優(yōu)點(diǎn)：（1）它可以智能地添加采樣點(diǎn)來(lái)改善ANN，所以它允許從小觀察數(shù)據(jù)“學(xué)習(xí)”；（2）可以避免搜索相對(duì)較大的區(qū)域功能值，降低計(jì)算成本；（3）它也可以避免添加一些靠近彼此的點(diǎn)設(shè)計(jì)空間并保持ANN預(yù)測(cè)的穩(wěn)定性。4基于改進(jìn)ANN的翹曲優(yōu)化方法圖7：優(yōu)化前掃描儀翹曲4.1翹曲優(yōu)化問(wèn)題翹曲最小設(shè)計(jì)問(wèn)題可以描述為如下：查找 x1,x2, . Xm最大化 (5)服從 其中過(guò)程參數(shù)x1; x2; . ; xm是設(shè)計(jì)變量和和是下限和上限第j個(gè)設(shè)計(jì)變量。目標(biāo)函數(shù)由等式3和4得出，其中Ymin和是電流最小值和翹曲的預(yù)測(cè)值。4.2收斂標(biāo)準(zhǔn)收斂標(biāo)準(zhǔn)在此滿足： (6)其中r是給定的收斂公差，Ymin是樣本中的最小函數(shù)值。左邊是一個(gè)最大預(yù)期改善之間的比例最小功能值。因此，r可以不給出考慮幅度，r= 0.1。4.3優(yōu)化程序的實(shí)現(xiàn)實(shí)現(xiàn)綜合ANN模型和EI功能方法如圖1所示2。表4：優(yōu)化結(jié)果5手機(jī)蓋翹曲優(yōu)化和掃描儀5.1優(yōu)化問(wèn)題在本節(jié)中，兩次翹曲優(yōu)化的結(jié)果舉例說(shuō)明。這些旨在顯示集成ANN模型的效率和準(zhǔn)確性EI功能方法第一個(gè)例子是手機(jī)套。它是由3,780個(gè)三角形元素離散，如圖1所示 3。其長(zhǎng)度，寬度，高度和厚度分別為130，55，11和1 mm。該材料是聚碳酸酯（PC）/丙烯腈 - 丁二烯 - 苯乙烯。模具溫度（Tmold），熔體溫度（Tmelt），注射時(shí)間（錫），包裝壓力（Ppack），包裝時(shí)間（tpack）和冷卻時(shí)間（tc）被認(rèn)為是設(shè)計(jì)變量。 量化目標(biāo)函數(shù)翹曲（x）通過(guò)平面外位移，它們是兩者之和最大上下變形參考Moldflow Plastics Insight中的默認(rèn)平面軟件。約束由下部和上部組成對(duì)表1中給出的設(shè)計(jì)變量的約束模型，在這里用于近似翹曲（x），即由方程式 2。模具溫度范圍和熔體溫度是基于Moldflow Plastics推薦的值洞察力，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間由制造商的經(jīng)驗(yàn)決定。首先，LHD選擇十個(gè)樣品，然后用Moldflow Plastics Insight軟件對(duì)每個(gè)樣品設(shè)計(jì)翹曲所對(duì)應(yīng)的值進(jìn)行運(yùn)行，得出最后一個(gè)翹曲與變形的近似函數(shù)關(guān)系，利用人工神經(jīng)網(wǎng)絡(luò)模型構(gòu)建工藝參數(shù)仿真，代替昂貴的仿真分析優(yōu)化迭代。解決了基于EI函數(shù)的優(yōu)化問(wèn)題在這里使用順序二次規(guī)劃28。預(yù)期的改進(jìn)表面可能是高度多模態(tài)的，因此難以可靠地優(yōu)化。首先，通過(guò)1000個(gè)隨機(jī)選擇點(diǎn)和EI函數(shù)值計(jì)算來(lái)構(gòu)造近似執(zhí)行數(shù)學(xué)函數(shù)。找出EI最大點(diǎn)，然后將功能值選擇為一個(gè)初始設(shè)計(jì)。在此外，樣品中具有最小翹曲值的點(diǎn)被選擇為另一個(gè)初始設(shè)計(jì)，即兩個(gè)優(yōu)化過(guò)程在每個(gè)迭代執(zhí)行。在與仿真分析比較，這些過(guò)程消耗的時(shí)間非常短，可以忽略。圖8：優(yōu)化后掃描儀翹曲需要20次迭代才能獲得優(yōu)化解， 結(jié)果見(jiàn)表3。圖4和圖5顯示優(yōu)化前后的翹曲值，分別為（表2）。第二個(gè)例子是掃描儀。 蓋子離散由8,046個(gè)三角形元素組成，如圖1所示。它是由PC模具溫度（Tmold），熔體溫度（Tmelt），注射時(shí)間（錫），包裝壓力（Ppack），包裝時(shí)間（tpack）和冷卻時(shí)間（tc）作為設(shè)計(jì)變量。通過(guò)平面外位移量化目標(biāo)函數(shù)翹曲（x），這是最大和最小的變形參考在Moldflow Plastics Insight軟件默認(rèn)的平面的總和。約束由上下限組成，設(shè)計(jì)變量見(jiàn)表3。模具溫度范圍和熔體溫度是基于Moldflow Plastics推薦的值洞察，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間由制造商的經(jīng)驗(yàn)決定。圖9：每個(gè)因素對(duì)手機(jī)蓋翹曲的個(gè)體影響初始十個(gè)樣本由LHD選擇；25次迭代后獲得最優(yōu)解。結(jié)果如表4所示。圖7和圖8分別表示優(yōu)化前后的翹曲。6討論表2和表4顯示了幾個(gè)工藝參數(shù)處于極限的邊界。 圖9和10顯示每個(gè)因素對(duì)翹曲的影響等，所有其他因素分別保持在最佳水平。圖10：每個(gè)因素對(duì)掃描器翹曲的個(gè)別影響圖9和10顯示了高熔體溫度和短注射時(shí)間是理想的。翹曲值隨著熔體溫度的變化，從260C到300C非線性減小。這是因?yàn)檩^低的熔體溫度流動(dòng)性不好，可能導(dǎo)致早期形成冷凍皮膚層，將產(chǎn)生更高的剪切應(yīng)力和阻塞流。如果沒(méi)有足夠的時(shí)間釋放剪切應(yīng)力，翹曲將增加。然而翹曲值隨注射時(shí)間非線性增加。對(duì)于薄壁注模部件，長(zhǎng)注射時(shí)間可以增加冷凍表皮層與熔融芯層的比例。它可以阻止流動(dòng)，并導(dǎo)致更高的流量剪切應(yīng)力和材料中更多的分子取向。翹曲值僅改變包裝時(shí)間的周期，當(dāng)包裝時(shí)間長(zhǎng)于某些值時(shí)，翹曲值幾乎不變。圖9和10還顯示，當(dāng)改變其他工藝參數(shù)（如包裝壓力，冷卻時(shí)間和模具溫度）時(shí)，翹曲值的變化是不規(guī)則的。翹曲值取決于所有工藝參數(shù)的綜合影響，所有這些工藝參數(shù)應(yīng)通過(guò)優(yōu)化提供。7結(jié)論在本研究中，提出了一種綜合ANN模型和EI函數(shù)法，以最大限度地減少注塑件的翹曲。這種方法的目的是優(yōu)化一些近似功能訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)模型。優(yōu)化過(guò)程可以從由一組采樣點(diǎn)訓(xùn)練的近似函數(shù)開(kāi)始，然后通過(guò)EI函數(shù)將最佳采樣點(diǎn)添加到訓(xùn)練集中。優(yōu)化的每一次迭代包括訓(xùn)練近似函數(shù)和優(yōu)化EI函數(shù)?？紤]到EI功能可以將相對(duì)意想不到的空間考慮在內(nèi)，以提高ANN模型的準(zhǔn)確性，并快速接近全局優(yōu)化解決方案。隨著應(yīng)用程序，手機(jī)蓋和掃描儀的調(diào)查，在優(yōu)化中只需要少量的Moldflow Plastics Insight分析，因?yàn)閮蓚€(gè)示例的第一次迭代需要一組幾個(gè)采樣點(diǎn)（只有十個(gè)采樣點(diǎn)）并且每次迭代的后續(xù)操作只將一個(gè)采樣點(diǎn)添加到集合中。數(shù)值計(jì)算結(jié)果表明，所提出的優(yōu)化方法對(duì)于減少注射成型件的翹曲是有效的，可以快速收斂到優(yōu)化解。雖然這些實(shí)例的設(shè)計(jì)變量限于模具溫度，熔體溫度，注射時(shí)間，包裝壓力，包裝時(shí)間和冷卻時(shí)間，但本方法也適用于更多的工藝參數(shù)。 然而，還有兩個(gè)問(wèn)題。第一個(gè)是開(kāi)發(fā)有效的優(yōu)化算法。因?yàn)镋I功能是具有尖銳峰值多模態(tài)的，所以很難找到最佳解決方案。第二個(gè)是針對(duì)一些優(yōu)化方法開(kāi)發(fā)的，以確定BPN學(xué)習(xí)框架中的一些網(wǎng)絡(luò)參數(shù)，如學(xué)習(xí)周期，學(xué)習(xí)速率，動(dòng)量因子和隱藏神經(jīng)元數(shù)量，使網(wǎng)絡(luò)的收斂速度快速穩(wěn)定。計(jì)劃進(jìn)一步發(fā)展。致謝：作者衷心感謝中國(guó)國(guó)家自然科學(xué)基金重大計(jì)劃（10590354）對(duì)這項(xiàng)工作的財(cái)政支持，并感謝Moldflow公司為本研究提供仿真軟件。參考文獻(xiàn)1 Shen CY, Wang LX, Li Q (2007) Optimization of injectionmolding process parameters using combination of artificial neural network and genetic algorithm method. J Mater Process Technol138(23):4124182 Kabanemi KK, Vaillancourt H, Wang H, Salloum G (1998)Residual stresses, shrinkage, and warpage of complex injection molded products: numerical simulation and experimental validation.Polym Eng Sci 38(1):21373 Hiroyuki K, Kiyohito K (1996) Warpage anisotropy, and par thickness. Polym Eng Sci 36(10):132613354 Fan B, Kazmer DO, Bushko WC, Theriault RP, Poslinski A(2003)Warpage prediction of optical media. J Polym Sci Part B:Polym Phys 41(9):8598725 Akay M, Ozden S, Tansey T(1996)Predictionofprocess-inducedwarpage in injection molded thermoplastics. Polym Eng Sci36(13):183918466 Hiroyuki K, Kiyohito K (1996) The relation between thicknessand warpage in a disk injection molded from fiber reinforced PA66. Polym Eng Sci 36(10):131713257 Fahy EJ (1998) Modeling warpage in reinforced polymer disks.Polym Eng Sci 38(7):107210848 Santhanam N, Chiang HH, Himasekhar K, Tuschak P, Wang KK(1991) Postmolding and load-induced deformation analysisofplastic parts in the injection molding process. Adv Polym Technol 11(2):77899 Yuanxian GU, Haimei LI, Changyo S (2001) Numerical simulation of thermally induced stressand warpage in injection- molded thermoplastics. Adv Polym Technol 20(1):142110 Lee BH, Kim BH (1995) Optimization of part wall thicknesses toreduce warpage of injection-molded parts based on the modified complex method. Polym Plast Technol Eng 34(5):79381111 Sahu R, Yao DG, Kim B (1997) Optimal mold design methodologyto minimize warpage in injection molded parts. Technical papers of the 55th SPE ANTEC Annual Technical Conference,Toronto, Canada, April/May 1997, vol 3, pp 3308331212 Tang SH, Tan YJ, Sapuan SM, Sulaiman S, Ismail N, Samin R(2007) The use of Taguchi method in the design ofplastic injection mould for reducing warpage. J Mater Process Technol182(13):41842613 Huang MC, Tai CC (2001) The effective factors in the warpageproblem of an injection-molded part with a thin shell feature. J Mater Process Technol 110(1):1914 Liao SJ, Chang DY, Chen HJ, Tsou LS, Ho JR, Yau HT, Hsieh WH,Wang JT, Su YC (2004) Optimal process conditions of shrinkage andwarpage of thin-wall parts. Polym Eng Sci 44(5):91792815 Gao YH, Wang XC (2008) An effective warpage optimizationmethod in injection molding based on the Kriging model. Int J Adv Manuf Technol 37(910):95396016 Gao YH, Turng LS, Wang XC (2008) Adaptive geometry and process optimization for injection molding using the Kriging surrogate model trained by numerical simulation. Adv PolymTechnol 27(1):116Int J Adv Manuf Technol (2010) 48:955962 96117 Gao YH, Wang XC (2009) Surrogate-based process optimization for reducing warpage in injection molding. J Mater Process Technol 209(3):1302130918 Kurtaran H, Ozcelik B, Erzurumlu T (2005) Warpage optimization of a bus ceiling lamp base using neural network model and genetical gorithm. J Mater Process Technol 169(10):31431919 Kurtaran H, Erzurumlu T (2006) Efficient warpage optimization of thin shell plastic parts using response surface methodology and genetic algorithm. Int Adv Manuf Technol 27(56):46847220 Zhou J, Turng LS, Kramschuster A (2006) Single and multi objective optimization for injection molding using numerical simulation with surrogate models and genetic algorithms. Int Polym Process 21(5):50952021 Jones DR, Schonlau M, Welch WJ (1998) Efficient globaloptimization of expensive black-box functions. J Glob Optim 13 4):45549222.Sadeghi BHM (2000) A BP-neural network predictor model for plastic injection molding process. J Mater Process Technol103 (3):41141623 Chow TT, Zhang GQ, Lin Z, Song CL (2002) Global optimization of absorption chiller system by genetic algorithm and neural network. Energy Build 34(1):10310924 Cook DF, Ragsdale CT, Major RL (2000) Combining a neural network with a genetic algorithm for process parameter optimization. Eng Appl Artif Intell 13(4):39139625 Ozcelik B, Erzurumlu T (2006) Comparison of he warpag optimization in the plastic injection molding using ANOVA,neural network model and genetic algorithm. J Mater Process Technol 171(3):43744526 ChenWC, Tai PH, Wang MW, Deng WJ, Chen CT(2008)neuralnetwork-based approach for dynamic quality prediction in a plasticin jection molding process. Expert Syst Appl 35(3):84384927 Woll SLB, Cooper DJ (1997) Pattern-based closed-looqualitycontrol for the injection molding process. Polym Eng Sci 37(5):80181228 Cheng J, Li QS (2009) A hybrid artificial neural network methodwith uniform design for structural optimization. Comput Mech 44(1):6171 H. Shi : Y. Gao : X. Wang (*) State Key Laboratory of Structural Analysis for Industrial Equipment, Dalian University of Technology, Dalian, 116024 Liaoning, China e-mail: guixumdlut.edu.cn16