高溫合金在航空、航天、能源和其他高溫應用領域具有出色性能（如高強度、耐熱、耐腐蝕和良好的機械性能），已成為一種關鍵材料。航空發動機是國之重器，其研發與制造水平是衡量國民經濟發展和國防安全的重要指標。航空發動機在運行過程中，長時間面對高溫、高壓、高轉速及交變負載等極端條件，致使其關鍵零部件的材料制備和加工制造工藝尤為復雜^[1]。20 世紀 40 年代，熔模鑄造技術開始應用于航空噴氣發動機渦輪葉片，高溫合金精密成形已成為航空發動機先進材料加工的關鍵核心技術之一^[2]。熔模鑄造是特種鑄造工藝，也被稱為失蠟鑄造，優點是能夠生產尺寸精度高且幾何形狀復雜的結構件，是航空發動機制造中不可或缺的工藝，為航空發動機的研發和制造提供了重要的技術支撐。自 20 世紀 80 年代以來，大型復雜薄壁整體熔模鑄件已大量應用于艦載武器和航空器等國防裝備系統中^[3]，航空發動機熱端部件重量的 1/4 來自高溫合金精密鑄件^[4]。因此，高溫合金鑄件和精密鑄造技術不可替代。

傳統熔模鑄件的研發主要依賴于經驗積累和簡單循環試錯為特征的 “經驗 + 試錯” 方式，效率低、偶然性高、科學性差，常常導致鑄件尺寸不合格，出現縮松、縮孔等缺陷^[5]。隨著航空工業的快速發展，對航空發動機高溫合金鑄件的性能要求日益提高。為了滿足這些要求，鑄造工藝設計與優化成為關鍵，精確控制鑄造工藝以降低缺陷和提高產品質量變得尤為重要。鑄造工藝的數字化在優化設計、缺陷和尺寸控制等方面起到了重要作用。通過計算機輔助設計（CAD）軟件可以創建復雜的鑄件幾何形狀，計算機輔助工程（CAE）工具及相關仿真軟件則有助于預測鑄造缺陷（如縮孔、尺寸偏差等）。在 20 世紀 40 年代初，Victor Paschkis 首次建立了熱傳導分析單元，并應用于鑄件凝固過程的模擬研究^[11]，自此鑄造由傳統研發模式向數值模擬轉變。20 世紀 60 年代，研究人員又將有限元法從結構分析領域擴展到熱傳導領域，為熱傳導問題的分析提供了新的解決方案，也為數值模擬的鑄造凝固問題提供了新思路^[19–20]。

進入 21 世紀，計算機技術蓬勃發展，研究人員將數據庫技術、幾何模擬、數值模擬有機結合，提出了鑄造工藝 CAE 的概念。結合上述理論，多種鑄造數值模擬計算軟件相繼被開發出來，如法國 ESI Group 研發的 ProCAST、美國 ANSYS 公司旗下的 FLUENT、德國 MAGMA Foundry Technologies 研發的 MAGMA 等。這些軟件可以對熔模鑄造過程進行全面模擬和預測，為實際生產提供重要的參考依據^[8]。近年來，國際鑄造領域正在向 “數據驅動 + 數值仿真” 研發模式轉變，在鑄造工藝 CAD 中將計算機模擬、鑄件幾何模型和數據庫集合，通過改變幾何參數進而研究冒口等幾何尺寸對鑄件質量的影響^[9]。數據驅動是 “自下而上” 的方法，旨在通過分析大量歷史數據來發現隱藏的知識。由于熔模鑄造過程數據難以采集，因此結合數值模擬建立預測分析模型更加便捷。Yu 等^[10]將基于徑向基函數神經網絡（RBF）的機器學習與特征部件仿真相結合，提出了一種數據驅動的澆注系統設計優化框架，建立了基于 NSGA–II 技術的試驗設計，確定并優化了澆注系統及其相應的澆注工藝，最終獲得高成品率和高質量的鑄件。Yu 等^[12]建立了鈦合金鑄件縮松體積和縮松數量的多元回歸預測和神經網絡預測模型，結果表明，縮孔缺陷對關鍵工藝參數的敏感度由高到低依次為：澆注溫度、澆注時間、模具溫度。Li 等^[12]在鑄鋼件的澆注系統設計上提出了將神經網絡的預測模型和遺傳算法結合的優化設計方法，使得工藝出品率提高了 4.1%。

在 “中國制造 2025”“工業 4.0” 等背景下，鑄造進一步向智能化發展。數字孿生完美契合了智能化的需求，基于人工智能的數字孿生系統可以實時做出決策，優化鑄件幾何設計等虛實互操作的功能。數字孿生概念最初由 Grieves 等^[13]提出，主要用于軍事和航空航天領域，被視為一個全面的系統，其中物理實體及其虛擬實體相互作用并共同發展。本質上，數字孿生是一種動態虛擬模型，可在真實環境的背景下，跨越多個維度、時間尺度、學科和物理量，準確地模擬和表示物理實體的屬性、行為和規則^[14]。在構建鑄造過程的實時仿真模型中，將數字孿生系統引入鑄件的生產設計過程，可以優化鑄件設計和生產工藝，減少鑄件缺陷^[19,21]。

隨著國防建設的迫切需要，突破先進航空發動機高溫合金熱端鑄件精確成形技術契合國家重大戰略需求。我國迫切需要轉變傳統的研發模式，發展能引領我國航空發動機高溫合金構件鑄造水平實現跨越式進步的新原理和新方法。因此，針對航空發動機高溫合金復雜鑄件，開展數字化 / 智能化鑄造工藝優化方法和缺陷控制的研究具有重大意義。本文以航空發動機高溫合金熔模鑄造技術的工藝過程為重點關注對象，從鑄造過程時變擾動控制、鑄件尺寸精度控制及航空發動機高溫合金鑄件精密鑄造快速成形技術 3 個方面對國內外的研究現狀進行綜述，最后對航空發動機高溫合金鑄件精密成形技術的未來發展提出展望。

1、鑄造過程時變擾動與鑄件冶金質量關系

縮松是熔模鑄件的主要缺陷之一，在凝固過程中，由于液態金屬或合金體積變化和液態金屬壓力下降導致流動補縮不足，在鑄件內部形成分散和細小的孔洞，會引發高溫合金基體內裂紋的產生和擴展，最終導致鑄件的疲勞壽命降低^[6,15–16]。縮松的形成是一個復雜的過程，主要受到合金成分、鑄件幾何形狀、澆注溫度、模具溫度、澆注速度和冷卻條件等多種因素的影響。研究人員致力于通過優化熔模鑄造工藝參數和采用后熱處理方式（如熱等靜壓等）來消除高溫合金鑄件中的縮松^[7]。然而，超過熱等靜壓裝置腔體最大尺寸的較大鑄件不適合熱等靜壓處理^[22]。較多研究表明，數值模擬是目前揭示熔模鑄造縮松形成原理的最有效方法^[10,23–24]。

鑄造數值仿真在優化工藝參數、提高設計效率和降低成本方面展示出強大的能力，但鑄造仿真難以反映實際生產過程的真實狀態，主要是因為傳統的數值模擬采用確定性模型，無法反映實際生產工藝中的時變擾動，降低了缺陷預測的準確性。在從母合金熔煉到最終澆注的復雜工藝流程中，存在合金成分、澆注系統組裝、型殼轉移時間、澆注溫度、界面換熱系數等多種擾動因素^[17–18]。其中，型殼轉移是指將預熱的陶瓷型殼從焙燒爐轉移到鑄型室的過程，型殼溫度將不可避免地發生變化，對高溫熔體在充型過程中的冷卻與凝固產生影響，但在數值模擬中，為了簡化計算過程，通常在模擬過程中預設一個較預熱爐更低的預熱溫度^[25–26]。

型殼溫度是熔模精密鑄造過程中一個十分重要的參數，直接影響金屬熔體的充型和凝固情況，尤其是對 1400 ℃以上高溫熔體的流動和凝固有顯著影響^[27–28]。值得注意的是，型殼轉運時間越長，型殼溫度降幅越大^[29]。此外，試驗數據表明，殼內溫度下降速率既不是線性的，也不是均勻的，特別是在手工搬運模具外殼的過程中，情況更加復雜。因此，研究不同型殼轉運時間下的型殼溫度變化，以及型殼溫度變化對鑄件縮松缺陷的影響顯得尤為重要^[30]。

Zhao 等^[31]采用數值模擬的方法研究了型殼轉運時間（0、180、300、420 s）對 Inconel 718 高溫合金渦輪葉片熔模鑄件收縮缺陷的影響，模擬結果（圖 1 和圖 2）表明，當型殼轉運時間從 0 增加到 420 s 時，熔模鑄件的縮孔面積從 3 個增加到 7 個，型殼溫度從 1000 ℃降低到 860 ℃，而總收縮體積從 2.6154 cm³ 增加到 2.9398 cm³。這種現象主要源于型殼溫度的降低和高溫合金鑄件內部固相率的演變。

 

2、基于數據驅動的尺寸精度控制方法

作為一種近凈成形技術，熔模鑄造具有很高的尺寸精度，最高可達 0.5%^[4,32]，但鑄件的尺寸精度仍可進一步提高。熔模鑄造工藝復雜，工序多，生產周期長，影響最終鑄件尺寸精度的因素很多。大量研究已經確定了熔模鑄造過程中的 3 個關鍵階段對鑄件的尺寸精度和變形有很大的影響：蠟模、型殼的制備和鑄件的凝固^[33]。如果金屬在凝固過程中不收縮，那么制造一個與所需鑄件精確尺寸一樣的模具是很簡單的。然而，金屬在凝固過程中會收縮，蠟模也會收縮，模具在加熱時膨脹，澆注后冷卻時收縮。此外，尺寸變化是非線性的，受蠟模材料、模具材料、所用合金和鑄件幾何形狀的影響^[34]。

美國橡樹嶺國家實驗室和美國能源部發布的報告表明，熔模鑄造過程中模具表面的尺寸變化主要源自 3 種變形系統：蠟模–蠟、蠟–型殼和型殼–合金，熔模鑄造過程的尺寸變化規律如圖 3 所示^[34]。蠟模與相應鑄件尺寸變化的原因包括蠟模材料（蠟）、型殼材料（殼）、凝固合金在加工過程中的熱膨脹、收縮、熱變形和蠕變^[35]。因此，研究蠟模制備、型殼制造和凝固過程中的尺寸變化及尺寸向鑄件轉移的規律，對提高鑄件尺寸精度具有重要意義。

Wang 等^[36]采用模擬和試驗相結合的方法，研究了工藝參數對不同厚度蠟模型腔壓力和尺寸變化的影響，發現保壓時間和保壓壓力對蠟模厚度的穩定性影響較大。然而，注射溫度的變化對型腔內壓力和收縮量的影響不大，型腔內壓力對保壓壓力更敏感。而當保溫時間大于封口時間時，對蠟型的收縮無顯著影響，蠟模厚度的收縮量隨厚度的增加而增大。此外，Wang 等^[37]發現在保壓階段，蠟液的不對稱流動是型芯偏移的直接原因，保壓階段作用于型芯不同區域的壓力差異導致了型芯偏移，因此降低保壓壓力能夠減少型芯偏移量，增加型芯固定能夠減少薄壁蠟模由于型芯偏移造成的兩側壁厚變化。航空發動機大型薄壁空心后機匣型芯偏移的數值模擬結果如圖 4 所示^[37]。

研究人員利用高分子混合蠟料流變學、熔體可壓縮模型，發明了基于位移場仿真蠟模尺寸精度的控制技術，壁厚偏差由 25% 以上降至 3% 以下^[38]。蠟模注射是熔模鑄造的第一步，蠟模的尺寸波動在鑄件尺寸波動中占比為 10%~70%，因此，蠟模注射成型過程中的變形規律及計算模型是實現近凈成形熔模鑄造的基礎^[4]。傳統經驗尋優和循環試錯法設計蠟模注射工藝，需要耗費大量時間和成本。隨著計算機數值模擬仿真技術發展，基于蠟模注射成型的流場及體積收縮的仿真可以進行基礎性研究^[37]。

目前，渦輪葉片普遍采用中溫蠟料，不同的工藝參數對蠟模變形翹曲的影響很大，這是因為蠟料的基本熱物性參數并沒有被研究，導致數值模擬偏差較大。所以，研究蠟料的熱性能、流變性能和 PVT 性能，建立蠟模收縮翹曲變形計算模型是研究蠟模注射成型的第一步^[39]。航空發動機渦輪葉片蠟模由于變截面尺寸差異較大，葉身型面誤差通過型殼傳遞，最終會造成葉片鑄件的尺寸超差，影響葉片的氣動性能和服役壽命^[40]。

Zhao 等^[38]為了控制葉片的尺寸精度，提出了一種新的集成計算框架 AICAST，該框架植入響應面優化模型和多層感知器神經網絡，還考慮了多個過程的波動和影響。通過使用 AICAST，蠟型的最大變形降低了 60.39%，葉片鑄件的變形最小，僅為 0.1504 mm，如圖 5 所示^[38]。

液態金屬在凝固和冷卻到室溫的過程中會經歷 3 個階段的收縮：液–液、液–固和固–固收縮，相應的體積收縮率分別為 1.8%、3.0% 和 7.2%^[4]。高溫合金的本構模型描述了合金澆注后，凝固冷卻過程中應力與應變的關系^[28]。官邦等^[41]研究了 K4169 鎳基高溫合金環套環鑄件的變形問題，對合金的熱力學性能進行了測試；在物理模擬鑄造過程的基礎上，對 K4169 鎳基高溫合金進行了單軸壓縮，比較了線彈模型和彈塑性模型下合金的變形；采用數值模擬的方法，研究了合金溫度、殼體預熱溫度等工藝參數與鑄件收縮補償系數、橢圓度等尺寸畸變之間的關系；最后，通過試驗驗證了變形預測的準確性。

Wang 等^[25]提出了一種新的數據驅動方法用于控制鑄件變形，以獲得熔模鑄造中的合格尺寸鑄件。在沒有經驗知識的情況下，對合金澆注溫度、型殼溫度和蠟模余量的影響進行了評估；通過徑向基神經網絡模型優化合金澆注溫度、陶瓷鑄型預熱溫度與模具設計余量值，優化后的鑄件尺寸滿足 CT6 標準。之后，該研究團隊提出 AICAST 計算軟件平臺，實現了 DOE 設計并可自動運行數值模擬仿真軟件的腳本文件，相較于傳統手動操控圖形界面的方式，計算效率進一步提升^[38]。

官邦等^[39]基于節點法向量和最近鄰點，提出熔模鑄造工藝全節點位移傳遞的計算方法，解決了熔模鑄件成型多流程的數據孤島問題；建立了多流程之間位移場傳遞的計算方法，使得尺寸偏差可以在模擬過程和實際生產過程中相互傳遞；并基于位移場的傳遞方法，以數值模擬及其降階的數據模型開展了多流程下數據驅動的成型工藝優化。此外，基于集成計算與數據驅動的尺寸誤差計算技術，開發了鑄件全流程尺寸誤差的耦合傳遞與迭代計算軟件；基于鑄件試制尺寸數據，構建了尺寸誤差的映射函數與補償函數，解決了多擾動條件下壓蠟模具誤差精準補償的難題。

3、航空發動機高溫合金鑄件精密鑄造快速成形

高溫合金鑄件通常采用熔模精密鑄造成形，傳統熔模鑄造通常采用模具制備蠟模，但因模具制造時間長且需要修模，導致復雜鑄件的制造周期大幅度增加，對航空發動機的研制和生產進度造成了很大的影響^[38]。尤其是在原型機開發階段，葉片設計需反復改型，采用注蠟磨具成型時，模具制造及改型時間長、成本高，甚至會因無法修模導致模具報廢，極大地影響了新機研制進度，快速成形技術的出現則解決了這一難題。

快速成形是一種通過計算機輔助設計數據，利用先進制造技術（如 3D 打印）快速制造出實物原型或最終產品的過程。其核心特點是制造過程的快速性、靈活性和精度，通常用于驗證設計概念、生產復雜形狀的零件或小批量定制生產。隨著快速成形技術的發展，熔模鑄造已成為快速、低成本生產高質量鑄件的主導技術，傳統熔模鑄造工藝與新工藝流程的比較如圖 6 所示^[41]。

目前，快速熔模精密鑄造技術采用的原材料有蠟、紙張和塑料等^[42]。對于非蠟材料的快速成形過程，存在的問題是陶瓷殼體在焙燒中會開裂、不完全燒穿、殘余灰分和副產物的釋放^[43–44]。1974 年，David E. H. Jones 首次提出了 “3D 打印” 的概念^[45]。雖然在 20 世紀 70、80 年代，已經有不少學者提出了三維打印的設想，并且開發出了相關的機器，但是 3D 打印技術在此期間并沒有得到重視。直到 1986 年，美國 3D Systems 公司推出了世界上第 1 臺 FDM–1650 快速成形原理樣機。從 90 年代開始，3D 打印蠟模技術開始應用于精密鑄造，主要包括選擇性激光燒結（SLS）技術、熔融沉積成型（FDM）技術、光固化成型（SLA）技術與多噴頭打印（MJP）技術^[46]。表 1 展示了 3 種常見增材制造技術在熔模精密鑄造中的應用對比。

表1 3種增材制造技術在熔模精密鑄造中的應用對比

Table 1 Comparison of applications for three additive manufacturing technologies in investment casting

類型	名稱	基本材料	優點	缺點
擠出成型	FDM	熱塑性塑料	制造成本低，操作、維護簡便	精度低，速度慢
粉料成型	SLS	聚苯乙烯（PS）粉	尺寸精度高，力學性能強	表面光潔度差，對環境影響大
光聚合成型	SLA	光敏聚合物	表面光潔度高	對環境有污染，型殼脹裂

第 1 代 3D 打印蠟模技術開始于 2010 年，主要是 PS 蠟模（激光燒結 PS 粉加滲蠟工藝成型的蠟模），其主要成分為 PS 粉，蠟模表面質量較差，尺寸精度也要根據滲蠟時間控制，并且脫蠟工藝比較復雜。第 2 代 3D 打印蠟模技術開始于 2015 年，主要是光敏樹脂蠟模，優點是樹脂拉伸強度高、精度高，然而樹脂的熱膨脹系數大，脫蠟溫度高，且樹脂模焙燒后灰分殘留較多，需要反復清洗型殼，脫蠟過程氣味難聞。這 2 種蠟模快速成形技術普遍存在一些局限性，不滿足當下綠色生產理念，且蠟模的尺寸精度難以控制，為了與實際標準鑄造相匹配，迫切需要開發純蠟 3D 打印技術。

目前，國內外在純蠟 3D 打印蠟模的研究與應用方面處于起步階段。MJP 多噴頭噴射三維打印機是一種先進的工藝試驗儀器，主要用于機械工程領域，通過噴墨技術將計算機設計的物體轉化為三維實體，具有打印速度快、精度高、材料選擇范圍廣的優勢。MJP 技術是以純蠟材料進行 3D 打印的，蠟模打印尺寸精度高。目前，3D Systems 公司的 ProJet MJP 2500W Plus 3D 打印機采用 VisiJet 100% 蠟質材料進行 3D 打印，可提供耐用、高質量的蠟模，利用現有的脫蠟鑄造工藝和設備，制造出各類高品質、耐用的首飾模型，保證了部件的可靠性能和穩定的打印效果；而且可以實現純蠟鑄造模型的大批量生產，或以極快的打印速度進行快速單道打印，從而提高鑄造車間效率。

國內閃鑄科技公司采用 WaxJet 400 噴蠟打印機，WaxJet 400 為大尺寸、高精度多噴嘴噴蠟 3D 打印機，可以打印表面平滑、高精細度的鑄造蠟模，適用于珠寶首飾工藝品、精密鑄造和航空航天等領域。目前，國內的精鑄企業已應用 3D 打印蠟模直接進行快速精密鑄造。深圳市萬澤航空科技有限責任公司、安徽應流航源動力科技有限公司、江蘇永瀚特種合金技術有限公司均購買了 3D Systems 公司的 ProJet MJP 2500W Plus 蠟模打印機，從而進行快速工藝開發。國內已開展了多類復雜零件的蠟模打印，部分打印實物如圖 7 所示^[47]。

國外 MJP 技術所使用的蠟材料主要包括 VisiJet M2 ICast（MJP）、VisiJet Wax Jewel Red（MJP）和 VisiJet M3 Hi–Cast100%，表 2 給出了 3 種打印成型蠟材料的性能對比。目前國內可用于噴蠟 3D 打印的材料較少且價格貴。其中，閃鑄科技公司可提供 FFWJ1100、FFWJ1200 成型結構材料及 FFMSS3100 支撐材料，表 3 為 3 種材料的性能對比。3 種材料在打印過程都會出現塌陷，且材料強度不夠，并且目前的配方和制造工藝不是自主可控的，缺乏對蠟料性能的全方位評價。

表 2 國外打印成型蠟性能對比

Table 2 Performance comparison of different printing waxes from abroad

打印材料種類	熔點 / ℃	軟化點 / ℃	體積收縮率 /%	線收縮率 /%	針入度 / (a/mm)	灰分
VisiJet M2 ICast（MJP）	62~63	43~47	1.7	0.58	14	0
VisiJet Wax Jewel Red（MJP）	61~66	40~48	2	0.7	12	＜0.05
VisiJet M3 Hi–Cast100%	70	52~62	2.24	0.75	9	＜0.05

表3 國內噴蠟 3D 打印材料性能對比

Table 3 Performance comparison of domestic inkjet printing materials

打印材料種類	熔點 / ℃	軟化點 / ℃	體積收縮率 /%	線收縮率 /%	針入度 / (a/mm)	灰分
FFWJ1100	68	63	1.1	0.7	9	<0.01
FFWJ1200	80	70	0.9	0.7	7	<0.01
FFMSS3100	55	—	—	—	—	—

注：同表 2。

4、航空發動機高溫合金鑄件智能鑄造

伴隨大數據和 “互聯網 +” 時代的到來，傳統的鑄造生產方式受到嚴重挑戰，智能鑄造應運而生^[48]。在人工智能蓬勃發展的時代背景下，智能鑄造已然成為鑄造行業邁向進步與創新的核心驅動力。在智能鑄造企業迅猛發展的時代背景下，航空發動機高溫合金精鑄件澆注系統的設計周期正面臨著前所未有的挑戰。這一挑戰源于對設計效率與精準度的雙重追求，以及對市場需求進行快速響應的迫切需求。高溫合金精鑄件作為航空發動機的關鍵部件，其澆注系統的設計直接影響著鑄件的質量和性能。然而，傳統的設計方法往往依賴于工程師的手動操作，從構建澆注系統的每一個組件開始，逐一調整尺寸參數，無疑增加了設計周期和出錯的風險^[49–51]。此外，由于每個澆注系統組件之間存在復雜的相互作用，簡單的尺寸調整往往難以實現整體澆注系統的高效更新，進一步降低了設計速度和效率。

Campbell^[52]研究了金屬流動的最大速度要求，提出了澆道系統設計的基本參數要求，并且提出澆注系統在設計中的 “十大原則”。清華大學和中國航發黎明共同研究了澆注系統和工藝參數的優化設計，成功研制了某發動機的后機匣鑄件^[53]。澆注系統設計水平在近幾十年有了明顯的提高，從經驗準則到基于模擬技術的優化設計。CAD 設計和 CAE 仿真結合進行自動化尋優的方式已經成為設計的主流方式，進一步結合人工智能的技術將成為未來的發展趨勢。

Sun 等^[54]建立了高溫合金鑄件工藝參數、出品率和縮松位置之間的函數關系，通過機器學習優化算法計算滿足要求的最優解。梅麗文等^[55]基于 Pro/E 自帶的工具進行二次開發，實現了閥體鑄鋼件澆冒系統模型的參數化設計，如圖 9 所示^[55]，該系統可根據調用冒口系統的冒口庫實現冒口的自動建模。

目前，我國在高溫合金復雜鑄件精鑄工藝的智能設計方面還處于起步階段，不僅缺乏基于全流程的智能控制方法與基礎理論指導，還缺乏數字化基礎理論與計算模型和方法。國際上，數據驅動的智能鑄造已經進入快速發展階段。英國伯明翰大學在全流程數字化凝固理論與鑄造技術方面的研究，以及韓國工業研究院在數字化領域的研究已經較為深入^[56–57]；此外，Antoniadou 等^[58]在熔模鑄造過程中將金相照片作為數據輸入，利用機器學習工具進行圖像識別，用于檢測生產件中的缺陷。

國內，西北工業大學的研究團隊建立了基于幾何依賴性的鑄件變形預測模型^[59]；華中科技大學自主開發了 “華鑄 CAE”“華鑄 ERP”“華鑄 CAD”“華鑄 FCS” 等系列軟件產品，并集成形成了 “華鑄 1+N” 數字化鑄造軟件平臺系統^[60]；魏鵬嘯等^[61]結合集成計算思想，以計算機仿真模擬與高性能計算服務器為基礎，以快速獲取最優鑄造工藝為目標，設計出了鑄造工藝集成計算平臺，架構如圖 10 所示^[61]。該平臺采用 Python 語言開發，使用了前后端分離的 B/S（即瀏覽器 / 服務器）框架和 MVC（模型 Model、視圖 Views、控制器 Controller）設計模式；前端采用 Flask 框架用于界面開發并且接收和處理數據，后端采用 Django 框架用于具體功能的實現，這種開發模式的優點是可以在任意瀏覽器上使用，易于后期的開發維護，極大地減少了系統維護成本。

5、結論

熔模鑄造作為精密鑄造的核心工藝，在航空發動機高溫合金復雜構件的制造中發揮著不可替代的作用。近年來，隨著數值模擬、快速成形、智能優化等技術的突破，該工藝在尺寸精度控制、缺陷抑制和生產效率提升方面取得了顯著進展。然而，受限于多物理場耦合的復雜性、材料性能的不確定性及跨流程協同優化的不足，熔模鑄造仍面臨縮松缺陷、尺寸波動、工藝穩定性等挑戰。

隨著數值模擬技術、傳感器、人工智能、大數據技術的發展，信息化與傳統鑄造深度融合，熔模鑄造正在向 “數據驅動 + 數值仿真” 的研發模式轉變，進一步向智能化方向邁進。未來，通過深度融合數據驅動建模、智能算法和數字化技術，構建 “仿真–優化–控制” 一體化的智能精鑄體系，將成為突破現有技術瓶頸、實現高精度與高效率制造的關鍵路徑。

目前，我國在高溫合金復雜薄壁鑄件精鑄工藝的智能設計方面處于起步階段，缺乏基于全流程的智能控制方法與基礎理論指導，以及數字化的基礎理論與計算模型 / 方法。因此，堅持基于集成計算與數據驅動的智能鑄造技術路線，促使鑄造范式進行迭代，是未來的發展方向。

參考文獻

[1] 蔣睿嵩，汪文虎，王增強，等。航空發動機渦輪葉片精密成形技術及其發展趨勢 [J]. 航空制造技術，2016，59 (21): 57–62. JIANG Ruisong，WANG Wenhu，WANG Zengqiang，et al. Precision forming technology and its development trend of aeroengine turbine blade [J]. Aeronautical Manufacturing Technology，2016，59 (21): 57–62.

[2] 崔加裕，汪東紅，肖程波，等。航空發動機用高溫合金復雜薄壁精密鑄件尺寸精度控制技術研究進展 [J]. 航空材料學報，2024，44 (2): 31–44. CUI Jiayu，WANG Donghong，XIAO Chengbo，et al. Research progress on dimensional accuracy control technologies of complex thin-walled superalloy investment castings for aero-engines [J]. Journal of Aeronautical Materials，2024，44 (2): 31–44.

[3] LORIA E A. Superalloy 718-Metallurgy and applications[M]. Pittsburgh: The Minerals，Metals & Materials Society，1989.

[4] 孫寶德，王俊，康茂東，等。高溫合金超限構件精密鑄造技術及發展趨勢 [J]. 金屬學報，2022，58 (4): 412–427. SUN Baode，WANG Jun，KANG Maodong，et al. Investment casting technology and development trend of superalloy ultra limit components [J]. Acta Metallurgica Sinica，2022，58 (4): 412–427.

[5] PATTNAIK S，KARUNAKAR D B，JHA P K. Developments in investment casting process-A review[J]. Journal of Materials Processing Technology，2012，212(11): 2332–2348.

[6] VIJAYARAM T R，SULAIMAN S，HAMOUDA A M S，et al. Numerical simulation of casting solidification in permanent metallic molds[J]. Journal of Materials Processing Technology，2006，178(1–3): 29–33.

[7] 婁大光。大型薄壁鎂合金支架鑄件的低壓鑄造工藝研究 [D]. 哈爾濱：哈爾濱工業大學，2015. LOU Daguang. Large thin-wall magnesium bracket low pressure casting technology research [D]. Harbin: Harbin Institute of Technology，2015.

[8] 常星陽。基于 MASIP 的鎂合金座椅骨架工藝優化研究 [D]. 大連：大連理工大學，2021. CHANG Xingyang. Research on process optimization of magnesium alloy seat frame based on MASIP [D]. Dalian: Dalian University of Technology，2021.

[9] 殷亞軍，劉振偉，張勇佳，等。鑄造數值模擬軟件技術及應用進展 [J]. 特種鑄造及有色合金，2023，43 (10): 1297–1311. YIN Yajun，LIU Zhenwei，ZHANG Yongjia，et al. Progress in casting numerical simulation software technology and application [J]. Special Casting & Nonferrous Alloys，2023，43 (10): 1297–1311.

[10] YU J P，WANG D H，LI D Y，et al. Engineering computing and data-driven for gating system design in investment casting[J]. The International Journal of Advanced Manufacturing Technology，2020，111(3): 829–837.

[11] YU P，JI X Y，SUN T，et al. Dataphysics fusion-driven defect predictions for titanium alloy casing using neural network[J]. Materials，2024，17(10): 2226.

[12] LI H Y，KAFKA O L，GAO J Y，et al. Clustering discretization methods for generation of material performance databases in machine learning and design optimization[J]. Computational Mechanics，2019，64(2): 281–305.

[13] GRIEVES M，VICKERS J. Digital twin: Mitigating unpredictable，undesirable emergent behavior in complex systems[M]//Transdisciplinary perspectives on complex systems: New findings and approaches. Cham: Springer International Publishing，2017: 85–113.

[14] MOU S，BU K，LIU J，et al. A digital twin based residual stress prediction method for turbine blades[J]. Journal of Physics: Conference Series，2023，2569(1): 012067.

[15] SAMA S R，MACDONALD E，VOIGT R，et al. Measurement of metal velocity in sand casting during mold filling[J]. Metals，2019，9(10): 1079.

[16] WALKER J，HARRIS E，LYNAGH C，et al. 3D printed smart molds for sand casting[J]. International Journal of Metalcasting，2018，12(4): 785–796.

[17] 羅強，李飛，馬鑫，等。蠟模誤差與葉片精度控制技術研究進展 [J]. 特種鑄造及有色合金，2022，42 (8): 944–950. LUO Qiang，LI Fei，MA Xin，et al. Research progress in controlling technologies of wax pattern error and blade accuracy [J]. Special Casting & Nonferrous Alloys，2022，42 (8): 944–950.

[18] 汪東紅，孫鋒，疏達，等。數據驅動鎳基鑄造高溫合金設計及復雜鑄件精確成形 [J]. 金屬學報，2022，58 (1): 89–102. WANG Donghong，SUN Feng，SHU Da，et al. Data-driven design of cast nickel-based superalloy and precision forming of complex castings [J]. Acta Metallurgica Sinica，2022，58 (1): 89–102.

[19] LIU Y H，KANG M D，WU Y，et al. Effects of microporosity and precipitates on the cracking behavior in polycrystalline superalloy Inconel 718[J]. Materials Characterization，2017，132: 175–186.

[20] LAGUDU Y，AGARWAL A，MANWATKAR S K，et al. Metallurgical analysis on leaked XH–43 superalloy LH2 exhaust casing investment casting[J]. Journal of Failure Analysis and Prevention，2023，23(3): 1265–1274.

[21] PRASAD K，SARKAR R，GOPINATH K. Role of shrinkage pores，carbides on cyclic deformation behaviour of conventionally cast nickel base superalloy CM247LC® at 870 ℃[J]. Materials Science and Engineering: A，2016，654: 381–389.

[22] SUN B，WANG J，SHU D. Precision forming technology of large superalloy castings for aircraft engines[M]. Singapore: Shanghai Jiao Tong University Press and Springer Nature，2021.

[23] ESMAEILZADEH M，ABBASI M. Experimental and simulation-based investigations on the as-cast microstructure of Inconel 657 superalloy produced by investment casting[J]. Metallography，Microstructure，and Analysis，2023，12(3): 557–563.

[24] PAN D，XU Q Y，LIU B C. Three-dimensional microstructure simulation of Ni-based superalloy investment castings[J]. Science China Physics，Mechanics and Astronomy，2011，54(5): 851–855.

[25] WANG D H，YU J P，YANG C L，et al. Dimensional control of ring-to-ring casting with a data-driven approach during investment casting[J]. The International Journal of Advanced Manufacturing Technology，2022，119(1): 691–704.

[26] DONG Y W，LI X L，ZHAO Q，et al. Modeling of shrinkage during investment casting of thin-walled hollow turbine blades[J]. Journal of Materials Processing Technology，2017，244: 190–203.

[27] SHEIKH A K，KHAN M A A. Mold design optimization and quality assessment of steel castings through integrated simulations and experiments[J]. Journal of Mechanical Science and Technology，2020，34(7): 2975–2983.

[28] DING Z Y，WANG D H，GUAN B，et al. Semi-solid plasticity and deformation control of superalloy investment casting[J]. The International Journal of Advanced Manufacturing Technology，2024，130(7): 3419–3429.

[29] RAKOCZY Ł，CYGAN R. Analysis of temperature distribution in shell mould during thin-wall superalloy casting and its effect on the resultant microstructure[J]. Archives of Civil and Mechanical Engineering，2018，18(4): 1441–1450.

[30] 李海松，張瓊元，伍林，等。型殼材料對高溫合金葉片組織和性能的影響 [J]. 特種鑄造及有色合金，2021，41 (1): 103–107. LI Haisong，ZHANG Qiongyuan，WU Lin，et al. Influence of ceramic shell material on the microstructure and properties of superalloy blade [J]. Special Casting & Nonferrous Alloys，2021，41 (1): 103–107.

[31] ZHAO D Y，WANG D H，ZHOU L Y，et al. Effect of mold dwell time on shrinkage defects in investment casting of superalloy turbine blade[J]. The International Journal of Advanced Manufacturing Technology，2024，132(9): 4473–4487.

[32] HOCK T S，TREVOR S，CHRISTODOULOU P，et al. Experimental studies on the accuracy of wax patterns used in investment casting[J]. Proceedings of the Institution of Mechanical Engineers，Part B: Journal of Engineering Manufacture，2003，217(2): 285–289.

[33] PIWONKA T S，WIEST J M. Factors affecting investment casting pattern die dimensions[J]. International Magazine of the Investment Casting Institute，1998，11(6): 8–13.

[34] SABAU A S，CANNELL N. Predicting pattern tooling and casting dimensions for investment casting，phase III[R]. Oak Ridge: US Department of Energy，2007.

[35] ZHANG J，YE H W，LI K W，et al. Numerical simulation of mold filling process for wax pattern of the impeller in investment casting[J]. Applied Mechanics and Materials，2011，80–81: 965–968.

[36] WANG D H，HE B，LI F，et al. Cavity pressure and dimensional accuracy analysis of wax patterns for investment casting[J]. Materials and Manufacturing Processes，2013，28(6): 637–642.

[37] WANG D H，HE B，LI F，et al. Experimental and numerical analysis on core deflection during wax injection[J]. Materials and Manufacturing Processes，2013，28(11): 1209–1214.

[38] ZHAO D Y，ZHOU L Y，WANG D H，et al. Integrated computational framework for controlling dimensional accuracy of thin-walled turbine blades during investment casting[J]. The International Journal of Advanced Manufacturing Technology，2023，129(3): 1315–1328.

[39] 官邦，汪東紅，馬洪波，等。熔模鑄件尺寸控制的數字孿生建模關鍵技術與應用 [J]. 金屬學報，2024，60 (4): 548–558. GUAN Bang，WANG Donghong，MA Hongbo，et al. Key technology and application of digital twin modeling for deformation control of investment casting [J]. Acta Metallurgica Sinica，2024，60 (4): 548–558.

[40] 張海龍，蔣明，趙輝，等。航空發動機復雜薄壁件精密鑄造技術研究 [J]. 模具技術，2021 (6): 1–7. ZHANG Hailong，JIANG Ming，ZHAO Hui，et al. Study on investment casting process of complex thin-walled casting for aeroengine [J]. Die and Mould Technology，2021 (6): 1–7.

[41] 張浩。葉輪快速成型及熔模鑄造過程仿真研究 [D]. 西安：西安工業大學，2019. ZHANG Hao. Impeller rapid prototyping and simulation research on investment casting process [D]. Xi’an: Xi’an Technological University，2019.

[42] GREUL M，PINTAT T，GREULICH M. Rapid prototyping of functional metallic parts[J]. Computers in Industry，1995，28(1): 23–28.

[43] YAO W L，LEU M C. Analysis of shell cracking in investment casting with laser stereolithography patterns[J]. Rapid Prototyping Journal，1999，5(1): 12–20.

[44] LEE C W，CHUA C K，CHEAH C M，et al. Rapid investment casting: Direct and indirect approaches via fused deposition modelling[J]. The International Journal of Advanced Manufacturing Technology，2004，23(1): 93–101.

[45] 王會杰。大型 FDM 雙噴頭 3D 打印機的設計與研究 [D]. 南昌：南昌大學，2022. WANG Huijie. The design and research on large FDM double nozzle 3D printer [D]. Nanchang: Nanchang University，2022.

[46] 崔馨檢。基于有限元模擬的熔模鑄造用石蠟熔融沉積成型過程研究 [D]. 南京：南京理工大學，2021. CUI Xinjian. Study on melting deposition process of paraffin wax for investment casting based on finite element simulation [D]. Nanjing: Nanjing University of Science and Technology，2021.

[47] SCHMITZ G J，GROHN M，BÜHRIG-POLACZEK A. Fabrication of micropatterned surfaces by improved investment casting[J]. Advanced Engineering Materials，2007，9(4): 265–270.

[48] 許慶彥。鑄造技術路線圖：數字化、網絡化、智能化鑄造 [J]. 鑄造，2017，66 (12): 1243–1250. XU Qingyan. Roadmap of casting technology: Digital，networked and intelligent casting [J]. Foundry，2017，66 (12): 1243–1250.

[49] KHADE U S，SAWANT S M. Gating design modification using 3D CAD modeling and casting simulation for improving the casting yield[J]. International Journal of Advanced Mechanical Engineering，2014，4(7): 813–820.

[50] CHOUDHARI C M，NARKHEDE B E，MAHAJAN S K. Casting design and simulation of cover plate using AutoCAST-X software for defect minimization with experimental validation[J]. Procedia Materials Science，2014，6: 786–797.

[52] CAMPBELL J. Complete casting handbook: Metal casting processes，metallurgy，techniques and design[M]. 2nd ed. Amsterdam: Elsevier，2015.

[53] 孫長波，唐寧，史鳳嶺，等。機匣件真空熔模鑄造的數值模擬 [J]. 鑄造，2010，59 (2): 169–173. SUN Changbo，TANG Ning，SHI Fengling，et al. Numerical simulation of vacuum investment casting cartridge receiver [J]. Foundry，2010，59 (2): 169–173.

[54] SUN J Y，WANG D H，LIU S M，et al. Feeding system design based on data model and decision optimization for superalloy castings[J]. Special Casting & Nonferrous Alloys，2019，39(1): 23–27.

[55] 梅麗文，朱昌盛，肖榮振，等。閥體件鑄造工藝 CAD 系統開發研究 [J]. 熱加工工藝，2010，39 (11): 63–66. MEI Liwen，ZHU Changsheng，XIAO Rongzhen，et al. Development of casting process CAD system for valve body [J]. Hot Working Technology，2010，39 (11): 63–66.

[56] GEBELIN J C，JOLLY M R. Modelling of the investment casting process[J]. Journal of Materials Processing Technology，2003，135(2–3): 291–300.

[57] KIM J，LEE J Y. Server-edge dualized closed-loop data analytics system for cyber-physical system application[J]. Robotics and Computer-Integrated Manufacturing，2021，67: 102040.

[58] ANTONIADOU A，KYPRIANIDIS K，ASLANIDOU I，et al. Design of machine learning method for decision-making support and reliability improvement in the investment casting process[C]//Linköping Electronic Conference Proceedings. Linköping: Linköping University Electronic Press，2023: 46–53.

[59] ZHANG Y L，BU K，LIU C L. Modeling of casting deformation prediction during investment casting based on geometry dependence[J]. JOM，2024，76(12): 6942–6953.

[60] 周建新，殷亞軍，計效園，等。熔模鑄造數字化智能化大數據工業軟件平臺的構建及應用 [J]. 鑄造，2021，70 (2): 160–174. ZHOU Jianxin，YIN Yajun，JI Xiaoyuan，et al. Construction and application of digitization，intellectualization and big data industrial software platform for investment casting [J]. Foundry，2021，70 (2): 160–174.

[61] 魏鵬嘯，郭釗，丁正一，等。熔模鑄造工藝集成計算平臺開發與應用 [J]. 特種鑄造及有色合金，2024，44 (7): 923–927. WEI Pengxiao，GUO Zhao，DING Zhengyi，et al. Development and application of integrated computational platform for investment casting processes [J]. Special Casting & Nonferrous Alloys，2024，44 (7): 923–927.

（注，原文標題：航空發動機高溫合金鑄件精密成形研究進展）

---

tag標簽:航空發動機高溫合金鑄件,熔模鑄造,數據驅動（RBF,神經網絡）,數值模擬,縮松預測,尺寸傳遞（位移場仿真）,智能優化（機器學習算法）

---