The emphasison sustainable production has intensified across various sectors, concentrating on minimising emissions and enhancing energy efficiency throughout the product life  cycle. In the automotive industry, using lightweight materials minimises vehicle weight, enhances fuel efficiency, and decreases emissions. Governments have established stringent emission targets, leading manufacturers to adopt high-pressure die-casting (HPDC) techniques for producing lightweight metal components. However, HPDC faces challenges in achieving its sustainability goals. The reliance on alloys with superior castability restricts the range of materials available and eliminates numerous lightweight alternatives. Plus, the procedure necessitates elevated operating temperatures to preserve the fluidity of the melt, resulting in  considerable energy  usage and  constraining its compatibility with sustainable production targets.

Semisolid casting tackles numerous challenges associated with HPDC by providing a wider range of material choices, such as low-silicon and secondary alloys, which can lead to decreased energy consumption during production. Incorporating solid fractions in the slurry enhances the stability of the die-filling process, encouraging a laminar flow that minimises thermal and mechanical stresses on the die, thereby prolonging its operational lifespan. The characteristics of semisolid casting place it as a compelling option for achieving lightweight and sustainable manufacturing solutions. Still, the introduction of semisolid casting shows new challenges stemming from the complicated control of the slurry preparation process. Variables such as melt temperature, solid fraction ratio, and microstructure quality necessitate precise control, and the process remains largely reliant on manual expertise, resulting in variability and hindering industrial adoption.

This study explores the application of artificial intelligence (AI) to tackle these challenges and improve the scalability of semisolid casting. Machine learning models  exhibited impressive precision in forecasting essential melt parameters, including liquidus temperature, maintaining an error margin of less than 5°C, thereby minimising the necessity for extensive physical testing.Deep learning models demonstrated promise in forecasting partitioning coefficients, closely correlating with the solidification process. Applying YOLO algorithms for automated microstructure analysis yielded promising outcomes in solid fraction detection and demonstrated adaptability to new datasets. YOLOv5 demonstrated superior performance compared to manual counting techniques; however, it encountered difficulties when dealing with intricate alloys such as RheoCool™.

The findings highlight the capability of AI to streamline essential parameters and enhance quality assurance in semisolid casting. Yet, challenges such as restricted  datasets, optimisation of algorithm hyperparameters, and discrepancies with actual alloys require additional investigation. Validation in industrial production environments is crucial to unlock the full potential of AI, leading to enhanced efficiency and sustainability in manufacturing processes.

Betoningen på hållbar produktion har intensifierats inom olika sektorer, med fokus på att minimera utsläpp och förbättra energieffektivitet genom hela produktlivscykeln. Inom fordonsindustrin bidrar användningen av lätta material till att minska fordonsvikt, förbättra bränsleeffektivitet och sänka utsläppen. Regeringar har infört strikta utsläppsmål, vilket har lett till att tillverkare alltmer använder högtryckspressgjutning (HPDC) för att producera lättviktsmetallkomponenter. HPDC står dock inför utmaningar för att uppnå sina hållbarhetsmål. Beroendet av legeringar med överlägsen gjutbarhet begränsar materialutbudet och utesluter många lättviktsalternativ. Dessutom kräver processen höga driftstemperaturer för att bibehålla smältans fluiditet, vilket resulterar i betydande energiförbrukning och begränsar dess kompatibilitet med hållbara produktionsmål.

Semisolid gjutning hanterar många av de utmaningar som är förknippade med HPDC genom att erbjuda ett bredare urval av material, såsom lågsilikon- och sekundärlegeringar, vilket kan leda till minskad energiförbrukning under produktionen. Inkluderingen av fasta fraktioner i sörjan förbättrar stabiliteten i formfyllningsprocessen, främjar ett laminärt flöde som minimerar termiska och mekaniska påfrestningar på formen och förlänger dess livslängd. Semisolid gjutning framstår som ett övertygande alternativ för att uppnå lättvikts- och hållbara tillverkningslösningar. Ändå introducerar tekniken nya utmaningar kopplade till den komplexa styrningen av sörjeförberedelseprocessen. Variabler såsom smälttemperatur, solidfraktionsförhållande och mikrostrukturkvalitet kräver noggrann kontroll, och processen är fortfarande i hög grad beroende av manuell expertis, vilket resulterar i variationer och försvårar industriell implementering.

Denna studie undersöker användningen av artificiell intelligens (AI) för att hantera dessa utmaningar och förbättra skalbarheten för semisolid gjutning. Maskininlärningsmodeller visade imponerande precision vid förutsägelse av viktiga smältparametrar, inklusive liquidustemperatur, med en felmarginal på mindre än 5 °C, vilket minskar behovet av omfattande fysiska tester. Djupa inlärningsmodeller visade lovande resultat i förutsägelser av fördelningskoefficienter, som är nära kopplade till stelningens förlopp.

Tillämpning av YOLO-algoritmer för automatiserad mikrostrukturanalys gav lovande  resultat för detektering av solidfraktioner och visade anpassningsförmåga till nya datamängder. YOLOv5 uppvisade överlägsen prestanda jämfört med manuella räkningsmetoder; dock stötte den på svårigheter vid hantering av komplexa legeringar som RheoCool™.

Resultaten belyser AI:s potential att effektivisera kritiska parametrar och förbättra kvalitetssäkringen inom semisolid gjutning. Ändå kvarstår utmaningar, såsom begränsade datamängder, optimering av algoritmens hyperparametrar och avvikelser gentemot verkliga legeringar, som kräver ytterligare forskning. Validering i industriella produktionsmiljöer är avgörande för att frigöra AI:s fulla potential och därigenom uppnå ökad effektivitet och hållbarhet i tillverkningsprocesser.