铸造充型凝固过程是一个复杂的动态过程。其显著的特点在于，铸造过程难于精确控制，结果难于准确预知，这将延长试制时间和产品开发周期。根据此特点，本课题试图探索一条新的铸造过程数值模拟优化途径。在思路上，是将人工智能观点引入现有数值模拟方法以实现一种过程优化模式。目前，铸造专家系统是应用较广泛的人工智能技术，它是在归纳、整理大量铸造专家知识经验的基础上，以符号推理的方式来模拟解决实际工艺问题的方式。但专家系统完全依赖于规则的完备性与数据的精确性，其并不适于处理铸造过程数值模拟这样的复杂系统过程。 基于以上考虑，本课题中，将神经网络优化方法引入铸造数值模拟结果的分析处理过程，开展了如下研究工作： (1) 通过对神经网络优化模拟技术的系统研究，提出了基于神经网络优化的铸造工程设计模式。该设计方法已成功地应用于铸造工艺设计过程中。 (2) 以铸造数值模拟的精度和效率为优化指标。在分析其影响因素的基础上，建立了较为系统完整的神经网络优化模拟方法。根据铸造过程耦合数值模拟的结构体系，分析了神经网络优化建模的可行性。提出了三种形式的优化应用途径，即有限元模拟CPU时间的优化，铸造工艺参数神经网络优化，对于充型流动自由表面的算法优化。 (3) 开展了神经网络优化技术的实际应用研究。重点针对铸铁凸轮轴铸件的有限元耦合数值模拟过程，研究了优化过程具体实施的技术手段。通过神经网络模拟与传统有限元模拟结果，并结合凝固温度场的实测结果，对比分析了四川大学硕士学位论文神经网络与有限元模拟的与实测结果的相对误差与CPU时间开销。针对板类铸件不同浇注方案的组合数值模拟试验，基于神经网络优化模拟方法有效地模拟了浇注工艺方案的组合模拟试验结果，为工艺方案的优选提供了新的途径。此外，通过神经网络系统的仿生结构形式，在算法上模拟了数值模拟迭代信息的时空传递形式，实现了神经网络对SOLA一VOF法流动自由表面的处理模式。 本课题的研究表明，在铸造数值模拟中引入神经网络优化手段是可行的。神经网络优化方法克服了传统人工智能技术优化效率低的缺点。在基于本方法的凸轮轴铸造过程数值模拟优化中，神经网络在模拟精度和效率方面均优于传统有限元模拟的结果。通过神经网络模拟，能够在保持模拟精度的前提下显著缩短CPU时间。关键词:铸造数值模拟神经网络优化凸轮轴