铸造模拟结果分析过程中,由于过于依赖研究人员的主观性,不可避免地遗漏某些细节,致使无法准确分析模拟结果,甚至得出错误的分析结论。针对上述问题,本文通过深度学习方法对研究人员的后处理分析过程进行追踪,获得针对同类型铸造工艺的后处理关键区域,同时采取在线学习方式动态调整关键区域,旨在为研究人员的分析工作提供针对性指导,进而提高铸造模拟分析的整体效率,主要工作如下:1)针对模拟结果数据的三维性质,提出基于直接体渲染的三维体素标识技术,让研究人员在进行标识时,可以对模拟数据进行全局把握,提高标识的准确性。在此技术的支持下,从模拟结果数据中标识与提取体素块,从而得到本文深度学习方法中需要用到的训练数据集;2)采用三维卷积神经网络方式,将关键区域提取算法中的网络训练部分划分为预训练与在线学习两个阶段。预训练得到的网络计算模型基本具备判定关键区域的能力;在线机器学习网络模型则通过持续不断地调整更新参数,使其可以针对不同模拟分析研究人员的需求动态改变关键区域,同时也为保存研究人员长期模拟分析过程中累积下来的经验提供了载体;3)对比分析现有检测方法,并受其启发提出基于空间叉树划分理念的逐层检测提取算法。该算法在保证提取结果精度的同时,减少了在关键区域提取过程中需要检测的区域数量,加速了提取过程;4)通过算法在机车端盖件、机车壳体件安装支架的应用,验证了本文研究的基于深度学习的铸造模拟仿真后处理关键区域提取算法的实用性。本文提出的铸造模拟后处理关键区域提取算法,能改善铸造模拟分析工作流程,为研究人员的分析工作提供针对性指导,进而提高模拟分析的效率,并同时将研究人员长期模拟分析的经验保存下来。