LM6-CastBench: A Geometry-Aware Simulation Dataset for Transient Thermal Prediction in LM6 Sand Casting

{"tags": ["LM6-CastBench", "Surrogate Modeling", "Physics Simulation", "Sand Casting", "Transient Thermal", "U-Net", "Geometry-Aware Learning", "Aluminum Casting"], "risks": ["Dữ liệu hoàn toàn từ mô phỏng (synthetic simulation), có thể có độ lệch so với điều kiện sản xuất thực tế tại xưởng đúc (sim-to-real gap).", "Phạm vi giới hạn ở một mác hợp kim (nhôm LM6) và phương pháp đúc cát, chưa chứng minh khả năng tổng quát hóa sang hợp kim khác hoặc đúc khuôn kim loại/áp lực.", "Mô hình surrogate đòi hỏi xử lý dữ liệu CAD và lưới phức tạp khi tích hợp vào luồng CAE thương mại."], "category": "Research", "entities": ["LM6-CastBench", "LM6", "U-Net", "MLP", "CAD"], "summary_vi": "LM6-CastBench là bộ dữ liệu mô phỏng mở giúp học nhận biết hình học cho dự đoán trường nhiệt độ quá độ trong quá trình đúc cát hợp kim nhôm LM6. Tập dữ liệu bao gồm 450 trường hợp được kết hợp từ 3 họ hình học (10 biến thể mỗi họ), 5 mức nhiệt độ rót và 3 mức nhiệt độ khuôn, lưu giữ đầy đủ mô hình CAD, lưới không cấu trúc và nhiệt độ nút theo thời gian. Kết quả benchmark chỉ ra mô hình U-Net cấu trúc không gian giảm sai số trường nhiệt đáng kể so với MLP điểm, đặc biệt tại các chi tiết có biến đổi tiết diện đột ngột.", "key_changes": ["Công bố LM6-CastBench: bộ dữ liệu mô phỏng mã nguồn mở hỗ trợ học nhận biết hình học (geometry-aware) cho dự đoán trường nhiệt độ chuyển tiếp trong đúc cát hợp kim nhôm LM6.", "Quy mô 450 trường hợp mô phỏng: kết hợp 3 họ hình học (10 biến thể mỗi họ), 5 mức nhiệt độ rót và 3 mức nhiệt độ khuôn.", "Lưu trữ đầy đủ dữ liệu kỹ thuật: giữ nguyên hình học CAD, liên kết lưới không cấu trúc (unstructured mesh), bộ mô tả không gian, siêu dữ liệu quy trình và chuỗi nhiệt độ nút theo thời gian.", "Thiết lập benchmark chuẩn: U-Net cấu trúc không gian vượt trội so với MLP điểm, giảm mạnh sai số tại các hình học cục bộ và vị trí thay đổi tiết diện đột ngột."], "sub_category": "Surrogate Modeling & Simulation", "novelty_score": 72, "business_score": 70, "research_score": 82, "why_it_matters": "Giải quyết bài toán mô phỏng nhiệt tốn kém thời gian và tài nguyên trong công nghiệp đúc kim loại bằng cách cung cấp tập dữ liệu mở có thể tái lập đầu tiên để huấn luyện các mô hình AI thay thế (surrogate models) nhận biết hình học, giúp đẩy nhanh quá trình thử nghiệm thiết kế khuôn và dự đoán khuyết tật.", "developer_score": 64, "importance_score": 68, "possible_use_cases": ["Xây dựng mô hình đại diện (surrogate model) thời gian thực để thay thế mô phỏng nhiệt FEM/CFD tốn kém trong sản xuất đúc.", "Tối ưu hóa hình học khuôn và thông số nhiệt độ rót/khuôn trong thiết kế đúc hợp kim nhôm LM6.", "Phát triển và đánh giá các kiến trúc học sâu không gian (U-Net, GNN) xử lý dữ liệu lưới không cấu trúc (unstructured mesh).", "Dự báo sớm các vùng khuyết tật đông đặc (rỗ co, nứt nhiệt) dựa trên trường nhiệt độ chuyển tiếp."], "actionability_score": 65}