Computational modeling of the injection molding process: open-source methods and data-driven fiber orientation
| dc.comments | EE/2026/3646 | |
| dc.contributor.advisor | Nóbrega, J. M. | |
| dc.contributor.advisor | Chinesta, Francisco | |
| dc.contributor.author | Ramôa, Bruno Manuel Oliveira | |
| dc.date.accessioned | 2026-07-23T10:52:30Z | |
| dc.date.issued | 2026-06-23 | |
| dc.date.submitted | 2026-07 | |
| dc.description.abstract | In the automotive industry, the demand for lightweight components with excellent specific mechanical properties has driven the increasing adoption of fiber-reinforced thermoplastic materials (FRTM). However, manufacturing high-performance parts from this class of materials requires a detailed understanding of the material–process–properties interrelations across the injection molding (IM) cycle. Despite progress in IM modeling, there remains a clear need for transparent, reproducible and verifiable numerical tools that are easily extensible and adapt to application-specific requirements. Many of the existing solutions are proprietary (closed-source) and difficult to extend, often lacking systematic verification and reproducibility. This project aimed to develop an open-source numerical toolbox to model the mold filling phase of the IM cycle. Building on OpenFOAM® ’s modular architecture, the work enabled the implementation of a transparent and extensible framework designed to facilitate verification, reproducibility, and customization. The toolbox includes both compressible (commonly adopted in industrial practice) and incompressible (frequently used in academic studies) formulations, enabling consistent benchmarking and strengthening the link between research and industrial practice. This framework was complemented by modules for fiber-orientation modeling in FRTM, prioritizing robustness, traceability of model assumptions, and ease of validation. Most fiber-orientation models available in the literature are phenomenological and often exhibit limited predictive capability for the fiber orientation evolution in complex IM parts. To address these limitations, the project integrated computational modeling and data science, leveraging machine learning techniques to construct data-driven models that predict fiber orientation. Two complementary approaches were pursued: (i) the inference of the closure relation required for FRTM modeling using a Neural ODE formulation, and (ii) the development of an orientation model based on rank-reduction autoencoders, enabling compact yet expressive representations of the orientation state while reducing computational burden. Overall, this work contributed to the digital transformation of thermoplastics processing by delivering state-of-the-art open-source computational tools focused on transparency, robustness, and accuracy, and by leveraging the OpenFOAM® ecosystem to maximize impact. | eng |
| dc.description.abstract | Na indústria automóvel, a procura por componentes leves com excelentes propriedades mecânicas tem impulsionado a adoção de materiais termoplásticos reforçados com fibras (FRTM). Contudo, o fabrico de peças de alto desempenho com estes materiais exige uma compreensão detalhada das inter-relações material–processo–propriedades ao longo do ciclo de moldação por injeção (IM). Apesar de avanços na modelação do processo, continua a existir necessidade de ferramentas numéricas transparentes, reprodutíveis, verificáveis e facilmente adaptáveis. Muitas das soluções existentes são proprietárias (código fechado), difíceis de complementar ou não foram concebidas com verificação e reprodutibilidade como objetivos centrais, o que difficulta a sua utilização tanto na investigação académica como na promoção da inovação industrial. Este projeto teve como objetivo desenvolver ferramentas numéricas de código aberto para modelar o ciclo de IM. Partindo da arquitetura modular do OpenFOAM®, o trabalho realizado permitiu a implementação de uma estrutura transparente e extensível, concebida para facilitar a verificação, a reprodutibilidade e a personalização. O conjunto de ferramentas suporta formulações compressíveis (comumente adotadas na prática industrial) e incompressíveis (frequentemente utilizadas em estudos académicos), permitindo benchmarks consistentes e reforçando a ligação entre a investigação e a prática industrial. O código numérico foi ainda complementado com módulos para previsão da evolução da orientação das fibras em FRTM, com especial atenção na robustez e facilidade de validação. A maioria dos modelos de orientação de fibras disponíveis na literatura é de natureza fenomenológica e, frequentemente, demonstra capacidade limitada para prever a evolução da orientação das fibras em peças complexas produzidas por IM. Para ultrapassar estas limitações, o projeto integrou modelação computacional e ciência de dados, recorrendo a técnicas de inteligência artificial para construir modelos para a previsão da orientação das fibras. Foram seguidas duas abordagens complementares: (i) a inferência de uma relação de fecho necessária à modelação de FRTM, através de uma formulação utilizando Neural ODE, e (ii) o desenvolvimento de um modelo de orientação baseado em autoencoders com redução de ordem, permitindo representações compactas do estado de orientação das fibras. De um modo geral, este trabalho contribuiu para a transformação digital da indústria de processamento de polímeros termoplásticos, ao desenvolver ferramentas computacionais de código aberto, assentes na transparência, robustez e precisão, tirando partido do ecossistema OpenFOAM® para maximizar a disseminação e impacto. | por |
| dc.description.sponsorship | The financial support provided by the Portuguese Foundation for Science and Technology under the PhD grant 2020.07424.BD and the projects UID/CTM/50025/2019 and UIDB/04436/2020. | |
| dc.identifier.tid | 101701314 | |
| dc.identifier.uri | https://hdl.handle.net/1822/102871 | |
| dc.language.iso | eng | |
| dc.relation | Modeling of fiber orientation through Artificial Neural Networks and simulation of the injection molding process through open-source environment [2020.07424.BD] | |
| dc.relation | Institute of Nanostructures, Nanomodelling and Nanofabrication [UID/CTM/50025/2019] | |
| dc.relation | Microelectromechanical Systems Research Unit [UIDB/04436/2020] | |
| dc.rights | openAccess | |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Computational modeling | |
| dc.subject | Data-driven modeling | |
| dc.subject | Fiber orientation | |
| dc.subject | Injection molding | |
| dc.subject | Polymer processing | |
| dc.subject | Modelação baseada em dados | |
| dc.subject | Modelação computacional | |
| dc.subject | Moldação por Injeção | |
| dc.subject | Orientação de fibras | |
| dc.subject | Processamento de polímeros | |
| dc.subject.fos | Engenharia e Tecnologia::Engenharia Mecânica | |
| dc.title | Computational modeling of the injection molding process: open-source methods and data-driven fiber orientation | eng |
| dc.type | doctoralThesis | |
| dspace.entity.type | Publication | |
| oaire.awardNumber | 2020.07424.BD | |
| oaire.awardNumber | UID/CTM/50025/2019 | |
| oaire.awardNumber | UIDB/04436/2020 | |
| oaire.awardTitle | Modeling of fiber orientation through Artificial Neural Networks and simulation of the injection molding process through open-source environment [2020.07424.BD] | |
| oaire.awardTitle | Institute of Nanostructures, Nanomodelling and Nanofabrication [UID/CTM/50025/2019] | |
| oaire.awardTitle | Microelectromechanical Systems Research Unit [UIDB/04436/2020] | |
| oaire.awardURI | https://hdl.handle.net/1822/99319 | |
| oaire.awardURI | https://hdl.handle.net/1822/99321 | |
| oaire.awardURI | https://hdl.handle.net/1822/98681 | |
| oaire.funderIdentifier | http://doi.org/10.13039/501100001871 | |
| oaire.funderIdentifier | http://doi.org/10.13039/501100001871 | |
| oaire.funderIdentifier | http://doi.org/10.13039/501100001871 | |
| oaire.funderName | Fundação para a Ciência e a Tecnologia, I.P. | |
| oaire.funderName | Fundação para a Ciência e a Tecnologia, I.P. | |
| oaire.funderName | Fundação para a Ciência e a Tecnologia, I.P. | |
| oaire.fundingStream | Financiamento do Plano Estratégico de Unidades de I&D - 2019 | |
| oaire.fundingStream | Concurso de avaliação no âmbito do Programa Plurianual de Financiamento de Unidades de I&D (2017/2018) - Financiamento Base | |
| relation.isProjectOfPublication | 41836f89-c61a-4a6b-8dc8-39786a737789 | |
| relation.isProjectOfPublication | 19f3e2d3-bd20-4253-b842-5dd2115027b1 | |
| relation.isProjectOfPublication | 966af492-6fdb-4b92-be1a-1a19ea7f0a04 | |
| relation.isProjectOfPublication.latestForDiscovery | 41836f89-c61a-4a6b-8dc8-39786a737789 | |
| sdum.degree.grade | Muito bom | |
| sdum.uoei | Escola de Engenharia | |
| thesis.degree.grantor | Universidade do Minho | por |
| thesis.degree.name | Doutoramento em Ciência e Engenharia de Polímeros e Compósitos |
Ficheiros
Pacote original
1 - 1 de 1
A carregar...
- Nome:
- Bruno Manuel Oliveira Ramoa.pdf
- Tamanho:
- 85.52 MB
- Formato:
- Adobe Portable Document Format