Data-driven optimization of aluminum gravity die casting: a simulation-guided workflow integrating design of experiments, sparse modeling, and defect mitigation

Aluminum gravity die casting is often constrained by recurrent defects, most notably cold joints and shrinkage porosity, driven by tightly coupled thermal and interfacial phenomena. This thesis addresses how to identify, prioritize, and set process parameters so that both defects can be reduced concurrently under industrial constraints such as limited experimental runs and aliasing in screening designs. Building on these challenges, the work proposes a simulation-guided, data-driven workflow that integrates physics-based factor mapping with compact design of experiments and sparse modeling. ProCAST simulations supply defect-aligned responses; screening proceeds via one-factor studies where appropriate and a Plackett–Burman design when many levers must be explored, followed by lasso selection under cross-validation and HC3-corrected ordinary least squares for inference; two-factor interactions are admitted only under strong heredity to preserve interpretability, with Elastic Net used as a correlation-aware cross-check and bootstrap .632+ providing honest out-of-sample error bars. Applied to two industrial products, the workflow isolates a coherent set of physically meaningful drivers—die preheat, inlet superheat, coordinated interfacial heat transfer at FIGURA–MOLD regions, active cooling timing, and instrumentation practices. For Product A, one-factor screening and lasso-OLS models achieve predictive R2 above 0.90, projecting a joint fit of 31.05 for cold joint risk (95% PI: 16.24 to 45.87) and 5.390 for porosity (95% PI: 4.619 to 6.160) under simultaneous minimization. For Product B, Plackett–Burman screening yields six mains plus one interaction (HTC FIGURA–MOLD ATTACH × HTC FIGURA–MOLD NO–ATTACH), with a joint recipe favoring warmer inlet and mold, balanced IHTCs to avoid the high-high corner, and standardized thermocouple placement. Here, the models predict a mean porosity of 0.1756 (95% PI: 0.0043 to 0.3468) and cold joint risk close to zero (95% PI:-11.71 to 4.88). The contribution is a defensible small-n methodology that translates simulation and sparse modeling into auditable set-points, offering foundries a practical path from exploratory screening to deployable changes when physical experimentation is costly or constrained. The approach is readily transferable to related casting routes and provides a template for integrating DOE and regularized regression with physics-informed simulation for reliable process improvement.

La colata in gravità di leghe di alluminio è spesso limitata dal ripetersi di difetti, in particolare cold joint e porosità da ritiro, generati da fenomeni termici e interfacciali fortemente accoppiati. Questa tesi affronta il problema di identificare, prioritizzare e impostare i parametri di processo per ridurre congiuntamente entrambi i difetti sotto vincoli industriali quali numero limitato di prove fisiche e aliasing nei piani di screening. Su queste premesse, si propone un flusso di lavoro guidato dalla simulazione e dai dati che integra mappature dei fattori basate sulla fisica con piani di esperimento compatti e modellazione sparsa. Le simulazioni ProCAST forniscono risposte allineate ai difetti; lo screening procede con studi a un fattore dove opportuno e con un piano Plackett–Burman quando occorre esplorare molti gradi di libertà, seguito da selezione lasso con validazione incrociata e stima per ordinary least squares corretta HC3; le interazioni a due fattori sono ammesse solo sotto vincolo di ereditarietà per preservare l’interpretabilità, con Elastic Net come riscontro sensibile alla correlazione e bootstrap .632+ per intervalli d’errore out-of-sample affidabili. Applicato a due prodotti industriali, il flusso isola un insieme coerente di driver fisica mente significativi: preriscaldo dello stampo, supercalore in ingresso, trasferimento di calore interfaciale coordinato nelle regioni FIGURA–MOLD (ATTACH/NO-ATTACH), temporizzazione del raffreddamento attivo e pratiche di strumentazione. Per il Prodotto A, lo screening a un fattore e i modelli lasso–OLS raggiungono R2 predittivo superiore a 0.90, proiettando in minimizzazione congiunta un rischio cold joint pari a 31.05 (intervallo di predizione al 95%: 16.24–45.87) e una porosità pari a 5.390 (intervallo di predizione al 95%: 4.619–6.160). Per il Prodotto B, lo screening Plackett–Burman individua sei effetti principali e un’interazione ATTACH×NO-ATTACH; la ricetta congiunta privilegia stampo e ingresso più caldi, IHTC bilanciati per evitare il corner alto–alto e il posizionamento standardizzato delle termocoppie. Qui i modelli prevedono una porosità media di 0.1756 (intervallo di predizione al 95%: 0.0043–0.3468) e un rischio cold joint prossimo allo zero (intervallo di predizione al 95%: −11.71–4.88). Il contributo è una metodologia small-n difendibile che traduce simulazione e modellazione sparsa in set-point verificabili, offrendo alle fonderie un percorso pratico dallo screening esplorativo a modifiche implementabili quando la sperimentazione fisica è costosa o vin colata. L’approccio è trasferibile a processi affini di colata e costituisce un modello per integrare DOE e regressione regolarizzata con simulazioni informate dalla fisica per un miglioramento di processo affidabile.