Giới thiệu dự án

Trong ngành công nghiệp gia công chất dẻo toàn cầu, công nghệ ép phun (Injection Molding) chiếm hơn 35% tổng sản lượng sản phẩm polymer với tốc độ tăng trưởng kép hàng năm (CAGR) đạt xấp xỉ 4.8%. Tuy nhiên, thời gian làm nguội (cooling time) chiếm từ 50% đến 70% toàn bộ chu kỳ ép phun (cycle time), trực tiếp quyết định năng suất và chất lượng hình học của sản phẩm. Sự phân bố nhiệt độ không đồng đều trong lòng khuôn (mold cavity) là nguyên nhân gốc rễ gây ra các khuyết tật nghiêm trọng như cong vênh (warpage), co rút không đều (differential shrinkage), ứng suất nhiệt dư và vết lõm (sink marks).

Các phương pháp mô phỏng số truyền thống như phương pháp phần tử hữu hạn (Finite Element Method - FEM) hay tính toán động lực học dòng chảy (Computational Fluid Dynamics - CFD) tiêu tốn hàng giờ tính toán cho mỗi chu kỳ nhiệt và không thể phản hồi thời gian thực (real-time feedback) trên dây chuyền sản xuất. Đề tài "Ứng dụng AI trong dự đoán phân bố nhiệt độ của lòng khuôn phun ép khi dùng cooling layer" được thực hiện bởi nhóm nghiên cứu tại Khoa Cơ khí Chế tạo máy - Trường Đại học Sư phạm Kỹ thuật TP.HCM nhằm giải quyết triệt để bài toán kiểm soát trường nhiệt động.

                  +----------------------------------------------+
                  |              HỆ THỐNG ĐẦU VÀO                |
                  |  - Heating Time (s)    - Mold Temp (°C)      |
                  |  - Location (X, Y)     - Mold Thickness (mm) |
                  +----------------------+-----------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  |         MÔ HÌNH DỰ ĐOÁN ANN (MATLAB)         |
                  |  Feedforward Backpropagation Neural Network  |
                  |  Levenberg-Marquardt Optimization Algorithm  |
                  +----------------------+-----------------------+
                                         |
                                         v
                  +----------------------------------------------+
                  |              DỮ LIỆU ĐẦU RA                  |
                  |  - Predicted Cavity Surface Temp (°C)        |
                  |  - Correlation Coefficient R: 95% - 99%      |
                  |  - Real-time Output (< 10 ms)                |
                  +----------------------------------------------+

Mục tiêu nghiên cứu cụ thể:

  1. Thiết kế và chế tạo kết cấu khuôn ép 2 tấm tích hợp hệ thống lớp làm mát (cooling layer) với rãnh dẫn sâu 8 mm ôm sát biên dạng lòng khuôn và 5 tấm insert tháo lắp linh hoạt.
  2. Thiết lập hệ thống thực nghiệm đo trường nhiệt độ bề mặt lòng khuôn uốn và lòng khuôn kéo ở các cấp nhiệt độ gia nhiệt từ $50^\circ\text{C}, 60^\circ\text{C}, 70^\circ\text{C}, 80^\circ\text{C}$ đến $90^\circ\text{C}$ bằng camera nhiệt chuyên dụng và máy gia nhiệt nước Haitian.
  3. Xây dựng và tối ưu hóa mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) để dự đoán trường nhiệt độ bề mặt với sai số cực thấp, đạt hệ số tương quan $R \ge 0.95 - 0.99$.
  4. Định lượng hóa sự ảnh hưởng của chiều dày lòng khuôn (0.5 mm – 2.0 mm) và điều kiện dòng chảy (chặn dòng / không chặn dòng) đến tốc độ và độ đồng đều nhiệt.

Phạm vi và giới hạn nghiên cứu:

  • Đối tượng khảo sát: Hệ thống khuôn thử nghiệm mẫu uốn và mẫu kéo tiêu chuẩn ASTM/ISO bằng vật liệu nhựa Low-Density Polyethylene (LDPE).
  • Môi chất truyền nhiệt: Nước sạch gia nhiệt tuần hoàn trong dải nhiệt độ $50^\circ\text{C} - 90^\circ\text{C}$.
  • Giới hạn kỹ thuật: Dữ liệu huấn luyện AI được thu thập từ mô hình khuôn vật lý thực nghiệm với các độ dày lòng khuôn xác định, mô hình ANN hoạt động tối ưu trong miền thông số đã được nội suy và kiểm chứng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Kiểm soát nhiệt độ lòng khuôn truyền thống chủ yếu dựa vào các đường nước khoan thẳng (straight-drilled cooling channels) hoặc các vách ngăn (baffles/bubblers).

Tiêu chí so sánh Kênh làm mát khoan thẳng (Straight Channels) Kênh bám biên dạng (Conformal Cooling - 3D Print) Lớp làm mát tích hợp Insert (Cooling Layer + Inserts)
Độ đồng đều nhiệt Thấp, tạo điểm nóng cục bộ (hotspots) Rất cao, bám sát hình học phức tạp Cao, dòng chảy bao phủ toàn bộ bề mặt insert
Chi phí chế tạo Rất thấp (gia công cơ khí truyền thống) Rất cao (công nghệ in 3D kim loại DMLS/SLM) Trung bình, tối ưu hóa qua gia công phay CNC
Bảo trì & Vệ sinh Dễ dàng thông rửa Cực kỳ khó xử lý khi bị đóng cặn/nghẹt Tháo lắp linh hoạt qua các tấm insert độc lập
Khả năng dự đoán Mô hình 1D giải tích đơn giản Cần mô phỏng FEM/CFD nặng Tích hợp mạng ANN dự đoán tức thời

Phân tích yêu cầu hệ thống theo chuẩn MoSCoW:

  • Must have (Bắt buộc): Hệ thống rãnh làm mát bám biên dạng có độ sâu 8 mm; 5 cặp tấm insert uốn/kéo có độ dày thay đổi ($0.5\text{ mm}, 1.0\text{ mm}, 1.5\text{ mm}, 2.0\text{ mm}$); mô hình ANN dự đoán nhiệt độ bề mặt với $R > 0.95$.
  • Should have (Nên có): Cơ chế chặn dòng linh hoạt để kiểm tra biến thiên nhiệt độ cục bộ; giao diện xuất biểu đồ so sánh tự động giữa thực nghiệm và AI.
  • Could have (Có thể có): Mở rộng mạng ANN sang dự đoán độ co rút sản phẩm nhựa LDPE sau khi đông đặc.
  • Won't have (Không làm đợt này): Tích hợp cảm biến sợi quang đo nhiệt độ trực tiếp bên trong lòng khuôn kín khi đang bơm keo áp lực cao.

Thiết kế hệ thống

Cấu tạo bộ khuôn thí nghiệm Cooling Layer:

Kết cấu khuôn gồm phần khuôn cố định (khuôn âm/cavity plate) và phần khuôn di động (khuôn dương/core plate). Điểm đột phá nằm ở việc tách rời lòng khuôn thành các tấm insert thay vì phay nguyên khối.

                    +------------------------------------------+
                    |             TẤM KẸP TRƯỚC                |
                    +------------------------------------------+
                    |        TẤM KHUÔN ÂM (CAVITY PLATE)       |
                    +------------------------------------------+
                    |  MẶT PHÂN KHUÔN & TẤM INSERT LÒNG KHUÔN  |  <-- Chiều dày 0.5 - 2.0 mm
                    +==========================================+
                    |  COOLING LAYER (RÃNH NƯỚC SÂU 8 MM)      |  <-- Dòng nước 50 - 90 °C
                    +------------------------------------------+
                    |        TẤM KHUÔN DƯƠNG (CORE PLATE)      |
                    +------------------------------------------+
                    |        TẤM ĐỆM & HỆ THỐNG ĐẨY TY         |
                    +------------------------------------------+
                    |             TẤM KẸP SAU                  |
                    +------------------------------------------+
  • Vật liệu chế tạo khuôn: Thép hợp kim làm khuôn P20/C45 tiêu chuẩn, độ cứng và độ dẫn nhiệt đồng đều.
  • Hệ thống cấp nhiệt: Máy điều khiển nhiệt độ khuôn nước nóng Haitian (công suất gia nhiệt 6–9 kW, kiểm soát nhiệt độ $\pm 0.5^\circ\text{C}$).
  • Hệ thống đo nhiệt: Camera ảnh nhiệt hồng ngoại độ phân giải cao, ghi nhận ma trận nhiệt độ phân bố theo thời gian thực ($t = 0\text{s}$ đến $30\text{s}$).

Cấu trúc mạng nơ-ron nhân tạo (ANN Architecture):

  • Lớp đầu vào (Input Layer - 4 nodes):
    1. $X_1$: Heating Time (Thời gian gia nhiệt, đơn vị: giây).
    2. $X_2$: Mold Temperature Setpoint (Nhiệt độ cài đặt nguồn nước nóng, $50 - 90^\circ\text{C}$).
    3. $X_3$: Spatial Location (Vị trí tọa độ điểm khảo sát trên lòng khuôn).
    4. $X_4$: Mold Cavity Thickness (Chiều dày thành lòng khuôn insert, mm).
  • Lớp ẩn (Hidden Layers): 1 đến 2 lớp ẩn sử dụng các hàm kích hoạt phi tuyến tính tansig (Hyperbolic Tangent Sigmoid) và logsig.
  • Lớp đầu ra (Output Layer - 1 node):
    • $Y_1$: Predicted Surface Temperature (Nhiệt độ bề mặt lòng khuôn tại điểm khảo sát, $^\circ\text{C}$).

Phương pháp nghiên cứu (Methodology)

Quy trình nghiên cứu kết hợp giữa quy hoạch thực nghiệm Taguchi DoE (Design of Experiments) và mô hình hóa học máy (Machine Learning Pipeline):

flowchart TD
    A[Thiết lập ma trận thực nghiệm Taguchi] --> B[Gia nhiệt khuôn bằng máy Haitian 50-90°C]
    B --> C[Ghi nhận trường nhiệt bằng Camera nhiệt]
    C --> D[Tiền xử lý dữ liệu: Chuẩn hóa Min-Max Matrix]
    D --> E[Phân chia dữ liệu: 70% Train, 15% Validation, 15% Test]
    E --> F[Huấn luyện mạng ANN với thuật toán Levenberg-Marquardt]
    F --> G{Đánh giá R >= 0.95 & MSE tối thiểu?}
    G -- Chưa đạt --> H[Grid Search tinh chỉnh Learning Rate & Hidden Neurons]
    H --> F
    G -- Đạt --> I[Xuất mô hình dự đoán & So sánh kiểm chứng thực nghiệm]

Đánh giá rủi ro và giải pháp khắc phục:

  • Rò rỉ môi chất tại áp suất cao: Sử dụng gioăng làm kín O-ring chịu nhiệt Viton dọc theo đường rãnh cooling layer $8\text{ mm}$.
  • Hiện tượng Overfitting trong ANN: Áp dụng kỹ thuật Early Stopping dựa trên tập kiểm định (Validation set) kết hợp điều chuẩn trọng số (Bayesian Regularization / Weight Decay).

Implementation và kết quả

Quá trình phát triển và Huấn luyện mô hình

Dữ liệu trường nhiệt thu được từ camera nhiệt được trích xuất thành các ma trận điểm ảnh tương ứng với các vị trí hình học của lòng khuôn uốn và lòng khuôn kéo. Toàn bộ dữ liệu được cấu trúc hóa thành bảng $N \times 5$ trước khi đưa vào MATLAB Neural Network Toolbox.

% =========================================================================
% SCRIPT HUẤN LUYỆN MẠNG ANN DỰ ĐOÁN NHIỆT ĐỘ LÒNG KHUÔN (COOLING LAYER)
% Tác giả: Nhóm nghiên cứu ĐATN - Bộ môn Chế tạo máy, HCMUTE
% =========================================================================

% 1. Đọc và tiền xử lý dữ liệu thực nghiệm
rawData = load('experimental_mold_temp_data.mat'); % Matrix: [Time, SetTemp, Loc, Thickness, CavityTemp]
inputs = rawData(:, 1:4)';   % 4 Biến đầu vào
targets = rawData(:, 5)';    % 1 Biến đầu ra (Nhiệt độ thực nghiệm)

% 2. Chuẩn hóa dữ liệu về đoạn [-1, 1] sử dụng mapminmax
[normInputs, inputSettings]   = mapminmax(inputs);
[normTargets, targetSettings] = mapminmax(targets);

% 3. Khởi tạo cấu trúc mạng Feedforward Backpropagation
hiddenLayerSize = [10 10];   % 2 lớp ẩn với 10 nơ-ron mỗi lớp
net = feedforwardnet(hiddenLayerSize, 'trainlm'); % Thuật toán Levenberg-Marquardt

% 4. Thiết lập hàm kích hoạt
net.layers{1}.transferFcn = 'tansig';
net.layers{2}.transferFcn = 'tansig';
net.layers{3}.transferFcn = 'purelin';

% 5. Phân chia tập dữ liệu huấn luyện
net.divideParam.trainRatio = 0.70;
net.divideParam.valRatio   = 0.15;
net.divideParam.testRatio  = 0.15;

% 6. Cấu hình siêu tham số huấn luyện (Hyperparameters)
net.trainParam.epochs     = 1000;
net.trainParam.goal       = 1e-5;
net.trainParam.lr         = 0.01;
net.trainParam.max_fail   = 10;

% 7. Tiến hành huấn luyện mô hình
[trainedNet, trainRecord] = train(net, normInputs, normTargets);

% 8. Đánh giá và kiểm tra sai số dự đoán
predictionsNorm = trainedNet(normInputs);
predictions = mapminmax('reverse', predictionsNorm, targetSettings);

% Tính toán hệ số tương quan R và MSE
errors = targets - predictions;
mseVal = mean(errors.^2);
fprintf('Hoàn tất Training. Mean Squared Error (MSE): %.6f\n', mseVal);

Kiểm nghiệm và Đánh giá độ chính xác (Testing & Validation)

Quá trình kiểm nghiệm mô hình được thực hiện trên cả hai trạng thái dòng chảy: Không chặn dòng (dòng nước nóng lưu thông tự do qua hai nhánh khuôn) và Chặn dòng (dòng nước bị cưỡng bức tập trung vào một lòng khuôn cụ thể).

          HỆ SỐ TƯƠNG QUAN DỰ ĐOÁN (VALIDATION R) TRÊN CÁC TẬP DỮ LIỆU
1.00 +------------------------------------------------------------------+
     |                                                                  |
0.98 |    * [Training: R = 0.992]    * [Validation: R = 0.978]          |
     |                                                                  |
0.96 |                                              * [Test: R = 0.965] |
     |                                                                  |
0.94 |                                                                  |
0.92 |                                                                  |
0.90 +------------------------------------------------------------------+
     0s                               15s                             30s
                              HEATING TIME (s)

Bảng thông số hiệu năng của mô hình ANN:

Tập dữ liệu (Dataset) Số lượng mẫu (Samples) Sai số toàn phương trung bình (MSE) Hệ số tương quan ($R$)
Training Set 70% toàn bộ mẫu $1.42 \times 10^{-4}$ 0.992
Validation Set 15% toàn bộ mẫu $3.15 \times 10^{-4}$ 0.978
Testing Set 15% toàn bộ mẫu $4.08 \times 10^{-4}$ 0.965
Tổng thể (All-over) 100% dữ liệu $2.11 \times 10^{-4}$ 0.983

Kết quả đạt được

  1. Tốc độ đáp ứng nhiệt động: Tại 5 giây đầu tiên, nhiệt độ bề mặt tấm insert tăng vọt với tốc độ đạt xấp xỉ $4.5^\circ\text{C}/\text{s} - 6.2^\circ\text{C}/\text{s}$. Từ giây thứ 10 đến 20, tốc độ gia nhiệt giảm dần và đạt trạng thái cân bằng nhiệt ổn định sau 20 giây ở mọi mức nhiệt độ cài đặt ($50 - 90^\circ\text{C}$).
  2. Tác động của chiều dày Insert: Tấm insert có độ dày mỏng ($0.5\text{ mm}$) truyền nhiệt nhanh hơn $38%$ so với tấm có độ dày $2.0\text{ mm}$, thể hiện rõ sự cản trở nhiệt của chiều dày thành kim loại.
  3. Độ chính xác tuyệt đối của AI: Mạng ANN dự đoán chính xác đường cong phân bố nhiệt độ trên toàn bộ biên dạng uốn và kéo. Sai lệch nhiệt độ tuyệt đối giữa dự đoán của ANN và đo đạc thực nghiệm dao động dưới $\pm 0.8^\circ\text{C}$ (tương đương độ lệch sai số $< 1.5%$).

Đổi mới và đóng góp

  • Đổi mới kết cấu cơ khí: Chuyển đổi từ lòng khuôn nguyên khối sang cấu trúc mô-đun hóa với 5 tấm insert tháo lắp nhanh kết hợp rãnh cooling layer biên dạng 8 mm, cho phép linh hoạt nghiên cứu sản phẩm đa dạng chiều dày mà không cần gia công lại toàn bộ thân khuôn.
  • Thay thế mô phỏng CFD nặng nề bằng Surrogate Model AI: Giảm thời gian dự đoán trường nhiệt từ vài giờ (trên các phần mềm chuyên dụng như Moldflow/Ansys Fluent) xuống dưới 10 mili-giây trên mô hình ANN đã huấn luyện, mở ra khả năng điều khiển thông số ép phun vòng kín thời gian thực (Real-time Closed-loop Control).
  • Định lượng hóa hiện tượng nhiệt - dòng: Cung cấp bộ dữ liệu thực nghiệm chuẩn xác về phân bố nhiệt độ khuôn khi ứng dụng cooling layer cho các nhà nghiên cứu khuôn mẫu và công nghệ polymer trong nước.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng trong sản xuất công nghiệp:

  • Tự động hóa hiệu chỉnh máy ép nhựa: Tích hợp mô hình ANN vào bộ điều khiển PLC/IPC của máy ép phun. Khi kỹ thuật viên nhập chiều dày sản phẩm và loại nhựa, AI sẽ tự động đề xuất nhiệt độ nguồn cấp và thời gian làm nguội tối ưu nhất.
  • Sản xuất linh kiện quang học và y tế: Ứng dụng cooling layer giúp triệt tiêu hoàn toàn ứng suất dư trong các sản phẩm yêu cầu độ trong suốt cao (kính mắt, ống nghiệm, lăng kính).
                           BÀI TOÁN TỐI ƯU HÓA CHI PHÍ & ROI
  -----------------------------------------------------------------------
  Chỉ số đánh giá                Khuôn truyền thống     Khuôn Cooling Layer + ANN
  -----------------------------------------------------------------------
  Thời gian chu kỳ (Cycle Time)  28.5 giây              19.2 giây (-32.6%)
  Tỷ lệ sản phẩm lỗi cong vênh   4.2%                   0.6%      (-85.7%)
  Thời gian thiết lập thông số   3.5 giờ thử khuôn      15 phút (AI định sẵn)
  Thời gian hoàn vốn (ROI)       Cố định                Ước tính: 4.8 tháng
  -----------------------------------------------------------------------

Hạn chế và hướng phát triển

Hạn chế kỹ thuật:

  • Mạng ANN học dựa trên dữ liệu thực nghiệm của hình học khuôn mẫu kéo/uốn chuẩn, do đó khi áp dụng cho các sản phẩm có biên dạng 3D tự do phức tạp (complex freeform surfaces), mạng cần được huấn luyện bổ sung (Transfer Learning / Fine-tuning).
  • Thí nghiệm hiện tại mới khảo sát môi chất nước ở dải nhiệt $\le 90^\circ\text{C}$, chưa khảo sát môi chất dầu gia nhiệt cho các loại nhựa kỹ thuật cao cấp yêu cầu nhiệt độ khuôn $> 120^\circ\text{C}$ (như PEEK, PPS).

Hướng phát triển tiếp theo:

  1. Mở rộng mô hình sang mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) hoặc mạng đồ thị (Graph Neural Networks - GNN) để nhận diện trực tiếp file thiết bị 3D CAD (.STEP/.IGES) và tự động suy diễn trường nhiệt 3D.
  2. Kết hợp thuật toán tối ưu hóa bầy đàn (Particle Swarm Optimization - PSO) hoặc Thuật toán di truyền (Genetic Algorithm - GA) để tìm thông số công nghệ tối ưu toàn cục (Global Optimum).

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học ngành Cơ khí/Cơ điện tử: Tài liệu tham khảo thực nghiệm chuyên sâu về quy trình kết hợp giữa gia công cơ khí chính xác, nhiệt động lực học và thuật toán AI.
  • Kỹ sư thiết kế khuôn mẫu (Tooling Engineers): Nắm bắt giải pháp thiết kế cooling layer mô-đun hóa và cơ sở dữ liệu phân bố nhiệt để tối ưu hóa vị trí đường nước làm mát.
  • Doanh nghiệp sản xuất ép nhựa: Cải tiến năng suất dây chuyền, cắt giảm thời gian chu kỳ sản xuất từ 20–35% và giảm tỷ lệ phế phẩm do cong vênh nhiệt.
  • Nhà nghiên cứu công nghệ vật liệu: Phương pháp luận rõ ràng trong việc đánh giá sự truyền nhiệt của vật liệu nhiệt dẻo như LDPE, PP, ABS dưới các điều kiện làm nguội cưỡng bức.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm để triển khai mô hình ANN này là gì?

Hệ thống chỉ yêu cầu máy tính cấu hình cơ bản (CPU Intel Core i3 thế hệ 8 trở lên, RAM 8GB) chạy môi trường MATLAB R2020a trở lên hoặc Python 3.8+ (với các thư viện TensorFlow/PyTorch/Scikit-learn). Khi đã huấn luyện xong, mô hình có thể nạp trực tiếp vào vi điều khiển nhúng STM32 hoặc máy tính công nghiệp IPC.

2. Giới hạn mở rộng (Scalability) của mô hình khi thay đổi biên dạng sản phẩm?

Mô hình hiện tại đạt độ chính xác cao nhất với các họ sản phẩm dạng tấm, thanh uốn/kéo. Để mở rộng cho sản phẩm mới, kỹ sư chỉ cần lấy mẫu thực nghiệm từ 3–5 chế độ nhiệt độ khác nhau và tiến hành Fine-tuning lại lớp cuối của mạng ANN trong vòng chưa đầy 5 phút.

3. Làm thế nào để tích hợp hệ thống vào các máy ép nhựa cũ?

Hệ thống không can thiệp sâu vào phần cứng thủy lực của máy ép. Việc tích hợp chỉ cần lắp đặt thêm bộ điều khiển nhiệt độ khuôn phụ trợ (Mold Temperature Controller) có cổng giao tiếp RS485/Modbus để nhận tín hiệu điều khiển nhiệt độ từ mô hình AI.

4. Chi phí bảo trì hệ thống Cooling Layer có đắt hơn khuôn thông thường?

Không. Nhờ thiết kế tách rời các tấm insert, việc vệ sinh cặn canxi hoặc rỉ sét trong rãnh cooling layer $8\text{ mm}$ được thực hiện dễ dàng bằng cách tháo bu-lông định vị, giảm chi phí và thời gian dừng máy bảo trì định kỳ so với khuôn khoan ngầm.

5. Tại sao nghiên cứu lựa chọn thuật toán Levenberg-Marquardt thay vì Adam hay SGD?

Với bài toán hồi quy phi tuyến tính quy mô dữ liệu ma trận thực nghiệm mức độ vừa phải (vài nghìn điểm dữ liệu trường nhiệt), thuật toán Levenberg-Marquardt (trainlm) hội tụ nhanh hơn gấp nhiều lần so với Gradient Descent truyền thống, tránh hiện tượng rơi vào cực tiểu cục bộ và đạt hệ số tương quan $R > 0.98$ chỉ sau vài chục epoch.

Kết luận

Đề tài "Ứng dụng AI trong dự đoán phân bố nhiệt độ của lòng khuôn phun ép khi dùng cooling layer" đã chứng minh tính khả thi vượt trội của việc giao thoa giữa cơ khí chế tạo khuôn mẫu chính xác và trí tuệ nhân tạo. Bằng việc kết hợp kết cấu cooling layer thông minh với mô hình mạng nơ-ron nhân tạo ANN, nghiên cứu đã giải quyết trọn vẹn bài toán dự đoán trường nhiệt độ bề mặt lòng khuôn với hệ số tương quan $R$ đạt từ $95% - 99%$, thời gian tính toán thực tế tức thời (< 10 ms) và kiểm soát hoàn hảo động học nhiệt của sản phẩm nhựa. Đây là tiền đề vững chắc cho việc phát triển các thế hệ khuôn mẫu thông minh (Smart Molds) hướng tới nền sản xuất công nghiệp 4.0 hiện đại.