基于图卷积网络的计算机辅助工程(CAE)零件分类
机器学习
2022-02-24 v1
摘要
CAE 工程师需要处理分散在多个车身模型中的数百个零件。我们使用图卷积网络(GCN)开发了一个 CAE 零件分类器。来自一个代表性车身模型的多达 866 个不同零件被用作训练数据。这些零件表示为三维(3-D)有限元分析(FEA)网格，每个节点在 x、y、z 坐标系中具有取值。基于 GCN 的分类器与全连接神经网络及基于 PointNet 的模型进行了比较。训练模型的性能通过一个测试集评估，该测试集包含来自训练数据的零件，但具有附加孔、旋转、平移、网格细化/粗化、网格模式变化、沿 x 和 y 轴镜像、地形特征变化以及网格节点排序改变。训练后的 GCN 模型在测试集上达到了 88.5% 的分类准确率，即尽管与基线零件存在显著变化，它仍能从 866 个零件的数据集中找到正确匹配的零件。本研究中展示的 CAE 零件分类器可非常有助于工程师筛选分散在多个车身模型中的 CAE 零件，以找到满足其要求的零件。
引用
@article{arxiv.2202.11289,
title = {Classification of Computer Aided Engineering (CAE) Parts Using Graph Convolutional Networks},
author = {Alok Warey and Rajan Chakravarty},
journal= {arXiv preprint arXiv:2202.11289},
year = {2022}
}