面向制造约束下板料冲压几何形状优化的深度学习平台开发

最新的板料冲压工艺能够高效制造具有高刚度重量比的复杂形状结构件，但这些工艺可能引入缺陷。为辅助冲压工艺的零件设计，本文提出一种基于深度学习的新颖平台，用于优化三维零件几何形状。该平台采用非参数化建模方法，能够从多种几何参数化方案中优化任意几何形状。该方法的特点是两个神经网络的交互：1) 几何生成器；2) 制造性能评估器。生成器针对不同类别的几何形状预测连续的三维有符号距离场（SDF），每个 SDF 以潜向量为条件。每个 SDF 的零水平集隐式表示一个生成的几何形状。本文引入了针对生成器的新颖训练策略，包括一个为板料冲压应用定制的新损失函数。这些策略首次实现了具有紧凑局部特征的高质量、大规模零件几何形状的可微生成。评估器将这些生成几何形状的二维投影映射到其冲压后的物理（如应变）分布。基于这些分布施加制造约束，并用于构建新颖的优化目标函数。采用一种新的基于梯度的优化技术迭代更新潜向量，从而更新几何形状，以最小化该目标函数并满足制造约束。本文给出并讨论了基于热冲压工艺中受板料减薄约束的盒型几何形状优化案例研究。结果表明，可实现富有表现力的几何变化，且这些变化由冲压性能驱动。