几何与拓扑深度学习用于冷喷涂沉积过程建模中预测热力学性能

本研究提出了几何深度学习框架，用于预测冷喷涂颗粒冲击响应，基于有限元仿真数据生成。通过自动化 Abaqus 仿真生成参数化数据集，系统性地覆盖颗粒速度、颗粒温度和摩擦系数的范围，产生五个输出目标：包括最大等效屈曲应变、平均接触屈曲应变、最大温度、最大 von Mises 应力和变形比。实现并评估了四个新型算法，即基于 GraphSAGE 风格的归纳图神经网络、切比雪夫谱图卷积网络、基于拓扑数据分析增强的多层感知机以及几何注意力网络。将每个输入样本视为 k-最近邻特征空间图中的节点，使模型能够在训练期间利用过程条件之间的空间相似性。三维特征空间可视化和二维等值线投影确认了输入输出关系高度非线性且以速度为主导。定量评估表明，GraphSAGE 和 GAT 在大多数目标上始终实现 R 平方值超过 0.93，其中 GAT 对最大屈曲应变的峰值性能达到 R 平方等于 0.97。ChebSpectral 和 TDA-MLP 表现要差得多，尽管对几个目标的 R 平方值为负。这些发现确立了基于空间图的邻域聚合作为冷喷涂过程优化的稳健且具有物理可解释性的替代模型策略。