Cold Spray 涂层过程建模的几何与拓扑深度学习
机器学习
2026-03-17 v1 材料科学
人工智能
计算工程、金融与科学
摘要
本研究提出了一种用于预测冷喷射粒子冲击响应的几何深度学习框架，基于有限元仿真数据。通过自动化 Abaqus 仿真生成参数化数据集，系统性地覆盖粒子速度、粒子温度和摩擦系数的范围，产生五个输出目标：最大等效塑性应变、平均接触塑性应变、最大温度、最大 von Mises 应力和变形比。实现了四种新型算法：一种类 GraphSAGE 的归纳图神经网络、Chebyshev 谱图卷积网络、增强多层感知器的拓扑数据分析方法，以及几何注意力网络，并对其进行评估。将每个输入样本视为 k-最近邻特征空间图中的一个节点，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的高度非线性和速度主导性。定量评估表明，GraphSAGE 和 GAT 在大多数目标上 consistently 获得 R-square 值超过 0.93，其中 GAT 对最大塑性应变的峰值性能达到 R-square 等值 0.97。ChebSpectral 和 TDA-MLP 的性能显著较差，尽管对几个目标的 R-square 值为负值。这些发现表明，空间图基的邻域聚合是冷喷射过程优化的稳健且具有物理解释性的替代建模策略。
引用
@article{arxiv.2603.14478,
title = {Geometric and Topological Deep Learning for Predicting Thermo-mechanical Performance in Cold Spray Deposition Process Modeling},
author = {Akshansh Mishra},
journal= {arXiv preprint arXiv:2603.14478},
year = {2026}
}
备注
27 pages, 19 figures, 6 tables