基于循环 U-Net 的图神经网络 (RUGNN) 用于板材成形变形预测
机器学习
2025-07-17 v1
摘要
近年来，提出了各种基于人工智能的替代模型，以提供材料成形过程的快速可制造性预测。然而，传统基于人工智能的替代模型，通常基于标量或图像-based 的神经网络，受限于其捕捉复杂三维空间关系的能力，以及以置换不变方式运行的能力。为克服这些问题，正在开发基于图的替代模型，这些模型使用图神经网络。本研究开发了一种新的图神经网络替代模型，命名为循环 U-Net 基于图神经网络 (RUGNN)。RUGNN 模型能够在多个成形时间步上准确预测板材变形场。RUGNN 模型融合了门控循环单元 (GRU) 来建模时序动态，并采用受 U-Net 启发的图-based 下采样/上采样机制来处理空间长程依赖关系。提出了一种新颖的“节点到曲面”接触表示方法，显著提高了大规模接触相互作用的计算效率。使用铝合金进行冷成形案例研究和更复杂的热成形案例研究验证了 RUGNN 模型。结果表明，RUGNN 模型提供的变形预测与实际 FE 仿真结果高度吻合，并优于多个基准图神经网络架构。还对模型进行调优，确定合适的超参数、训练策略和输入特征表示。这些结果表明，RUGNN 是一种可靠的方法，可支持板材成形设计，通过实现准确的可制造性预测。
引用
@article{arxiv.2507.11547,
title = {Recurrent U-Net-Based Graph Neural Network (RUGNN) for Accurate Deformation Predictions in Sheet Material Forming},
author = {Yingxue Zhao and Qianyi Chen and Haoran Li and Haosu Zhou and Hamid Reza Attar and Tobias Pfaff and Tailin Wu and Nan Li},
journal= {arXiv preprint arXiv:2507.11547},
year = {2025}
}