.png){kind=icon}
返回
Deep Learning Platform for Optimizing Forming Tool Design
.png){kind=icon}
PRE
AI
DOI：10.1007/s12666-026-03925-7.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
冲压工艺在汽车行业中广泛用于制造复杂形状。合理的模具设计是确保冲压件质量的关键。通常使用计算机辅助设计（CAD）和有限元分析（FEA）来修改模具设计，以实现无缺陷部件的生产。这一迭代过程成本高昂且耗时。深度学习已作为一种强大的工具出现，通过减少数百次顺序模拟所需的计算和物理工作量，来辅助工具/模具设计。然而，在几何复杂区域同时实现计算效率和高预测精度仍然是一个挑战。本文通过引入基于曲率的数据采样技术，优先获取模具或冲头表面关键区域的数据，增强了先前提出的用于板材成形工具优化的深度学习平台。该平台包含两个神经网络：1）几何生成器用于表示工具形状；2）基于模拟数据训练的代理模型用于评估成形可行性。生成器模型使用潜在向量进行几何表示，并在符号距离函数（SDF）上训练。采用Marching Cube算法根据SDF值生成工具形状。代理模型获取生成形状的高度图并预测制造性能。在两个模型训练完成后，通过仅改变生成器模型的潜在向量，采用基于梯度的优化方法获得所需的制造性能。该优化的潜在向量给出了最终的工具形状。本文介绍了该平台、遵循的框架以及用于无缺陷交叉模具成形的优化结果。
Keyword:
Sheet metal forming
Deep learning
FEM
Optimization
Curvature-based data sampling
