基于扩散模型的复杂空间关节智能生成:可变形四面体网格表示

《AUTOMATION IN CONSTRUCTION》:Diffusion-based intelligent generation of complex spatial joints using deformable tetrahedral grid representation

【字体: 大 中 小 】 时间:2026年10月01日 来源:AUTOMATION IN CONSTRUCTION 12.6

编辑推荐:

   •JointDiffusion将扩散-DMTet生成方法适配至结构节点工作流程。•混合数据设置所产生的形态多样性优于仅基于拓扑优化的训练。•DMTet生成显式曲面网格,减少逆向工程步骤。•筛选后的生成节点其力学响应范围与源数据重叠。1. 引言节点是空间结构系统中的关键组成部分

  

•JointDiffusion将扩散-DMTet生成方法适配至结构节点工作流程。•混合数据设置所产生的形态多样性优于仅基于拓扑优化的训练。•DMTet生成显式曲面网格,减少逆向工程步骤。•筛选后的生成节点其力学响应范围与源数据重叠。1. 引言节点是空间结构系统中的关键组成部分,负责连接结构构件并传递构件间的荷载。随着空间结构的持续发展,节点构型日益复杂,通常涉及多根构件交汇、几何形状复杂以及高制造难度。传统的连接方式(如螺栓连接或焊接节点)往往难以满足复杂节点的结构性能与施工要求。然而,当前节点设计仍主要依赖设计师的经验结合反复的有限元分析,导致设计周期较长。此外,实际工程应用中仍存在节点质量过大、应力集中等挑战。已有研究为空间节点建立了几何、结构和智能设计方面的研究背景。例如,Arciszewski和Uduma [1]研究了球形节点的成形方法,为这类连接构件建立了早期设计基础;Dong等[2]综述了我国现代大跨空间结构的应用与发展,记录了此类节点所处的更广泛结构背景;Wang等[3]调研了空间结构与节点设计中的人工智能方法,为本文数据驱动的节点生成提供了研究背景。铸钢节点通过整体铸造工艺制造,能够实现复杂的几何形态,同时有效降低焊接残余应力并简化施工流程[4,5]。上述实际工程挑战在大型工程项目中尤为显著。例如,深圳大运会体育场屋盖网架结构中位于肩谷处的铸钢节点重达98.6吨[6],南通体育会展中心分岔柱底节点的最大等效应力超过300 MPa[7]。为提高结构节点的力学性能和材料利用效率,优化驱动的设计方法逐渐被引入空间节点设计领域。这些方法主要包括拓扑优化[8,9]和生成式设计[10,11]。拓扑优化根据加载条件、边界约束和性能目标确定给定设计域内最优的材料分布,从而获得更高效的传力路径。生成式设计则基于预定义的设计目标、加载场景和制造约束自动生成大量设计替代方案,从而探索更广阔的设计空间。先前的研究表明,两种方法均可显著提升各类结构节点的性能,包括多分支节点、板节点和空间网架节点。例如,Wang等[12]对树状三叉和四叉节点进行了拓扑优化,实现了节点质量和最大等效应力的显著降低。Zhang等[13]将仿生结构概念启发的拓扑优化应用于铝合金板节点,使节点质量降低52.91%,最大等效应力降低19.91%。Du等[14]对索穹顶结构的支承节点进行了拓扑优化,观察到应力分布更加均匀、材料利用率提高。Zhu等[15,16]通过多目标拓扑优化提高了空心球形节点的整体刚度和固有频率。此外,生成式设计在节点优化中也显示出良好前景。例如,Wang等[17]利用生成式设计生成了多种三叉节点构型,其中部分方案在结构性能和质量方面优于拓扑优化节点。Han等[6]为四叉铸钢节点生成了26种设计替代方案,代表性方案实现了质量降低3.18%、最大等效应力降低24.78%。Liu等[18]利用生成式设计优化单层网架节点,使节点质量降低57.1%,最大等效应力降低29.13%。尽管拓扑优化和生成式设计能够提升节点性能,但应区分其在实际应用中的作用与局限性[19,20]。常规的拓扑优化运行针对预设目标、设计域和约束条件集仅产生一个优化的材料分布方案;要获得替代形态,需要反复修改设置进行重新搜索。生成式设计可以返回多个替代方案,但可访问的设计空间和重建工作流程取决于所选软件、搜索设置和制造约束。然而在工程节点设计中,设计师通常需要在相同的构件界面、荷载和边界条件下获得多个候选方案,以便对质量、位移、应力、局部形态和可制造性进行权衡。大多数现有研究仍局限于特定案例,并未直接提供一个可反复生成此类替代方案的学习型采样器,而不必重新运行原始优化平台。近年来,深度学习在图像生成和三维形状建模方面取得了进步。Mohammadjafari等[21]使用生成对抗网络设计了毫米波电磁表面,Huang等[22]展示了用于图像生成的量子生成对抗网络。在工程设计领域,Xia等[23]将拓扑优化与生成对抗网络结合用于空中建筑机械的关键节点,Zhang等[24]开发了用于生成式隧道设计的物理引导深度学习框架。这些研究表明生成式学习如何编码复杂设计分布;本文将该前提应用于三维空间节点。Wang等[25]将拓扑优化与BEGAN结合生成节点结构,Du等[26]提出了直接三维节点生成后进行有限元评估的方法。基于扩散的工程生成的定量先例由TopoDiff提供:Mazé和Ahmed [27]报告在其拓扑优化基准上,平均力学性能误差降低了八倍,不可行样本数约为条件GAN基线的十一分之一。这一结果促使考虑将扩散模型作为GANs的替代方案应用于工程设计,但并未将其作为本文三维节点问题的直接证据。在计算机图形学文献中,MeshDiffusion [28]建立了核心方法——拟合可变形四面体表示、用扩散模型学习其分布,并使用行进四面体法提取曲面。因此,本文并不声称扩散-DMTet公式本身是一种新的生成算法。结构节点应用则引入了额外的工程需求,包括数据构建、精确连接界面、CAD重建和可重复的结构评估协议。因此,本研究对已有的扩散-DMTet策略进行了面向工程的适配,应用于结构节点设计。该框架旨在解决早期GAN/体素节点生成工作流程中仍存在的三个实际瓶颈:训练数据主要来源于拓扑优化结果所导致的有限形态范围、将离散体素输出转换为CAD兼容几何所需的逆向工程多步骤流程,以及缺乏统一途径来恢复精确工程界面并在一致的结构分析协议下评估生成候选方案。JointDiffusion通过结合拓扑优化和生成式设计几何作为丰富的源分布、用拟合的DMTet表示取代体素化几何、使用基于扩散的概率采样、通过行进四面体法重建显式曲面、参数化恢复预设构件界面,以及将所得几何通过CAD转换和有限元筛选来应对这些瓶颈。因此,其贡献在于端到端的工程集成——数据构建、几何表示与重建、候选采样、界面/CAD恢复以及验证——而非底层扩散-DMTet生成算法本身。混合数据用于拓宽观察到的几何分布,但不假定每个生成的样本都融合了两种方法的力学和制造特性。以下部分以代表性空间节点应用为例,展示工作流程并评估这些工程层面的贡献。在六构件节点演示中,50个随机输出中有36个完成了完整的重建/CAD/有限元分析工作流程,成功生成的群体占据了与374个有效源设计大幅重叠的力学响应范围;三个代表性节点的FDM原型进一步确认了原型尺度的几何可打印性。本文其余部分组织如下:第2节定义固定界面的生成问题并总结工程工作流程。第3节描述数据集构建、DMTet拟合、扩散模型、采样和重建。第4节报告重建、训练集组成、有效性、工作流程成功率和结构响应的评估结果。第5节总结案例特定结论和未来工作。2. 智能节点生成框架概述JointDiffusion将结构节点生成形式化为预设工程设计域内的分布学习。对于目标节点类别,构件界面位置、轴线、尺寸和端面以及相关的荷载和边界条件由外部指定;随机模型采样的是节点主体形态而非工程界面本身。生成的DMTet场被转换为显式曲面,随后确定性地恢复预设界面,并通过有限元分析对候选几何进行筛选。力学可接受性在生成后通过质量、最大位移和最大等效应力等量进行评估,而非在扩散采样过程中作为硬约束施加。该框架并非针对特定构件数量进行结构硬编码,尽管应用到新节点类别时需要相应的数据和模型训练或微调。以下以六构件体育场节点为例,介绍并定量评估所提出的框架。整体技术工作流程如图1所示。工作流程包含三个关联阶段:源数据构建与归一化、扩散模型训练/采样,以及工程重建/评估。混合拓扑优化/生成式设计数据集拓宽了模型可用的经验几何分布,而统一的DMTet表示提供了共同的连续曲面处理途径。生成的样本被解码为显式网格,精确界面被恢复,所得CAD实体通过与源几何相同的有限元设置进行筛选。(1)高质量数据集构建数据集构建自两个互补的实际来源,而非单一优化族。拓扑优化模型提供性能导向搜索获得的形式,而生成式设计模型扩大了可用形态和制造搜索设置的范围。组合用于数据增强;其不意味着每个训练样本都同时继承了两种方法的最佳结构和制造特性。所有源CAD模型在DMTet拟合前经过相同的几何验证和曲面网格划分流程。无效的多实体模型和重试后仍无法可靠转换的模型被排除,而非手动修复,以确保最终训练集具有明确的分母。存活的源几何随后使用后续群体比较所用的共同有限元设置重新分析。最后,在转换为四通道DMTet张量之前,坐标系增强一致地应用于几何和向量数据。这些旋转是表示层面的增强,不被解释为实际受载节点具有物理对称性。详细计数和处理步骤见第3.1节。(2)扩散模型训练训练过程中,逐步向四通道DMTet网格张量添加高斯噪声,并优化三维U-Net预测注入的噪声。因此,模型学习的是固定案例下节点主体表示的经验分布,而非从荷载到几何的直接映射。网络采用多尺度编解码架构,包含残差块、跳跃连接、时间步嵌入,以及在163尺度和瓶颈处的注意力机制。源加权采样器控制拓扑优化和生成设计样本在训练期间的选取频率;所选的0.6/0.4源概率是经验设置,而非确定的最优值。训练和推理设置、参数量、随机种子、硬件和计算时间在第3.2节报告,以使实现和成本核算可复现。(3)节点生成的反向去噪训练完成后,采样从高斯噪声开始,使用离散方差保持的祖先反向过程。最终的4×643张量映射回DMTet晶格,行进四面体法提取零水平曲面作为显式三角形OBJ网格。随后参数化恢复精确的六个界面,并使用Geomagic Design X进行自动曲面拟合为STEP文件,再进行有限元筛选。3. 基于扩散的复杂结构节点生成本节描述固定界面节点生成问题的具体实现。首先介绍混合源数据集的构建和DMTet参数化,然后定义扩散模型和训练程序,最后解释反向去噪、网格提取、确定性界面恢复和CAD重建。3.1. 高质量数据集构建训练数据是生成模型学习复杂节点几何分布特征的基础。本节详细介绍集成拓扑优化和生成式设计结果的数据集构建流程。3.1.1.

初始模型构建
该框架以体育场上部空间网格中的一个复杂节点为例进行演示,如图 2(a) 所示。该体育场采用钢桁架与索膜屋顶系统相结合的结构,具有大致鞍形的配置。其平面尺寸沿纵向约为 328 m,沿横向约为 269 m,建筑高度为 59.7 m。基于工程配置,建立了节点的初始几何模型,并定义了六个连接杆件的规定接口位置、方向、直径和端平面,如图 2(b) 所示。

下载:下载高分辨率图像 (641KB)
下载:下载完整尺寸图像
图 2。(a) 体育场结构与节点模型;(b) 初始工程节点的预设几何与接口参数。

表 1 中列出的荷载对应于从项目级结构分析中提取的主控组合设计工况。该全局分析考虑了相关的施工顺序和结构作用,包括自重、索桁激活/预应力、幕墙效应、支座移除、恒载和活载、风荷载以及温度作用。最不利的组合作用作为分布面荷载施加在局部节点模型的管道端部,而端部弯矩则通过多点约束进行传递。使用右手全局坐标系,并如图 3 所示施加部分平移/旋转约束。

表 1. 施加在每个管道端部的主控设计荷载。
管道编号 | Fx (kN) | Fy (kN) | Fz (kN) | Mx (kN?m) | My (kN?m) | Mz (kN?m)
---|---|---|---|---|---|---
1 | ?3.274 | 4774.6 | ?174.39 | 183.28 | 2.653 | ?1.818
2 | ?2.405 | ?4678.8 | ?1061.6 | ?1450.1 | 141.48 | 3
3 | 3652.2 | ?72.63 | 6293.3 | ?13.139 | ?495.97 | ?47.29
4 | 6436.2 | ?73.44 | ?292.57 | ?13.756 | 494.22 | 47.923
5 | ?0.069 | 180.09 | 380.33 | ?4.479 | ?0.232 | ?0.188
6 | ?0.286 | ?131.82 | 287.07 | ?6.908 | ?0.788 | ?0.103

下载:下载高分辨率图像 (126KB)
下载:下载完整尺寸图像
图 3. 节点的边界条件。

3.1.2. 节点数据生成
节点实体使用 Q390 轧制结构钢建模,弹性模量为 206,000 MPa,泊松比为 0.30,密度为 8.25 × 103 kg/m3。该密度遵循为该体育场提供的项目特定材料定义,并一致地应用于所有对比模型;它并非作为所有 Q390 钢的名义密度。此处,“铸型节点”指的是连接件的几何/应用形式;本研究常用的有限元材料模型为 Q390 轧制结构钢。报告的 masses 仅指可变的节点体区域,所有质量比较中均排除了相同的管状接口部分。有限元分析在 ANSYS Workbench/Mechanical Enterprise 2024 R2 中进行,采用 MAPDL 2024 R2 Build 24.2。不规则节点体使用二次 SOLID187 四面体单元,规则管道区域使用二次 SOLID186 六面体单元。程序控制的网格划分并在管道端部进行局部细化,最终模型包含 661,785 个单元和 993,935 个节点;报告的单元质量值为 0.12877(最小),1.000(最大),以及 0.8412(平均)。在确定公共分析网格之前,通过渐进细化检查了网格敏感性;最大位移保持在受载管道端部区域,最大等效应力位于管道到节点的过渡区域,进一步的细化并未改变力学解释。线弹性静态分析使用对称 PCG 求解器,收敛容差为 1.0 × 10??,采用四个分布式内存进程,一个荷载步和一个子步。积分点应力外推至单元节点并在相邻单元间平均,如表 2 所述。

表 2. 参考有限元配置。
项目 | 参考分析设置
---|---
软件 | ANSYS Workbench/Mechanical Enterprise 2024 R2; MAPDL 2024 R2 Build 24.2
单元 | SOLID187 节点体;SOLID186 规则管道区域
最终网格 | 661,785 个单元;993,935 个节点
单元质量 | min 0.12877; max 1.000; mean 0.8412
材料 | Q390 轧制结构钢;E = 206 GPa; ν = 0.30; ρ = 8.25 × 103 kg/m3
荷载 | 分布管道端部作用;弯矩通过 MPC 传递;主控组合设计工况
求解器/输出 | 线弹性静态对称 PCG; 容差 1.0 × 10??; 节点平均等效应力

拓扑优化样本在 ANSYS Workbench/Mechanical 2024 R2 中生成,使用基于密度的拓扑优化模块和 SIMP 公式。中心节点体被定义为设计域,而六个管道端接口、加载面和约束面被保留为非设计区域,以确保规定的杆件位置、方向、尺寸和荷载传递条件保持不变。目标是最小化结构柔度,等效于最大化刚度,约束条件包括保留体积、聚合冯·米塞斯应力和最大位移。

优化问题和 SIMP 插值总结在公式 (1)–(3) 中。

(1) $\min_\rho \mathcal{C}(\rho) = F^T u$

(2) $\frac{V(\rho)}{V_0} \le f_V, \sigma_{agg}(\rho) \le \sigma_{lim}, u_{max}(\rho) \le u_{lim}, \rho_{min} \le \rho_e \le 1$

(3) $K(\rho) u = F, E_e(\rho_e) = \rho_e^p E_0$

其中 C 为结构柔度,F 和 u 分别为全局荷载和位移向量,V(ρ)/V? 为保留体积分数,fV 为其规定上限,σagg 为聚合冯·米塞斯应力度量,σlim 和 ulim 为规定的应力和位移极限,ρ? 为单元密度,ρmin = 0.001 防止奇异刚度,E? 为固体材料的弹性模量,p = 2–4 为 SIMP 惩罚因子。在 100 次拓扑优化运行中,保留体积分数从 15% 变化到 35%,SIMP 惩罚因子从 2 变化到 4,应力极限从 200 变化到 250 MPa,位移极限从 1.5 变化到 3.0 mm。对称性设置和子域特定体积分数也进行了变化,以获得不同的局部材料分布。使用程序控制的密度滤波器来抑制棋盘格图案和依赖网格的材料分布。收敛容差为 0.1%,最大迭代次数为 500 次。收敛后,使用 0.30 到 0.55 的密度阈值来提取保留材料;提取的表面被平滑,孤立碎片被移除,网格被修复并转换为水密实体,用于后续的筛选和数据集构建。

生成式设计在 Autodesk Fusion(版本 2701.1.18, x86_64)中进行,使用其专有的基于云的生成式设计求解器。六个连接管道被定义为保留几何体。围绕初始模型构建了一个立方体障碍物,并将初始几何体从该障碍物中进行布尔减法,以将材料生成限制在规定的区域内并保留中空管道空间;在选定的运行中引入了额外的球形和圆柱形障碍物变体,以拓宽探索的形态。采用与上述相同的工程加载和约束配置作为设计依据。

由于 Fusion 不允许在同一平面上同时施加荷载和约束,管道在其端部 50 mm 处被截断:荷载施加在新的截面平面上,而约束施加在原始的管道端面上。探索了三种制造设置:无限制制造、增材制造和铣削。对于增材制造,考虑了 x+、x?、y+、y?、z+ 和 z? 的构建方向,悬垂角从 30° 到 60° 以 5° 递增,最小厚度从 3 到 10 mm。未施加单独的拔模角约束。铣削设置包括沿 x±、y± 和 z± 的三轴访问以及五轴加工,刀具最小直径从 10 到 50 mm,刀具肩部长度从 40 到 200 mm,刀头直径从 60 到 400 mm。使用 Fusion 中可用的铸钢材料条目进行生成式设计搜索,目标是最大化结构刚度,安全系数设置范围从 1.5 到 3.0。专有搜索未施加直接的最大应力或位移约束。云计算持续进行,直到 Fusion 报告收敛,通常在略多于 30 次迭代后完成。

生成后,仅保留 Fusion 报告的最大等效应力不超过 300 MPa 且最大位移不超过 4 mm 的可导出替代方案。收集了 300 个满足这些生成后筛选标准的替代方案。未应用基于定量相似性的去重规则;因此,这 300 个模型被视为筛选后的设计替代方案,而非经过定量证明的唯一几何体。所有通过后续统一几何验证流程的模型,随后都使用用于群体级比较的公共有限元程序重新分析。

3.1.3. 节点数据处理
初始池包含 400 个 STEP CAD 模型:100 个拓扑优化和 300 个生成式设计几何体。首先排除了两个包含多个不连通实体的生成式设计模型。剩余的模型使用 OpenCASCADE/Gmsh 流程进行表面三角化,并检查单一连通分量、闭合性、零边界和非流形边,以及一致的面朝向。在重试转换过程后,另有 24 个模型(7 个拓扑优化和 17 个生成式设计)仍然无法进行网格划分,因此被排除而不是手动修复。因此,最终数据集包含 93 个拓扑优化和 281 个生成式设计几何体,即 374 个有效独立源几何体。所有 374 个模型都使用公共有限元分析程序重新分析。对于坐标系增强,每个源几何体以其原始朝向存储,并增加九个额外的刚体朝向;几何体和所有相关向量数据一起变换。因此,这些旋转是坐标系增强,而不是物理对称性的假设,最终训练集包含 3740 个张量,如表 3 所示。

(4) $x'_i = R x_i, F'_i = R F_i, M'_i = R M_i$

表 3. 数据集构建和增强摘要。
来源 | 初始 CAD | 多实体排除 | 网格划分失败 | 有效源 | ×10 张量
---|---|---|---|---|---
拓扑优化 | 100 | 0 | 7 | 93 | 930
生成式设计 | 300 | 2 | 17 | 281 | 2810
总计 | 400 | 2 | 24 | 374 | 3740

Gao 等人 [29] 为三维重建引入了可变形四面体网格。MeshDiffusion [28](前文讨论)将可变形四面体表示纳入基于扩散的网格生成。Huang 等人 [30] 提出了分子扩散模型 (MDM) 用于三维分子生成,展示了扩散模型在结构化三维生成中的更广泛适用性。Shen 等人 [31] 开发了深行进四面体 (Deep Marching Tetrahedra) 用于高分辨率三维形状合成。在这些贡献的基础上,每个有效几何体都使用 DMTet 晶格进行参数化。该晶格包含 30,512 个活动顶点和 159,330 个四面体。每个活动顶点存储一个三维变形向量以及一个 SDF 符号值,随后将拟合的表示嵌入到规则的 643 网格中以进行卷积处理。

对于具有 N 个活动顶点的 DMTet 晶格,一个样本由配对的顶点变形和 SDF 符号量表示。用于扩散训练的 SDF 通道仅存储符号状态 {-1, +1},而其他三个通道存储顶点变形的 x、y 和 z 分量。

(5) $\mathbf{x} = \{(\Delta v_i, s_i)\}_{i=1}^N, \Delta v_i \in \mathbb{R}^3, s_i \in \{-1, +1\}$

DMTet 拟合分两个 500 次迭代的阶段使用 Adam 进行。第一阶段使用渲染/深度、采样表面 Chamfer 和 SDF 正则化项优化连续场和变形。第二阶段固定来自 SDF 符号的拓扑,并使用表面和拉普拉斯正则化(拉普拉斯权重 10,000)细化变形。两个阶段的学习率分别为 0.01 和 0.003。在源几何体之间,平均源到 DMTet 的 Chamfer-L1 残差在归一化坐标中约为 0.00622,对称 95 百分位表面距离为 0.02521,对应于源包围盒对角线的约 1.78%。

活动的 DMTet 量被嵌入到具有四个通道和 64 × 64 × 64 空间分辨率的等效立方张量中。通道的顺序为 SDF 符号和三个变形分量;未使用的规则网格位置(231,632 个位置)被掩码并零填充。变形值被归一化到大约 [-0.99, 0.99]。最终表面在工程重建前以因子 3 进行解码。完整的表示和重建路径总结在图 4 中。详细的数据集构建工作流程如图 5 所示。

下载:下载高分辨率图像 (917KB)
下载:下载完整尺寸图像
图 4. DMTet 表示、规则网格嵌入、逆映射和工程重建工作流程。

下载:下载高分辨率图像 (390KB)
下载:下载完整尺寸图像
图 5. 数据集构建工作流程。

3.2. 用于节点生成的扩散模型
鉴于统一表示的 4 × 643 张量,扩散模型利用方差保持噪声过程学习节点体几何体的经验分布。训练包括前向扰动过程和相应的反向去噪转换的学习;生成则应用学习的反向转换对高斯噪声进行处理。

3.2.1. 前向扩散过程和加权采样
设干净张量为 x?,x? 为扩散步 t 处的噪声张量,其中 t 是预定义噪声调度中的离散数值索引,而非物理时间。前向过程根据预定义的方差调度添加高斯噪声:

(6) $q(x_t | x_{t-1}) = \mathcal{N}(\sqrt{1-\beta_t} x_{t-1}, \beta_t I)$

其中 β? 是步方差,α? = 1 ? β?,?? 表示累积乘积。闭式扰动允许 x? 直接从 x? 和标准高斯噪声 ε 在任何时间步进行采样。

(7) $\alpha_t = 1 - \beta_t, \bar{\alpha}_t = \prod_{i=1}^t \alpha_i, x_t = \sqrt{\bar{\alpha}_t} x_0 + \sqrt{1-\bar{\alpha}_t} \epsilon, \epsilon \sim \mathcal{N}(0, I)$

随着 t 的增加,信噪比降低,扰动张量趋近于用于初始化反向采样的高斯先验。前向扰动过程如图 6 所示。

下载:下载高分辨率图像 (553KB)
下载:下载完整尺寸图像
图 6. 前向加噪过程。

两个源子集在实际数据增强策略中扮演不同的角色,且有效样本数量不同。为了确保拓扑优化几何体在随机训练期间保持规律表示,使用源优先加权采样,而不是从汇总的 374 个几何体中均匀采样。

(8) $P(x) = \begin{cases} 0.6/N_{TO}, & x \in D_{TO} \\ 0.4/N_{GD}, & x \in D_{GD} \end{cases}$

具体来说,以 0.6 的概率选择拓扑优化,以 0.4 的概率选择生成设计作为源类型,随后在该源子集中均匀选择一个几何体。因此,每个几何体的概率分别为 0.6/N_TO 或 0.4/N_GD。这些权重是经验训练设置,不声称是最优的,也不对生成的样本施加结构约束。

3.2.2. 噪声预测网络
在训练期间,注入的噪声由 3D U-Net [32,33] 预测,εθ(x?,t),其中 x? 是噪声四通道张量,t 是扩散时间步,θ 表示网络参数。

3D U-Net 使用五个编码器/解码器分辨率级别,通道宽度分别为 64、64、128、256 和 256。

残差块采用分组归一化(GroupNorm)和Swish激活函数,dropout比例为0.1。多头注意力机制应用于163特征尺度以及瓶颈层。跳跃连接将编码器特征传递至解码器对应层级,正弦/时间步嵌入被投影至残差块中,以对噪声预测进行条件化并依赖于时间步 t。该架构在预测原始643分辨率下全部四个张量通道的同时,保留了多尺度信息。本研究中所实现的网络如图7所示。

下载:下载高分辨率图像(268KB)下载:下载全尺寸图像

图7. 用于四通道643张量的JointDiffusion三维U-Net架构。

3.2.3 训练目标函数

训练目标为标准的扩散噪声预测损失,即采样的高斯噪声与网络预测值之间的均方误差:

(9) ?diff = ??_{x?, t, ε}[‖ε ? ε_θ(x?, t)‖?2]

模型采用Adam优化器训练,学习率为2×10??,物理批量大小为2,优化步数为200,000步,EMA衰减系数为0.9999,梯度范数裁剪阈值为1.0。随机种子为42。网络总参数为7030万,其中可训练参数为6925万。训练在NVIDIA RTX 4060 Ti 16GB GPU上进行,耗时约35小时。DMTet拟合每个源几何约需1分钟。训练完成后,约10分钟可采样超过10个候选张量,而Geomagic Design X的自动曲面拟合每个成功重建的模型约需2–3分钟。由于该任务是对一个预定设计域进行无条件分布学习,因此全部374个有效源几何均用于训练,未采用常规的监督式训练/验证/测试划分;报告的采样研究一致使用最终的200,000步检查点,如表4所示。扩散模型的训练过程如图8所示。

表4. 实现与计算设置

| 项目 | 设置 |
|------|------|
| DMTet / 网格 | 64分辨率;4×643张量;符号+dx,dy,dz;30,512个活跃顶点;159,330个四面体 |
| DMTet拟合 | 2×500次迭代;Adam;学习率0.01/0.003;第二阶段拉普拉斯权重10,000;约1分钟/源 |
| 网络 | 三维U-Net宽度64/64/128/256/256;dropout 0.1;GroupNorm/Swish;163和瓶颈层处注意力 |
| 扩散 | 1000步;VP调度 β_min=0.1, β_max=20 |
| 训练 | Adam;学习率2×10??;批量2;200,000步;EMA 0.9999;梯度裁剪1.0 |
| 参数 | 总计7030万;可训练6925万 |
| 种子/硬件 | 42;NVIDIA RTX 4060 Ti 16GB |
| 耗时 | 约35小时训练;>10个采样候选/约10分钟;Geomagic自动拟合约2–3分钟/模型 |
| DMTet拟合残差 | 平均倒角-L1≈0.00622;对称95百分位表面距离0.02521(1.78%包围盒对角线) |

下载:下载高分辨率图像(499KB)下载:下载全尺寸图像

图8. 扩散模型训练过程。

3.3 反向去噪用于联合生成

模型训练完成后,扩散模型可用于生成新的关节结构。生成过程从随机噪声开始,通过反向扩散逐步重建关节几何。

3.3.1 反向去噪过程

在推理时,从标准高斯先验中采样一个初始四通道张量。随后,训练好的噪声预测网络从 t = T 到 t = 1 进行应用,使用与训练时相同的方差保持(VP)调度。

(10) x_T ~ ??(0, I)

(11) s_θ(x?, t) = ?ε_θ(x?, t) / √(1 ? ??),μ? = x? + β?·s_θ(x?, t) / √(1 ? β?)

(12) x_{t?1} = { μ? + √β?·z, z ~ ??(0, I), t > 1;μ?, t = 1 }

采样器使用 T = 1000 个离散步骤。对于从1000到1的每个 t,ε_θ(x?, t) 被转换为分数估计,计算祖先前向均值 μ?,且仅在 t > 1 时添加标准差为 √β? 的高斯噪声。当 t = 1 时直接使用均值,因此不再添加额外噪声。未使用朗之万校正器。重复这些更新操作即得到最终的归一化DMTet网格张量,如图9所示。

下载:下载高分辨率图像(867KB)下载:下载全尺寸图像

图9. 反向去噪过程。

3.3.2 关节几何重建

反向扩散后,生成的4×643张量从规则网格映射回活跃的DMTet晶格。随后对预测的SDF符号/变形场应用行进四面体法[31,34],提取零等值面为三角OBJ网格。

工程重建过程不依赖于生成的管状特征来满足预定的接口公差,也不涉及对手工雕刻中心关节体的操作。相反,六个管接口根据预设的接口中心、轴线、直径和端面进行确定性恢复。图10展示了三个样本的该重建过程,显示了生成的模型、确定性接口恢复后后处理的模型以及CAD重建后获得的最终STEP实体模型。接口恢复后,所得OBJ网格使用Geomagic Design X的自动曲面拟合进行处理并转换为STEP实体模型,每个成功重建的样本约需2–3分钟。在任何阶段网格有效性检查、接口恢复、CAD实体转换或后续有限元分析中失败的样本均计为完整工作流失败,而非选择性修复。图11展示了JointDiffusion生成的关节体形态的其他示例。

下载:下载高分辨率图像(305KB)下载:下载全尺寸图像

图10. 三个生成关节的工程重建过程。

下载:下载高分辨率图像(527KB)下载:下载全尺寸图像

图11. JointDiffusion生成关节的示例。

4. 生成关节的对比评估

评估分为几何有效性、完整工程工作流成功率、重建特征、训练集组成观察和结构响应。全部374个有效源几何均使用通用有限元模型进行重新分析。另外生成50个随机JointDiffusion输出;其中36个完成了网格重建、确定性接口恢复、STEP转换和有限元分析,工作流成功率为72%,14/50失败(28%)。另有10个固定种子的诊断原始生成网格独立报告:10/10为有限、水密、绕向一致、零边界/非流形边,8/10为单一连通分量(在严格的原始网格组合标准下为80%),如表5所示。10样本原始网格诊断不可与50输出完整工作流研究混淆。4mm位移和300MPa等效应力值仅作为工程筛选参考。三个生成的关节被保留作为示意示例,而群体层面的结构陈述使用374源与36成功生成的对比。

表5. 几何有效性与工作流成功率总结

| 评估 | 结果 | 解释 |
|------|------|------|
| 原始网格固定种子诊断 | 10/10有限、水密、绕向一致、零边界/非流形边;8/10单一连通分量 | 严格原始网格有效性:80% |
| 完整工程工作流 | 36/50成功;14/50失败 | 72%成功率;Wilson 95%置信区间58.3–82.5% |

4.1 评估方案与对比模型

保留一个拓扑优化关节作为六模型对比的参考几何之一。它使用相同的工程载荷与约束、YZ平面约束以及20–30%体积分数搜索。在密度阈值0.47处重建后,所得实体被选为代表性参考;该阈值模型并不声称是所有拓扑优化设置下唯一或绝对的优化解。

对比的三维GAN工作流借鉴了三项不同的贡献。Luo等人[35]提出了一种用于体素重建的三维Transformer-GAN架构,提供了基于注意力的三维生成的实例。Goodfellow等人[36]建立了GAN模型所基于的对抗学习框架。Du等人[37]将生成对抗学习专门应用于三维结构关节的生成与评估,使其成为此处体素对比中最接近的工程先例。在相同实践源池上训练的三维GAN模型被用于代表基于体素的生成工作流。在体素化之前移除原始管段并保留20mm接口区域。其输出需要进行孤立体素的聚类/移除、网格优化、细分/平滑/重包裹以及自动曲面重建后才能转换为STEP,且需要局部几何处理来恢复标准管接口。因此,该对比是完整工程重建工作流之间的对比,而非孤立的表示消融。

第二个扩散模型仅使用有效的拓扑优化源子集进行训练,以提供实际训练集组成对比。由于该设置同时改变了源组成和可用训练几何数量,因此对比无法在不考虑数据量的情况下独立隔离数据集源因的因果效应。它仅用于展示在完整仅拓扑优化设置相对于完整混合数据设置下观察到的形态学行为。

最后,选择三个JointDiffusion样本用于视觉和有限元示意,因为它们展现出不同的形态并完成了所有重建步骤。它们并非被选为代表群体平均值或最佳性能。群体层面的结论基于所有36个成功重建的生成样本。

4.2 工程重建工作流对比

图12对比了JointDiffusion样本和三维GAN样本所使用的工程重建工作流[38,39]。基于体素的三维GAN输出包含阶梯状表面和小孤立聚类,因此在STEP转换前需要进行聚类、网格优化、细分、平滑、重包裹和自动曲面重建。随后为工程模型恢复标准接口。这些操作可能引入额外的拟合选择,并且比显式网格路径需要多得多的手动/算法处理。

下载:下载高分辨率图像(941KB)下载:下载全尺寸图像

图12. JointDiffusion和三维GAN的后处理工作流对比。

对于JointDiffusion,行进四面体法直接从DMTet场提取平滑的三角OBJ表面。随后六个精确管接口进行参数化恢复,Geomagic Design X执行自动曲面拟合以获得STEP。因此,JointDiffusion仍需后处理和CAD转换;所观察到的优势在于当前实现下更短的实际重建序列,而非声称DMTet本质上消除了所有重建误差或自动生成STEP实体。

4.3 训练集组成的影响

训练集组成的影响通过定性形态学对比和定量几何距离度量进行评估。如图13所示,仅拓扑优化(TO-only)模型生成的样本倾向于聚集在相对较窄的全局形态和本地过渡特征家族中。相比之下,完整混合数据模型在分支过渡、缩颈/鼓胀区域和表面开口方面产生了更大的可见变化,同时保留了预定的外部接口排列。

下载:下载高分辨率图像(398KB)下载:下载全尺寸图像

图13. 使用完整混合拓扑优化/生成设计数据集与仅拓扑优化数据集生成关节的形态学对比。混合数据组在全局分支排列、本地过渡形态、缩颈/鼓胀区域和表面开口方面表现出更大的变化。定量上,其平均两两倒角距离为0.043 ± 0.012,而仅拓扑优化组为0.029 ± 0.009。

定量结果支持这一观察。仅拓扑优化生成样本之间的平均两两倒角距离为0.029 ± 0.009,中位数为0.028,四分位距为0.024–0.035。对于混合数据模型,对应的平均两两倒角距离增加到0.043 ± 0.012,中位数为0.044,四分位距为0.036–0.055。因此,混合数据模型的平均两两几何距离高出约48.3%,表明其采样到的形态分布更广泛。

相对于对应源几何的最近邻分析显示相同的总体趋势。仅拓扑优化模型的平均生成-到-源最近邻倒角距离为0.019 ± 0.003,混合数据模型为0.0215 ± 0.0042。对应的源相对最近邻比值分别为1.17和1.41。这些结果表明混合数据模型生成的几何与其最近的源示例有一定程度的偏离,同时仍保持在所学习设计域的可比几何尺度内,如表6所示。

表6. 两种训练集设置下几何多样性的定量对比

| 指标 | 仅TO | 混合数据 |
|------|------|----------|
| 两两倒角距离,均值±标准差 | 0.029 ± 0.009 | 0.043 ± 0.012 |
| 中位数 | 0.028 | 0.044 |
| 四分位距 | 0.024–0.035 | 0.036–0.055 |
| 生成→源最近邻 | 0.019 ± 0.003 | 0.0215 ± 0.0042 |
| 源相对最近邻比值 | 1.17 | 1.41 |

综合来看,定性和定量结果表明,在当前实验配置下,完整混合数据设置产生了比仅拓扑优化设置更广泛的生成形态。然而,由于两种设置在数据源组成和可用样本数量上均有所不同,观察到的差异应被解释为两种完整训练设置之间的对比,而非仅作为对源组成因果效应的受控隔离。

4.4 结构性能评估

结构评估在两个层面进行。首先,轮廓对比中使用的六个示意模型在相同的材料、网格划分、载荷和边界条件设置下进行分析;其响应场仅作为示例展示如下。其次,全部374个有效源几何和全部36个成功重建的生成几何均使用相同的有限元分析方案进行评估。群体对比使用关节体质量、最大位移和最大等效应力。4mm和300MPa值仅为筛选参考,而非采样约束(见图14)。

下载:下载高分辨率图像(2MB)下载:下载全尺寸图像下载:下载高分辨率图像(2MB)下载:下载全尺寸图像

图14. 六个关节的总变形和等效(von Mises)应力云图。

对于示意参考模型,拓扑优化关节的关节体质量为0.503 t,最大位移为2.559 mm,最大等效应力为214.26 MPa。三维GAN示例分别为0.516 t、2.391 mm和241.69 MPa。仅拓扑优化扩散示例分别为0.509 t、2.139 mm和219.11 MPa。这些个别示例被纳入以展示通用有限元分析程序的适用方式;它们不用于推断某一种生成方法的群体层面的优越性。

三个示意JointDiffusion样本的响应如下:代表关节1为0.475 t、2.144 mm和237.71 MPa;代表关节2为0.506 t、2.023 mm和219.65 MPa;代表关节3为0.513 t、2.261 mm和229.61 MPa。表7列出了六个示意模型。因此,对应的应力/变形云图应被解释为案例示例,而更广泛的生成群体行为则单独评估。

表7.

六种示例连接件的代表性性能参数。

| 类型 | 质量(t) | 最大位移(mm) | 等效应力(MPa) |
|------|---------|-------------|--------------|
| 拓扑优化连接件 | 0.503 | 2.559 | 214.26 |
| 3D-GAN生成连接件 | 0.516 | 2.391 | 241.69 |
| 仅拓扑优化扩散连接件 | 0.509 | 2.139 | 219.11 |
| 代表连接件1 | 0.475 | 2.144 | 237.71 |
| 代表连接件2 | 0.506 | 2.023 | 219.65 |
| 代表连接件3 | 0.513 | 2.261 | 229.61 |

与示例拓扑优化基准相比,代表连接件1在三个所选JointDiffusion示例中显示出最大的质量下降(5.57%),而代表连接件2在它们中显示出最大的位移下降(20.95%)。这些改进出现在不同的设计中,并未组合到单个最佳性能样本中。代表连接件2的质量比示例拓扑优化基准高0.60%,最大等效应力高2.52%。其余百分比变化仅作为这六个示例的描述性信息保留,不作为整体性能改善的证据。

整体层面的比较总结于图15。36个成功生成的几何体在连接体质量、最大位移和最大等效应力方面与374个重新分析的源几何体显示出大量重叠。生成的质量分布中心接近源分布,而位移和应力分布显示出适度偏移,但基本仍在源范围内。三维权衡空间图也表明许多生成样本位于源数据中心区域内,部分样本超出该范围。这些结果支持对候选集进行生成后工程筛选,而非声称每个生成的几何体在力学上都优于源设计。

下载:下载高分辨率图片(713KB)下载:下载全尺寸图片

图15. 374个源几何体与36个成功重建的生成几何体在(a)连接体质量、(b)最大位移、(c)最大等效应力和(d)三维响应权衡空间方面的整体层面比较。

几何体有效性和工作流成功情况以明确的分母报告。在固定种子的10样本原始网格诊断中,所有10个网格均为有限、水密、缠绕一致且无边界/非流形边的,其中8/10为单连通分量,严格的原始网格有效性率为80%。在单独的50输出工程研究中,36/50完成整个重建/CAD/有限元分析工作流(72%;Wilson 95%置信区间58.3–82.5%),14/50失败。这些比率表明该方法可以产生工程可用的候选件,但仍需要自动化有效性检查和下游筛选。

4.5. FDM原型制造与可制造性演示

为提供原型尺度的物理可制造性演示,代表连接件1–3使用熔融沉积成型(FDM)进行了制造。重建的连接体模型首先使用SolidWorks转换为STL格式。STL文件随后在Allcct中处理,这是一个深度定制的基于Cura的切片程序,该程序为Allcct打印机生成了G代码。使用聚乳酸(PLA)丝材作为打印材料。

在FDM中,热塑性丝材被加热至熔融状态,由计算机控制的打印头根据切片的横截面轮廓选择性沉积。每层沉积后冷却固化,构建平台向前推进一层厚度,形成下一层。这种逐层过程持续进行,直到完整的连接体原型构建完成。

打印的原型再现了六个管道接口与主连接体之间的预定空间关系,并保留了三个代表性设计的特征局部几何特征。在代表连接件1中,即使在局部悬空处,小连接特征仍然可打印,而代表连接件2和3中的小开口也在打印件中得到了再现。这些结果证明所选的生成几何体可以通过CAD到STL到切片的工作流进行转换,并在所研究的原型尺度下使用FDM进行物理制造(见图16)。

下载:下载高分分辨率图片(364KB)下载:下载全尺寸图片

图16. 代表连接件1–3的FDM制造的PLA原型。

该FDM实验旨在作为几何可打印性和原型尺度可制造性检查,而非结构测试或全尺寸铸钢生产的验证。工程尺度的铸造或金属增材制造还需要对最小特征尺寸、支撑与去除、尺寸公差、缺陷、残余应力、热处理和力学性能进行工艺相关的评估。

4.6. 局限性

当前的JointDiffusion模型针对固定的六成员接口、载荷和边界条件配置是无条件的。然而,所提出的工作流并不在算法上局限于六个成员,但转移到不同的成员数量、接口布局或载荷工况需要相应的数据和重新训练或微调。因此,本研究的定量结果不应直接外推至其他连接件族。

结构评估使用一种通用的线弹性静态有限元分析程序。非线性材料或几何响应、局部失稳、疲劳、断裂和全生命周期性能不在本研究范围之内。物理可制造性仅通过三个代表性连接件的PLA FDM原型进行检查;这证明了原型尺度的几何可打印性,但未验证全尺寸铸钢生产、金属增材制造、尺寸公差、工艺缺陷、残余应力或承载性能。300 MPa的应力值和4 mm的位移值是生成后工程筛选的参考值,而非采样过程中执行的约束。

混合数据与仅拓扑优化数据的比较未能将数据集来源效应与数据集规模/组成分离,且仅报告了一个最终训练种子;因此,不提出多种子稳定性声明。此外,离线源数据的构建部分依赖于专有的Autodesk Fusion生成设计平台,尽管训练后可以在不重新运行该平台的情况下采样新的候选件。内存需求和计算成本也随着三维网格分辨率的增加而迅速增加,超过当前643表示的可扩展性尚未进行系统评估。最后,80%的严格原始网格有效率和72%的完整工作流成功率表明几何验证和下游工程筛选仍然是必要的。

5. 结论

本文提出了一种基于扩散的工程工作流,将连接体生成与DMTet表示、确定性接口恢复、CAD重建和通用有限元筛选相结合。方法论贡献在于为复杂结构连接件集成和评估这些组件,而非提出新的扩散或DMTet公式。对于所考虑的六成员体育场案例,400个初始CAD几何体被筛选为374个有效独立源,并通过坐标系增强扩展为3740个训练张量。

(1) 混合拓扑优化/生成设计数据集可作为此案例的实用数据增强。完整的混合数据扩散设置产生的形态变化明显比完整的仅拓扑优化设置更广。由于两种设置在可用样本数量上也有所不同,因此该结果不被解释为源组成效应的受控因果估计,也不解释为逐样本的结构与制造性能的融合。

(2) DMTet拟合为所实现的工作流提供了连续的显式网格路径。逆向扩散后通过行进四面体法获得OBJ网格,六个工程接口从预定义几何参数中恢复,Geomagic Design X自动对网格进行曲面拟合,在每次成功的模型中用STEP格式完成,耗时约2–3分钟。此路径比用于比较的体素/3D-GAN逆向工程序列更短,但仍需要后处理和CAD转换。

(3) 在50个随机JointDiffusion输出中,36个完成了完整的工程工作流(72%)。在通用有限元分析协议下,这36个成功生成的连接体的质量、最大位移和最大等效应力分布与374个有效源几何体的分布大量重叠。三个代表性样本说明了可能的权衡,但未确立整体改善;特别是5.57%的质量下降和20.95%的位移下降出现在不同的代表性设计中。

(4) 代表连接件1–3通过STL/G代码工作流转换并作为PLA FDM原型制造。打印件保留了预定的接口排列和特征局部特征,提供了原型尺度的几何可打印性演示。此结果不能替代全尺寸金属工艺认证或力学测试。

总体而言,结果表明基于扩散的采样可以为固定的六成员配置提供额外的候选连接体形态,以供后续工程评估。因此,当前工作流应被视为候选生成和筛选辅助工具,而非自主优化器或通用条件连接件生成器。未来工作将专注于两个优先方向:将模型扩展为对成员接口布局、载荷和边界条件进行条件化,使其可以跨连接件类别迁移;以及通过受控的匹配规模/多种子研究和全尺寸金属制造与结构实验加强验证。

CRediT作者贡献声明

安宜龙:写作——原稿,可视化,软件,方法论,调查,形式分析,数据整理,概念化。
王亚峰:写作——审阅与编辑,写作——原稿,验证,监督,资源,方法论,资金获取,形式分析,概念化。
王汝浩:资源,调查。
许宪:监督,资源。
罗耀之:监督,项目管理。

安宜龙 | 王亚峰 | 王汝浩 | 许宪 | 罗耀之
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号