基于神经场(Neural Field)的形状优化——面向可制造性的支撑结构最小化

《Additive Manufacturing》:Neural field-based shape optimization for manufacturability-aware support structure minimisation

【字体: 大 中 小 】 时间:2026年03月25日 来源:Additive Manufacturing 11.1

编辑推荐:

  摘要:材料挤出式增材制造(Additive Manufacturing, AM)中悬垂区域(overhang region)对支撑结构(support structure)的需求是制约打印效率与成本的关键瓶颈,传统直接网格(shape mesh)操作存在几何畸

  
摘要:材料挤出式增材制造(Additive Manufacturing, AM)中悬垂区域(overhang region)对支撑结构(support structure)的需求是制约打印效率与成本的关键瓶颈,传统直接网格(shape mesh)操作存在几何畸变与分辨率受限问题。研究人员提出一种面向AM的端到端神经形状优化框架,利用神经场(Neural Field)学习最优几何形变(deformation),由可制造性导向的损失函数(Loss Function)约束,实现无网格(mesh-free)的悬垂区域最小化,且表面特征失真(surface feature distortion)与原始几何偏差(deviation)可忽略。通过神经场的连续光滑特性引入粗到细(coarse-to-fine)优化流程,可直接高效处理高分辨率网格模型。经计算与实物打印验证,该框架平均减少46%支撑结构打印时间,复杂模型可达100%支撑消除,证明该方法可为AI驱动的无支撑挤出式AM设计奠定基础。
论文解读:《基于Neural Field的形状优化实现面向可制造性(Manufacturability-aware)的支撑结构最小化》
一、研究背景与意义
材料挤出式增材制造( Material Extrusion-based Additive Manufacturing)依赖层积成型,悬垂(overhang)区域需生成支撑结构(support structure)以防坍塌,导致材料浪费、打印时间延长及后处理成本增加。现有直接基于三角网格(Triangle Mesh)的优化方法(如刚性面旋转)受限于模型复杂度与网格分辨率,且易引发较大几何偏差及表面微细特征扭曲(feature distortion),甚至导致网格塌陷(mesh collapse)。参数化或偏微分方程(PDE)优化难以处理复杂的制造导向目标函数。尽管AI在拓扑优化与工艺参数优化中有应用,但针对3D打印几何形貌优化的AI驱动方法尚属空白。为此,研究人员开展了基于显式神经表示(Explicit Neural Representation, ENR)变形场的形状优化研究,发表于《Additive Manufacturing》。
二、主要关键技术方法
研究人员构建连续神经变形场(Neural Deformation Field) Φθ: R3→R3(由全连接多层感知机MLP参数化),将顶点位移Δvi=Φθ(vi)作为网络输出,新顶点v'i=vi+Δvi。总损失函数Ltotal=λoLo+λsLs+λdLd包含:(1)悬垂损失(Overhang Loss, Lo)——基于面法向量与打印方向?的点乘及面高度加权惩罚超135°阈值的悬垂;(2)平滑损失(Smoothness Loss, Ls)——基于余切拉普拉斯矩阵(Cotangent Laplacian)抑制离散化引起的尖锐畸变;(3)偏差损失(Deviation Loss, Ld)——约束优化后与原几何的均方位移。采用粗到细(Coarse-to-fine)策略:先在简化网格(Mc)训练MLP获得全局形变,再将权重初始化至相同架构网络并在Loop细分的高分辨率网格(Mf)上微调(finetune)。使用PyTorch及ADAM优化器,实验对象涵盖Armadillo、Yoda等高分辨率及Gyroid等高亏格(non-trivial topology)模型,物理打印验证使用Bambu X1 Carbon(PLA)。
三、研究结果
3.1 神经变形场构建(Neural deformation field construction)
研究人员定义MLP表征的ambient mapping(环境映射),证明该mesh-free表示使位移场连续光滑,避免了逐单元刚性旋转导致的特征扭曲,且可直接对不同采样密度(含高密度细分网格)求值。
3.2 损失函数(Loss functions)
通过Overhang Loss加权面高度惩罚高层悬垂;Smoothness Loss利用Laplacian能量保持几何光顺;Deviation Loss限制均方顶点偏移。三者加权和构成总损失引导反向传播。消融实验表明缺Smoothness Loss增大二面角(Dihedral Angle)误差,缺Deviation Loss致过大形变。
3.3 粗到细几何优化(Coarse-to-fine geometric optimisation)
先在粗网格习得全局变形,再用其权重热启动(hot-start)细网格上的网络进行局部微调。对比Fine-only训练,粗到细法使高分辨率网格优化耗时平均降低约41%~76%(见表1),且保持相当悬垂削减效果与更低表面特征失真。
3.4 计算结果与打印验证(Results and Discussion / Physical printing experiments)
计算实验显示支撑结构打印时间平均降低46.1%(最高100%即Kitten模型完全无支撑),总打印时间与耗材分别平均降12.8%和11.2%,二面角误差与平均曲率误差显著低于传统投影法(见表3)。物理打印证实:Gyroid模型消除不可清理内部支撑;Voronoi Bunny等传统法失效模型本方法可成功优化;Coarse-to-fine较Coarse-only进一步抑制局部尖锐变形(如Yoda面部)。
四、讨论与结论翻译
研究人员指出当前Loop细分引起轻微光滑及网络过拟合单模型限制,未来拟引入多分辨率框架与神经细分(neural subdivision),并扩展力学强度等AM约束及金属AM(LPBF)适用性。结论如下:
本研究提出了一种基于神经场(Neural Field)的形状优化方法以提高材料挤出式增材制造中复杂几何体的可制造性。该方法实现了无网格可微分学习的最优几何改变,在最小化悬垂区域的同时避免了传统网格几何优化固有的表面特征扭曲。所引入的粗到细优化技术实现了高分辨率网格的直接高效优化,为高精度零件带精细表面特征的几何优化应用开辟道路。广泛的计算与实物打印实验验证了该框架在减少打印时间与材料浪费方面的有效性,表明基于神经场的形状优化作为AI驱动设计方法在高效可持续3D打印中的重要潜力。
相关新闻
生物通微信公众号
微信
新浪微博

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