基于工程不确定性的三维几何增强

《Engineering Applications of Artificial Intelligence》:Three-dimensional geometric augmentation guided by engineering uncertainty

【字体: 大 中 小 】 时间:2026年04月01日 来源:Engineering Applications of Artificial Intelligence 9.0

编辑推荐:

  Yongmin Kwon|Namwoo KangCho Chun Shik 韩国科学技术院移动性研究生院,大韩民国大田市儒城区文治路193号,邮编34051 摘要 在概念设计阶段,快速准确的形状评估对于高效的产品开发至关重要。虽然基于仿真的性能评估被广泛采用,但其高昂的计算成本

  Yongmin Kwon|Namwoo KangCho Chun Shik 韩国科学技术院移动性研究生院,大韩民国大田市儒城区文治路193号,邮编34051

摘要
在概念设计阶段,快速准确的形状评估对于高效的产品开发至关重要。虽然基于仿真的性能评估被广泛采用,但其高昂的计算成本促使人们开发出更高效的元模型,这些元模型利用深度学习实现快速推理,并有效处理非线性、高维数据。然而,在工业界和学术界获取大规模三维数据集存在很大挑战。基于增强技术的主动学习作为一种可行的替代方案出现。不过,单纯的几何多样性并不能保证相应的性能多样性,这就需要考虑几何特性和性能特性的数据增强方法。本研究通过提出一种集成框架来应对这一挑战,该框架将基于几何的不确定性量化与自由形变增强相结合。不确定性量化是通过一种深度集成模型实现的,该模型包含两种回归器:一种是基于格子的显式不确定性回归器,用于量化随机不确定性;另一种是性能回归器,用于预测性能。从该模型中提取的认知不确定性随后被用来有针对性地探索有助于元模型实际训练的区域。为模拟常见的工业数据匮乏场景,最初使用公共三维支架数据集和汽车空气动力学数据集的小子集构建了元模型,随后再通过该框架生成样本对数据集进行增强。这种方法采用了兼顾几何多样性和性能多样性的主动学习框架。实验结果表明,经过增强的数据集具有更出色的性能,证明了该框架在无需进行领域特定修改的情况下,也能在结构力学和流体力学等多种物理领域展现出强大的适应性。性能感知型三维形状增强在工业应用中具有巨大潜力。

引言
在工业产品开发的概念设计阶段,形状的性能评估是最为关键的环节(Yuan等人,2022;Li等人,2023)。有限元法(FEM)和计算流体动力学(CFD)等数值分析方法应运而生,与传统物理实验相比,它们大大降低了时间和成本。然而,通过数值分析进行性能评估仍然是整个设计过程中最为耗时且成本最高的步骤。正如图1所示的标准元建模工作流程所体现的那样,高昂的计算成本构成了一个重大瓶颈。这一工作流程通常是从使用实验设计方法创建初始样本集开始的。然后必须通过对这些样本进行高精度的数值分析(如FEM/CFD)来获得性能指标。之后再基于这些初始数据训练替代模型,并评估其准确性。但实际上,这往往不是一个简单的步骤。为了达到足够的准确度,模型还需要不断优化,这就陷入了一个代价高昂的迭代循环。在这一优化循环中,需要添加新的样本(自适应采样),而每个新样本又都需要进行一次完整且成本高昂的计算机辅助工程(CAE)仿真。正是这种对“进行CAE仿真”步骤的反复依赖,构成了设计优化中的主要瓶颈。

为了解决数值分析在时间和成本方面的限制,针对数据驱动型元模型的研究不断深入(Kang,2025;S. Kim等人,2025;J. Kim等人,2025)。在各种数据驱动型元模型中,深度学习是研究进展最为迅速的领域。与传统元模型相比,深度学习具有诸多优势,尤其适用于复杂的工程问题。首先,深度学习无需明确对输入形状进行参数化处理。传统上,使用元模型进行设计优化时,首先要通过一组参数来定义形状。要定义涵盖所有可能形状的参数集需要大量工作,而且还可能在参数定义过程中引入主观的设计因素。而深度学习则能自动从输入数据中提取特征,并优化内部模型参数,从而无需单独对元模型进行参数化处理。其次,深度学习模型能够预测高维输出结果,比如由节点值构成的全场数值,还能预测时间域内的场值。例如,基于深度学习的元模型能够预测复杂三维结构中每个节点的完整应力分布,或者流体域内每一点的精确压力和速度场(Park和Kang,2024;Elrefaie等人,2024)。这一能力使得深度学习在时空问题中也表现出出色的预测性能。深度学习处理高维数据的能力不仅体现在预测方面,它还能很好地实现对每个节点预测值的不确定性量化(Lakshminarayanan等人,2017;Yang和Yee,2024)。最后,深度学习在处理复杂数据以及建模非线性关系方面具有更强的能力。它能够有效地学习复杂的非线性映射,因此非常适合用于涉及三维形状或非结构化网格的仿真。与传统需要预定义基函数的低阶方法不同,深度学习的通用逼近能力使其能够从头开始从数据中学习关键特征,从而为新设计或外推提供高度的泛化能力和灵活性(Hornik等人,1989;Barron,1993)。

尽管具有这些优势,但大多数关于数据驱动型元模型的研究,尤其是深度学习相关研究,主要集中在二维数据上,比如超材料数据,而非工业领域常用的三维计算机辅助设计数据。目前,用于研究的优质三维工程数据极为缺乏。相反,相对容易创建和测量的二维图像或结构数据却很容易获得,因此在研究中更为常用。此外,三维数据涉及多种表示方法(如网格、点云或体素),而测量或生成物理形状既复杂又成本高昂,这使得获取大规模、多样化的数据集变得十分困难。目前利用三维工程数据的研究仅限于少数基于基准数据集的案例(Elrefaie等人,2024;Hong等人,2025;Elrefaie等人,2025;Brüning等人,2018;Yoo和Kang,2025)。尽管最近也有研究开始运用基础模型,但从工程角度生成可行数据仍然是一个难题。即便这些基准数据集,大多也不是通过从头设计并仿真多种新形状得到的,而是主要通过对少量具有代表性的初始数据通过特定的变形或参数变化来进行增强得到的(Brüning等人,2018;Heft等人,2012;Whalen等人,2021;Kwon和Kang,2025)。在工业实践中,对于船舶船体或飞机机翼等复杂形状,标准的处理方法也是通过调整预定义的基本形状参数来生成和增强数据(Bagazinski和Ahmed,2023;Khan等人,2023;Chen和Ramamurthy,2021)。空间填充采样等方法主要用于在给定的参数化空间内扩展数据,以寻找最优组合(Khan等人,2023)。

然而,对于由网格明确定义的三维数据来说,与简单的参数化形状不同,其高维度特性以及节点之间的相互依赖性,使得在随机采样或使用传统增强技术时容易生成不可行的形状。为了解决这一问题,以便为元模型生成有效的候选数据,人们广泛采用了自由形变参数化方法(FFD)(Elrefaie等人,2024;Elrefaie等人,2025;Sieger等人,2015;Salmoiraghi等人,2018)。FFD通过控制格子将复杂的三维形状映射到低维空间,这样就可以通过控制点进行直观的操作。这一过程能够生成可行且平滑变化的形状候选体,同时保持结构的合理性,从而避免了因随意采样而产生的不现实形状问题。FFD能够将复杂的三维形状数据有效地映射到由预定义的(N,N,N)尺寸的控制格子以及相应控制点的坐标偏移所定义的相对低维的参数空间。它的优点在于,只需操作少量控制点就能有效控制整个形状,并且能够直观地表现非线性形状变形。此外,通过控制点移动来理解和应用形状变形,有助于工程师轻松理解优化或模型预测的结果,并将其应用到实际设计中。更进一步,最近的研究还在积极探索混合方法,将这些方法结合在一起,即利用FFD所提供的结构和可控变形能力,以及基于深度学习的生成模型在处理复杂数据分布和生成新数据方面的能力,从而实现更自动化、更精准的形状生成和优化(Chen和Ramamurthy,2021)。

总之,尽管像FFD这样的数据增强方法已被广泛应用,但目前研究中发现的一个关键问题在于这些方法的常规应用方式。大多数现有研究主要关注形状的多样性,而忽视了现有初始数据的性能信息(Li等人,2020;Elrefaie等人,2024;Elrefaie等人,2025;Sieger等人,2015;Salmoiraghi等人,2018)。这是一个严重的疏漏,因为要生成有效的工程设计数据,就必须考虑设计和性能两个方面的多样性(Picard等人,2023;Lee等人,2022)。因此,为了构建高性能、具有通用性的元模型,就有必要采用能够主动整合性能信息的数据增强方法。这就迫切需要一种智能的增强策略,能够主动寻找最有助于提升元模型的数据。这种策略就是主动学习。不过,仍然存在一个根本性的挑战:如何确定哪些新形状最具参考价值?一个模型可能对某些新形状非常有信心(因为这些形状要么是重复的,要么很容易预测),但对其他形状则充满不确定性。将昂贵的CAE仿真资源浪费在那些容易预测的形状上,正是本研究旨在解决的效率低下问题。这也是在该框架中采用不确定性量化的核心原因。不确定性量化提供了一种正式的方法,用于量化模型的无知程度——具体来说,就是认知不确定性,它指的是由于数据不足而导致的知识缺失。通过量化这种不确定性,就可以得到一个指标,用来指导FFD增强过程。不确定性量化并非仅仅是附加功能,它是实现真正注重性能的主动学习循环的关键组成部分,它能引导框架去探索设计空间,从而找到对模型训练最有价值的数据点。

本研究提出了一种新的数据增强和模型训练框架,该框架结合了基于不确定性量化的主动学习与FFD技术,能够高效、准确地构建用于复杂工程形状的元模型。该框架的具体运作流程如下:首先,利用已训练好的元模型,量化每个生成的形状候选体的预测结果以及预测不确定性。接着,根据FFD控制点处的量化不确定性信息,在那些从元模型角度看来有望显著提升性能的区域进行探索,从而对数据集进行增强。最后,对通过FFD增强后的形状进行数值分析仿真(标注)。这些新数据会被添加到数据集中,然后重新训练元模型。这种基于主动学习的采样方法超越了仅仅考虑现有形状空间的简单FFD增强方式。它通过不确定性量化考虑工程性能空间,从而获取对模型学习最有用的数据。因此,该框架能够在尽可能少地进行高成本仿真的情况下,高效地构建出高度精确的元模型。为了严格验证该框架在这些特定条件下的有效性,实验设计采用了从数据稀缺状态开始初始化的方式。具体做法是,从非常少量的数据(50个样本)开始构建初始元模型,以此模拟概念设计阶段典型的起步情况,即在预算极为有限的情况下进行高精度仿真。

本研究的主要贡献可总结如下:
(1) 专为数据增强设计的无缝不确定性量化架构:本研究提出了一种以工程性能为导向的数据增强技术。为此,引入了一种基于格子的显式不确定性量化方法,该方法能够提供与工程性能相关的必要信息。这种不确定性量化方法与本研究采用的FFD方法实现了无缝集成,且具备出色的预测性能。
(2) 基于不确定性驱动的数据增强:在本研究中,不确定性代表着对给定形状的预测性能的可靠性。具体而言,认知不确定性较高的区域意味着训练数据集中缺乏足够的数据,这表明有机会通过数据增强来提升模型性能。通过将FFD的控制点与基于格点的UQ回归器的坐标对齐,所提出的方法利用元模型不确定性来补充现有的种子数据,从而实现更优异的性能。这项工作提供了一种全面且以数据为中心的解决方案,它将基于不确定性的主动学习与基于FFD的数据增强相结合,以克服工程应用中的数据稀缺问题。本文的结构如下:第2节介绍了本研究中使用的不确定性量化、形状变形和主动学习技术的背景知识。第3节描述了本研究提出的框架的完整方法论。第4节阐述了实验设置,并展示了结果及其分析,以验证所提框架的有效性。第5节总结了本研究并探讨了未来的工作方向。

形状变形
形状变形指的是从一种形状到另一种形状的连续变换,被用作多种领域中的数据增强技术。与简单的几何变换(如旋转、缩放)不同,形状变形可以通过包含结构变化,如形状扭曲和详细结构的变形,来生成更多样化的数据样本。在利用形状变形进行数据增强的过程中,FFD和径向基函数(RBF)插值通常被用作变形方法。

方法论
本研究的整体框架如图3所示,它巧妙地结合了FFD、UQ和主动学习这三项关键技术。在该框架中,FFD被用作实现局部变形的核心生成机制,而这一机制则由主动学习策略指导。该策略的查询由UQ提供:根据基于深度集成元的元模型所量化的不确定性信息,来探索N3个FFD控制点。此处重点在于充分利用这些不确定性信息。

实验
为了验证本研究提出的框架的实用性和通用性,采用了两个不同的3D工程数据集:DeepJEB支架数据集(Hong等人,2025年;Whalen等人,2021年)以及DrivAerNet车辆数据集(Elrefaie等人,2024年)。DeepJEB是一个通过学习SimJEB数据生成的合成数据集,其中单个支架类别包含2138个数据点(Hong等人,2025年;Whalen等人,2021年)。Ti–6Al–4V支架材料的特性包括……

贡献总结
本研究旨在重新定义数据增强方法,以解决工业领域实际存在的数据稀缺问题,从而实现元模型的高效构建。本研究提出了一种新的数据采样和模型训练框架,通过结合基于几何学的工程性能不确定性量化与基于FFD的数据增强,实现了性能与形状的融合。该方法同时考虑了元模型的输入(形状)和输出……

CRediT作者贡献声明
Yongmin Kwon:撰写——初稿、可视化、验证、监督、软件、方法论、研究、形式分析、数据整理、概念设计。Namwoo Kang:撰写——审阅与编辑、监督、项目管理、研究、资金获取。

利益冲突声明
作者声明没有已知的财务利益或可能影响本文所述工作的个人关系。

致谢
本研究得到了韩国政府科技部国家研究委员会(NST)的资助(编号GTL24031-000)。
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