StampFormer: A Physics-Guided Material-Geometry-Coupled Multimodal Model for Rapid Prediction of Physical Fields in Sheet Metal Stamping

Resumen Técnico: StampFormer

Planteamiento del Problema
El diseño tradicional de conformado de chapa metálica depende del Análisis de Elementos Finitos (FEA) para su validación. Aunque el FEA proporciona predicciones de alta fidelidad de campos físicos (por ejemplo, adelgazamiento, deformación, desplazamiento), es computacionalmente costoso, requiriendo a menudo de horas a días por simulación. Esta latencia crea un cuello de botella en el ciclo de diseño, impidiendo la iteración rápida y la evaluación en tiempo real de la fabricabilidad. Los modelos sustitutos basados en IA existentes intentan acelerar este proceso, pero sufren limitaciones significativas: los modelos basados en escalares no capturan información espacial integral de los campos, mientras que los modelos basados en imágenes actuales se centran típicamente únicamente en la geometría de la pieza, descuidando la influencia crítica de las propiedades del material (respuestas tensión-deformación) en los resultados del conformado.

Metodología
Para abordar estas brechas, los autores proponen StampFormer, un marco de aprendizaje profundo multimodal guiado por la física y acoplado material-geometría. El modelo está diseñado para aceptar dos modalidades de entrada distintas:

1. Datos Geométricos: Una imagen de mapa de alturas 2D (608 × 768 píxeles) derivada de geometrías CAD 3D mediante proyección en el plano Z.
2. Datos de Material: Un vector 1D que representa la curva tensión-deformación (muestreada en 100 puntos).

La arquitectura consta de tres componentes principales:

• Red Geométrica Aumentada con Material (MAGN): Este módulo realiza la fusión inicial de modalidades. Procesa la curva tensión-deformación 1D a través de un Codificador Transformer para generar una incrustación global de material. Esta incrustación se mapea luego al dominio espacial mediante una Red Neuronal de Múltiples Capas (MLP) y se suma al mapa de características geométricas (Modulación de Características Consciente del Material). La geometría cruda se concatena con este mapa de características fusionado para preservar la información de los límites antes de ser pasada al núcleo principal.
• Unidad de Inyección de Incrustación de Material Jerárquica (HMEIU): Para asegurar que las propiedades del material influyan en la red a todas las escalas, esta unidad opera en paralelo con el codificador. Refina las incrustaciones de material en múltiples niveles jerárquicos e las inyecta en el flujo principal de datos después de cada etapa de reducción de muestreo (Fusión de Parches). Esto permite que el modelo aprenda cómo las características globales del material afectan tanto a las características geométricas de grano fino como a las abstractas.
• Swin-UNet Guiado por la Física (PGSU): El núcleo es un Swin-UNet adaptado, que utiliza Atención Múltiple de Cabeza Basada en Ventanas (W-MSA) dentro de una estructura simétrica de codificador-decodificador. Procesa las características aumentadas con material para predecir los campos físicos finales.

Generación de Datos
El estudio utilizó dos conjuntos de datos: uno para acero y otro para aluminio.

• Datos de Material: Se generaron conjuntos de datos de material virtuales para asegurar la diversidad. El conjunto de datos de acero se expandió de 101 curvas reales a 600 curvas aumentadas en cinco clústeres. El conjunto de datos de aluminio se expandió de 11 curvas reales a 110 curvas aumentadas.
• Datos Geométricos: Se generaron 600 geometrías 3D CAD únicas utilizando Muestreo Hipercúbico Latino (LHS) en parámetros clave (radios, ángulos de conicidad, dimensiones de nervios).
• Simulación: Se ejecutaron un total de 6.000 simulaciones FEA (3.000 por material) utilizando PAM-STAMP. Cada simulación emparejó una geometría única con un material de un clúster específico. Los resultados 3D del FEA se mapearon de nuevo al blanko 2D inicial para crear imágenes objetivo para adelgazamiento, deformación mayor, deformación menor, deformación plástica y desplazamiento 3D.

Contribuciones Clave

1. Integración Multimodal: StampFormer se presenta como uno de los primeros sustitutos de conformado de chapa basados en imágenes que combinan explícitamente la geometría de la pieza 2D con las respuestas tensión-deformación del material 1D, abordando la limitación de los modelos basados únicamente en geometría.
2. Estrategia de Fusión de Dos Etapas: La introducción de MAGN y HMEIU permite una fusión cruzada de modalidades efectiva, asegurando que las propiedades del material se integren tanto a nivel de entrada inicial como a lo largo del proceso de extracción de características jerárquicas.
3. Predicción Integral de Campos: A diferencia de los sustitutos basados en escalares, el modelo predice resultados de campo completo para cinco salidas físicas críticas (adelgazamiento, deformación mayor/menor/plástica y desplazamiento) en lugar de métricas escalares únicas.

Resultados
El modelo fue evaluado en un conjunto de prueba que comprendía 300 muestras para cada material (acero y aluminio).

• Precisión: El modelo logró un error relativo promedio inferior al 8,5 % para los cuatro campos físicos 2D (adelgazamiento, deformaciones). Para el campo de desplazamiento 3D, el Error Cuadrático Medio (MSE) fue inferior a 1,2 mm².
• Rendimiento Específico:
  • Acero: Los errores relativos medios oscilaron entre el 4,5 % y el 7,2 % en los campos 2D.
  • Aluminio: Los errores relativos medios oscilaron entre el 3,5 % y el 8,2 %. Los autores notan colas de error ligeramente más altas para el aluminio, atribuyéndolo a su menor ductilidad y gradientes de deformación más pronunciados.
• Acuerdo Visual: El análisis cualitativo de Diagramas de Límite de Conformado (FLD), mapas de adelgazamiento y superficies 3D reconstruidas mostró un fuerte acuerdo con los resultados reales del FEA, particularmente en la identificación de regiones críticas de adelgazamiento y formas de pieza.
• Velocidad: Mientras que las simulaciones FEA requirieron varias horas, StampFormer proporcionó predicciones en menos de un segundo en una sola GPU, representando una aceleración de más de tres órdenes de magnitud.

Significado
Los autores afirman que StampFormer ofrece un marco práctico y eficiente para la evaluación de fabricabilidad en tiempo real en las primeras etapas del ciclo de diseño. Al integrar las propiedades del material con la geometría, el modelo permite a los diseñadores realizar comprobaciones rápidas de viabilidad que anteriormente eran imposibles debido a la latencia del FEA. El marco apoya un cambio desde flujos de trabajo tradicionales de diseño-validación lineales hacia un proceso interactivo potenciado por IA. El estudio enfatiza que la capacidad del modelo para generalizar en una amplia gama de propiedades del material y variaciones geométricas lo hace adecuado para la selección industrial, aunque los autores señalan que la transferibilidad a familias de piezas completamente nuevas sigue siendo una dirección para trabajos futuros.