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

Sintesi Tecnica: StampFormer

Enunciato del Problema
La progettazione tradizionale della formatura dei metalli laminati si basa sull'Analisi agli Elementi Finiti (FEA) per la validazione. Sebbene la FEA fornisca previsioni ad alta fedeltà dei campi fisici (ad esempio, assottigliamento, deformazione, spostamento), è computazionalmente costosa, richiedendo spesso da ore a giorni per simulazione. Questa latenza crea un collo di bottiglia nel ciclo di progettazione, impedendo iterazioni rapide e valutazioni in tempo reale della producibilità. I modelli surrogati esistenti basati sull'intelligenza artificiale tentano di accelerare questo processo ma soffrono di limitazioni significative: i modelli basati su valori scalari non riescono a catturare informazioni complete sui campi spaziali, mentre i modelli basati su immagini attualmente disponibili si concentrano tipicamente esclusivamente sulla geometria del pezzo, trascurando l'influenza critica delle proprietà del materiale (risposte sforzo-deformazione) sui risultati di formatura.

Metodologia
Per colmare queste lacune, gli autori propongono StampFormer, un framework di deep learning multimodale guidato dalla fisica e accoppiato tra materiale e geometria. Il modello è progettato per accettare due modalità di input distinte:

1. Dati Geometrici: Un'immagine di mappa di altezza 2D (608 × 768 pixel) derivata da geometrie CAD 3D tramite proiezione sul piano Z.
2. Dati del Materiale: Un vettore 1D che rappresenta la curva sforzo-deformazione (campionata a 100 punti).

L'architettura è composta da tre componenti principali:

• Rete Geometrica Arricchita dal Materiale (MAGN): Questo modulo esegue la fusione iniziale delle modalità. Elabora la curva sforzo-deformazione 1D attraverso un Encoder Transformer per generare un embedding globale del materiale. Questo embedding viene quindi mappato nel dominio spaziale tramite un Perceptron Multistrato (MLP) e aggiunto alla mappa delle caratteristiche geometriche (Modulazione delle Caratteristiche Consapevole del Materiale). La geometria grezza viene concatenata con questa mappa di caratteristiche fusa per preservare le informazioni di confine prima di essere passata al backbone.
• Unità di Iniezione Gerarchica degli Embedding del Materiale (HMEIU): Per garantire che le proprietà del materiale influenzino la rete a tutte le scale, questa unità opera in parallelo con l'encoder. Affina gli embedding del materiale a più livelli gerarchici e li inietta nel flusso principale dei dati dopo ogni fase di downsampling (Patch Merging). Ciò permette al modello di apprendere come le caratteristiche globali del materiale influenzino sia le caratteristiche geometriche fini che quelle astratte.
• Swin-UNet Guidato dalla Fisica (PGSU): Il backbone è una Swin-UNet adattata, che utilizza l'Auto-attenzione Multi-testa basata su Finestre (W-MSA) all'interno di una struttura simmetrica encoder-decoder. Elabora le caratteristiche arricchite dal materiale per prevedere i campi fisici finali.

Generazione dei Dati
Lo studio ha utilizzato due dataset: uno per l'acciaio e uno per l'alluminio.

• Dati del Materiale: Sono stati generati dataset di materiali virtuali per garantire la diversità. Il dataset dell'acciaio è stato espanso da 101 curve reali a 600 curve aumentate su cinque cluster. Il dataset dell'alluminio è stato espanso da 11 curve reali a 110 curve aumentate.
• Dati Geometrici: Sono state generate 600 geometrie CAD 3D uniche utilizzando il Campionamento Ipercubico Latino (LHS) su parametri chiave (raggi, angoli di sformo, dimensioni delle nervature).
• Simulazione: È stato eseguito un totale di 6.000 simulazioni FEA (3.000 per materiale) utilizzando PAM-STAMP. Ogni simulazione ha accoppiato una geometria unica con un materiale da un cluster specifico. I risultati FEA 3D sono stati mappati nuovamente sul blank 2D iniziale per creare immagini target per assottigliamento, deformazione principale, deformazione secondaria, deformazione plastica e spostamento 3D.

Contributi Chiave

1. Integrazione Multimodale: StampFormer è presentato come uno dei primi surrogati di formatura di lamiere basati su immagini a combinare esplicitamente la geometria del pezzo 2D con le risposte sforzo-deformazione del materiale 1D, affrontando il limite dei modelli basati solo sulla geometria.
2. Strategia di Fusione a Doppio Stadio: L'introduzione di MAGN e HMEIU abilita una fusione cross-modale efficace, garantendo che le proprietà del materiale siano integrate sia a livello di input iniziale che durante l'intero processo di estrazione gerarchica delle caratteristiche.
3. Previsione Completa del Campo: A differenza dei surrogati basati su valori scalari, il modello prevede risultati a campo completo per cinque output fisici critici (assottigliamento, deformazione principale/secondaria/plastica e spostamento) piuttosto che singole metriche scalari.

Risultati
Il modello è stato valutato su un set di test composto da 300 campioni per ciascun materiale (acciaio e alluminio).

• Accuratezza: Il modello ha raggiunto un errore relativo medio inferiore all'8,5% per i quattro campi fisici 2D (assottigliamento, deformazioni). Per il campo di spostamento 3D, l'Errore Quadratico Medio (MSE) è stato inferiore a 1,2 mm².
• Prestazioni Specifiche:
  • Acciaio: Gli errori relativi medi sono variati dal 4,5% al 7,2% sui campi 2D.
  • Alluminio: Gli errori relativi medi sono variati dal 3,5% all'8,2%. Gli autori notano code di errore leggermente più elevate per l'alluminio, attribuendole alla sua minore duttilità e a gradienti di deformazione più netti.
• Accordo Visivo: L'analisi qualitativa dei Diagrammi Limite di Formatura (FLD), delle mappe di assottigliamento e delle superfici 3D ricostruite ha mostrato un forte accordo con i risultati FEA di riferimento, in particolare nell'identificare le regioni critiche di assottigliamento e le forme dei pezzi.
• Velocità: Mentre le simulazioni FEA richiedevano diverse ore, StampFormer ha fornito previsioni in meno di un secondo su una singola GPU, rappresentando un aumento di velocità di oltre tre ordini di grandezza.

Significato
Gli autori affermano che StampFormer offre un framework pratico ed efficiente per la valutazione della producibilità in tempo reale nelle fasi iniziali del ciclo di progettazione. Integrando le proprietà del materiale con la geometria, il modello consente ai progettisti di eseguire controlli di fattibilità rapidi che in precedenza erano impossibili a causa della latenza della FEA. Il framework supporta un passaggio dai flussi di lavoro tradizionali lineari di progettazione-validazione a un processo interattivo potenziato dall'intelligenza artificiale. Lo studio sottolinea che la capacità del modello di generalizzare su un'ampia gamma di proprietà del materiale e variazioni geometriche lo rende adatto allo screening industriale, sebbene gli autori notino che la trasferibilità a famiglie di pezzi completamente nuove rimanga una direzione per lavori futuri.