A Multiscale Graph Generative Adversarial Network Method for Prediction of Autoclave Curing Temperature Field in CFRP component

Sintesi Tecnica: Un metodo basato su una Rete Avversaria Generativa a Grafi Multiscala per la previsione del campo di temperatura di polimerizzazione in componenti CFRP

Definizione del Problema
La polimerizzazione di componenti in polimero rinforzato con fibra di carbonio (CFRP) in autoclave è un processo critico in cui la distribuzione spazio-temporale della temperatura influenza direttamente la qualità della formatura, le tensioni residue e l'accuratezza dimensionale. Con l'aumentare delle dimensioni dei componenti, la non uniformità spaziale del flusso e del trasferimento di calore diventa più pronunciata, rendendo necessari metodi di previsione ad alta precisione ed alta efficienza.

Gli autori identificano tre limitazioni primarie nella ricerca attuale sulla previsione rapida:

1. Fedeltà Fisica Insufficiente dei Dati di Addestramento: La maggior parte dei modelli esistenti si basa su campioni di addestramento derivati da simulazioni numeriche con condizioni al contorno idealizzate, spesso trascurando strutture critiche dei condotti di ingresso (come i condotti a fessura H o H-slot) e le organizzazioni locali del flusso. Ciò porta a bias sistematici e a una ridotta affidabilità ingegneristica.
2. Inadeguatezza agli Eleni Non Strutturati: I campi di temperatura di polimerizzazione sono definiti su mesh non strutturate. I metodi esistenti spesso ricampionano i dati su griglie strutturate (introducendo errori di approssimazione geometrica) o faticano a bilanciare la diffusione termica globale con i dettagli locali ad alto gradiente su dati non strutturati ad alta dimensionalità.
3. Sovra-smussamento (Over-smoothing) nelle Regioni Locali: La regressione puramente supervisionata o i metodi di discriminazione globale spesso non riescono a preservare le strutture locali, portando a uno smussamento eccessivo nelle regioni di hotspot e nelle zone di transizione del bordo. Ciò causa l'accumulo di errori durante la previsione autoregressiva dell'intero processo.

Metodologia
Il documento propone un framework Multiscale Graph Generative Adversarial Network (MSCGAN) progettato specificamente per mesh non strutturate. La metodologia si compone di tre fasi integrate:

1. Generazione di Dati ad Alta Fedeltà:

   • È stato stabilito un modello termo-chimico di accoppiamento per il processo in autoclave, incorporando esplicitamente una struttura realistica del condotto d'aria a fessura H (H-slot) per modellare accuratamente l'organizzazione del flusso in ingresso.
   • Utilizzando questo modello diretto validato, sono stati generati 100 set di condizioni operative campionando sei parametri chiave del processo (velocità di riscaldamento, temperature di mantenimento e tempi per due fasi).
   • Simulazioni transitorie (passo temporale di 10 s, durata di 13.200 s) hanno prodotto un dataset spazio-temporale dei campi di temperatura e di grado di polimerizzazione, garantendo la credibilità fisica.

2. Costruzione del Grafo e Riduzione della Dimensionalità Multiscala:

   • Il campo di temperatura della mesh non strutturata viene convertito in dati strutturati a grafo ($G=(V, E)$) utilizzando un algoritmo K-Nearest Neighbors (KNN) ($k=4$) per definire gli archi, preservando la topologia del trasferimento di calore locale senza errori di interpolazione.
   • Le caratteristiche dei nodi includono temperatura istantanea, grado di polimerizzazione, velocità di riscaldamento, temperatura di set-point del processo e coordinate spaziali.
   • Viene impiegata una strategia di coarsenamento a due livelli CLJP (Coarsening, Labeling, Joining, and Prolongation). Questo crea una sequenza gerarchica di grafi, consentendo al modello di catturare i pattern di diffusione termica globale a scale grossolane, mantenendo al contempo le caratteristiche ad alto gradiente locali a scale fini.

3. Architettura MSCGAN:

   • Generatore: Utilizza una struttura encoder-decoder a grafo con Graph Attention Networks (GAT). Gli strati GAT pesano adattivamente le informazioni di vicinato per enfatizzare i nodi rilevanti per la previsione. Le connessioni skip (skip connections) fondono le caratteristiche dell'encoder e del decoder per recuperare i dettagli su piccola scala persi durante il coarsening.
   • Discriminatore: Un discriminatore di grafo locale basato su sottografi indotti da vicinato k-hop. A differenza dei discriminatori globali, questa componente campiona sottografi locali attorno ai nodi centrali per imporre vincoli di realismo specificamente sulle regioni di hotspot e sulle zone di transizione del bordo. Ciò affronta il problema dello smussamento eccessivo assicurando l'autenticità strutturale locale.
   • Addestramento: Il modello è addestrato utilizzando una combinazione di perdita supervisionata L1 (per l'accuratezza nodale) e perdita avversaria (per il realismo strutturale locale).

Contributi Chiave

1. Strategia di Generazione Dati ad Alta Fedeltà: La proposta di un metodo di generazione dati che integra rappresentazioni realistiche dei confini di ingresso (condotti H-slot) nel modello di accoppiamento termo-chimico, fornendo un dataset fisicamente affidabile per l'addestramento.
2. Riduzione della Dimensionalità Basata su Grafi: Una strategia che combina la costruzione del grafo KNN con il coarsening multiscala CLJP, che riduce la complessità computazionale pur preservando l'informazione topologica geometrica e le caratteristiche di conduzione termica locale delle mesh non strutturate.
3. Framework MSCGAN: Lo sviluppo di un metodo di previsione rapida che integra la generazione di grafi multiscala con la discriminazione di grafi locale k-hop. Questo approccio migliora la rappresentazione sia dei trend globali che dei dettagli locali, mitigando efficacemente lo smussamento eccessivo nelle regioni ad alto gradiente.

Risultati
L'MSCGAN proposto è stato valutato rispetto a Graph U-Net, Graph U-Net-LSTM, Grid-GAN e GNN convenzionali utilizzando un dataset di 105.600 campioni di addestramento e 26.400 campioni di validazione.

• Accuratezza della Previsione: L'MSCGAN ha raggiunto un Errore Assoluto Medio (MAE) di 1,28 °C, un Errore Quadratico Medio (RMSE) di 1,76 °C, un $R^2$ di 0,993 e un Errore Massimo di 3,58 °C. Queste metriche hanno superato tutti i modelli comparativi, in particolare nella riduzione dell'errore massimo (ad esempio, Graph U-Net presentava un errore massimo di 7,22 °C).
• Stabilità Autoregressiva: Nella previsione autoregressiva a ciclo completo, il modello ha mantenuto un Errore Percentuale Medio Assoluto (MAPE) inferiore allo 0,81% durante l'intero ciclo di polimerizzazione, dimostrando un'efficace soppressione dell'accumulo di errore durante l'inferenza a rolling a lungo termine.
• Efficienza Computazionale: Il modello ha ridotto il tempo di calcolo di circa il 99% rispetto alle tradizionali simulazioni di fluidodinamica computazionale (CFD) (42 secondi rispetto a 7.308 secondi per previsione).
• Studi di Ablazione: Gli esperimenti hanno confermato che la rimozione del meccanismo avversario, del modulo di coarsening CLJP o delle connessioni skip degradava significativamente le prestazioni, con la rimozione delle connessioni skip che causava l'aumento più grave dell'errore (MAE che salisce a 2,41 °C).

Significatività
Il documento sostiene che questo metodo fornisce un modello surrogato efficiente e affidabile per la valutazione rapida e il controllo intelligente dei processi di polimerizzazione nelle autoclave per materiali compositi. Affrontando le sfide specifiche delle mesh non strutturate e della preservazione dei gradienti locali, il framework MSCGAN colma il divario tra la modellazione fisica ad alta fedeltà e i requisiti di velocità per l'ottimizzazione dei processi industriali. Lo studio dimostra che l'integrazione della fedeltà fisica nella generazione dei dati con l'apprendimento di grafi multiscala e i vincoli avversari locali è una via percorribile verso la previsione accurata e in tempo reale dei campi di temperatura per componenti compositi complessi.