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

技術要約：CFRPコンポーネントのオートクレーブ硬化温度場の予測に向けたマルチスケール・グラフ生成敵対的ネットワーク手法

問題提起
オートクレーブ内における炭素繊維強化プラスチック（CFRP）コンポーネントの硬化は、温度の時空間分布が成形品質、残留応力、および寸法精度に直接影響を与える極めて重要なプロセスである。コンポーネントの大型化に伴い、流れと熱伝達の空間的不均一性がより顕著になるため、高精度かつ高効率な予測手法が必要となる。

著者らは、既存の高速予測研究における3つの主要な限界を特定している：

1. 学習データの物理的忠実度の不足： 既存モデルの多くは、理想的な境界条件を用いた数値シミュレーションから得られた学習サンプルに依存しており、重要なインレットダクト構造（Hスロットダクトなど）や局所的な流れの組織化を無視している。これにより、系統的なバイアスが生じ、エンジニアリングにおける信頼性が低下する。
2. 非構造格子への不適合性： 硬化温度場は非構造メッシュ上に定義される。既存の手法は、データを構造格子へ再サンプリング（幾何学的近似誤差を導入）するか、あるいは高次元の非構造データにおける全域的な熱拡散と局所的な高勾配の詳細とのバランスをとることに苦慮している。
3. 局所領域における過度な平滑化： 純粋な教師あり回帰や全域的な識別手法は、局所的な構造を保持できないことが多く、ホットスポット領域や境界遷移領域での過度な平滑化を招く。これは、フルプロセスにおける自己回帰予測中の誤差蓄積の原因となる。

手法
本論文では、非構造メッシュ専用に設計された**マルチスケール・グラフ生成敵対的ネットワーク（MSCGAN）**フレームワークを提案する。この手法は、統合された3つの段階で構成される：

1. 高忠実度データの生成：

   • オートクレーブプロセスの熱化学結合モデルを構築し、インレットの流れの組織化を正確にモデル化するために、現実的なHスロット空気ダクト構造を明示的に組み込んだ。
   • この検証済み順モデルを用い、6つの主要なプロセスパラメータ（2段階の昇温速度、保持温度、および保持時間）をサンプリングすることで、100セットの運転条件を生成した。
   • 過渡シミュレーション（タイムステップ10秒、期間13,200秒）により、温度および硬化度の時空間データセットを生成し、物理的な信頼性を確保した。

2. グラフ構築とマルチスケール次元削減：

   • 非構造メッシュの温度場を、K近傍法（KNN）（$k=4$）を用いてグラフ構造データ（$G=(V, E)$）に変換し、補間誤差を伴わずに局所的な熱伝達トポロジーを保持した。
   • ノードの特徴量には、瞬時温度、硬化度、昇温速度、設定温度、および空間座標が含まれる。
   • **2レベルのCLJP（粗視化、ラベル付け、結合、およびプロロゲーション）**粗視化戦略を採用した。これにより階層的なグラフシーケンスが作成され、粗いスケールでの全域的な熱拡散パターンを捉えつつ、細かいスケールでの局所的な高勾配特徴を保持することが可能となる。

3. MSCGANアーキテクチャ：

   • 生成器（Generator）： グラフアテンションネットワーク（GAT）を用いたグラフエンコーダ・デコーダ構造を利用する。GAT層は近傍情報を適応的に重み付けし、予測に関連するノードを強調する。スキップ接続によってエンコーダとデコーダの特徴を融合させ、粗視化によって失われた微細な詳細を復元する。
   • 識別器（Discriminator）： k-ホップ近傍誘導部分グラフに基づく局所グラフ識別器を用いる。全域的な識別器とは異なり、このコンポーネントは中心ノードの周囲の局所的な部分グラフをサンプリングすることで、ホットスポット領域や境界遷移ゾーンに対して特異的にリアリズムの制約を課す。これにより、局所的な構造の真正性を保証し、過度な平滑化の問題に対処する。
   • 学習： ノードの精度（L1教師あり損失）と、局所的な構造のリアリズム（敵対的損失）を組み合わせた手法を用いてモデルを学習させる。

主な貢献

1. 高忠実度データ戦略： 現実的なインレット境界表現（Hスロットダクト）を熱化学結合モデルに統合したデータ生成手法を提案し、学習のための物理的に信頼できるデータセットを提供した。
2. グラフベースの次元削減： KNNグラフ構築とマルチスケールCLJP粗視化を組み合わせた戦略により、計算複雑性を低減しつつ、非構造メッシュの幾何学的トポロジー情報と局所的な熱伝導特性を保持した。
3. MSCGANフレームワーク： マルチスケール・グラフ生成とk-ホップ局所グラフ識別を統合した高速予測手法の開発。このアプローチは、全域的な傾向と局所的な詳細の両方の表現力を高め、高勾配領域における過度な平滑化を効果的に軽減する。

結果
提案されたMSCGANは、105,600個の学習サンプルと26,400個の検証サンプルを用いたデータセットを用いて、Graph U-Net、Graph U-Net-LSTM、Grid-GAN、および従来のGNNと比較評価された。

• 予測精度： MSCGANは、平均絶対誤差（MAE）1.28 °C、平方根平均二乗誤差（RMSE）1.76 °C、$R^2$ 0.993、および最大誤差3.58 °Cを達成した。これらの指標は、すべての比較モデルを上回り、特に最大誤差の低減において優れていた（例：Graph U-Netの最大誤差は7.22 °Cであった）。
• 自己回帰の安定性： フルサイクルの自己回帰予測において、モデルは全硬化サイクルを通じて平均絶対パーセント誤差（MAPE）を**0.81%**未満に維持し、長期的なローリング推論における誤差蓄積の抑制に成功した。
• 計算効率： 従来の数値流体力学（CFD）シミュレーションと比較して、計算時間を約**99%**削減した（予測1回あたり42秒 vs 7038秒）。
• アブレーション研究： 実験により、敵対的メカニズム、CLJP粗視化モジュール、またはスキップ接続を除去すると、性能が著しく低下することが確認された。特にスキップ接続の除去は、最も深刻な誤差増加（MAEが2.41 °Cに上昇）を引き起こした。

意義
本論文は、この手法が複合材料オートクレーブの硬化プロセスにおける迅速な評価とインテリジェントな制御のための、効率的かつ信頼性の高いサロゲートモデルを提供することを主張している。非構造メッシュと局所勾配の保持という特定の課題に対処することで、MSCGANフレームワークは、高忠実度の物理モデリングと産業的な最適化に必要なスピードとの間の溝を埋めるものである。本研究は、データ生成における物理的忠実度と、マルチスケール・グラフ学習および局所的敵対的制約の統合が、複雑な複合材コンポーネントの正確かつリアルタイムな温度場予測に向けた有効な道筋であることを示している。