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

기술 요약: StampFormer

문제 제기
전통적인 판금 성형 설계는 검증을 위해 유한 요소 해석 (FEA) 에 의존합니다. FEA 는 박막화, 변형률, 변위와 같은 물리장의 고충실도 예측을 제공하지만, 계산 비용이 매우 높아 시뮬레이션 당 수 시간에서 수 일이 소요되는 경우가 많습니다. 이러한 지연 시간은 설계 주기에서 병목 현상을 초래하여 빠른 반복 작업과 실시간 제조 가능성 평가를 방해합니다. 기존 AI 기반 대리 모델은 이 과정을 가속화하려 시도하지만 상당한 한계를 겪고 있습니다. 스칼라 기반 모델은 포괄적인 공간장 정보를 포착하지 못하며, 현재 이미지 기반 모델들은 주로 부품 기하학에만 초점을 맞춰 성형 결과에 중요한 영향을 미치는 재료 특성 (응력 - 변형률 응답) 을 간과합니다.

방법론
이러한 격차를 해결하기 위해 저자들은 물리 지향적이며 재료 - 기하학 결합 멀티모달 딥러닝 프레임워크인 StampFormer를 제안합니다. 이 모델은 두 가지 서로 다른 입력 모달리티를 수용하도록 설계되었습니다:

1. 기하학적 데이터: 3D CAD 기하학에서 Z 평면 투영을 통해 유도된 2D 높이 맵 이미지 (608 × 768 픽셀).
2. 재료 데이터: 100 개 지점에서 샘플링된 응력 - 변형률 곡선을 나타내는 1D 벡터.

아키텍처는 세 가지 핵심 구성 요소로 이루어져 있습니다:

• 재료 증강 기하 네트워크 (MAGN): 이 모듈은 모달리티의 초기 융합을 수행합니다. 1D 응력 - 변형률 곡선을 Transformer 인코더를 통해 처리하여 전역 재료 임베딩을 생성합니다. 그런 다음 이 임베딩은 다층 퍼셉트론 (MLP) 을 통해 공간 도메인으로 매핑되어 기하학적 특징 맵에 추가됩니다 (재료 인식 특징 변조). 원시 기하학은 백본으로 전달되기 전에 경계 정보를 보존하기 위해 이 융합된 특징 맵과 연결됩니다.
• 계층적 재료 임베딩 주입 단위 (HMEIU): 재료 특성이 모든 스케일에서 네트워크에 영향을 미치도록 보장하기 위해, 이 단위는 인코더와 병렬로 작동합니다. 이는 여러 계층적 수준에서 재료 임베딩을 정제하고 각 다운샘플링 (패치 병합) 단계가 완료된 후 메인 데이터 스트림에 주입합니다. 이를 통해 모델은 전역 재료 특성이 세밀한 특징과 추상적인 기하학적 특징 모두에 어떻게 영향을 미치는지 학습할 수 있습니다.
• 물리 지향 Swin-UNet (PGSU): 백본은 대칭형 인코더 - 디코더 구조 내에서 윈도우 기반 멀티헤드 셀프 어텐션 (W-MSA) 을 활용하도록 적응된 Swin-UNet 입니다. 이는 최종 물리장을 예측하기 위해 재료 증강 특징을 처리합니다.

데이터 생성
이 연구는 강철과 알루미늄을 위한 두 가지 데이터셋을 활용했습니다.

• 재료 데이터: 다양성을 보장하기 위해 가상 재료 데이터셋이 생성되었습니다. 강철 데이터셋은 101 개의 실제 곡선에서 5 개 클러스터에 걸쳐 600 개의 증강 곡선으로 확장되었습니다. 알루미늄 데이터셋은 11 개의 실제 곡선에서 110 개의 증강 곡선으로 확장되었습니다.
• 기하학적 데이터: 주요 파라미터 (반경, 드래프트 각, 비드 치수) 에 걸쳐 라틴 하이퍼큐브 샘플링 (LHS) 을 사용하여 600 개의 고유한 3D CAD 기하학이 생성되었습니다.
• 시뮬레이션: PAM-STAMP 를 사용하여 총 6,000 개의 FEA 시뮬레이션 (재료당 3,000 개) 이 수행되었습니다. 각 시뮬레이션은 특정 클러스터의 재료와 고유한 기하학을 짝지었습니다. 3D FEA 결과는 박막화, 주 변형률, 부 변형률, 소성 변형률, 3D 변위에 대한 타겟 이미지를 생성하기 위해 초기 2D 블랭크로 다시 매핑되었습니다.

주요 기여

1. 멀티모달 통합: StampFormer 는 2D 부품 기하학과 1D 재료 응력 - 변형률 응답을 명시적으로 결합하여 기하학 전용 모델의 한계를 해결하는 최초의 이미지 기반 판금 성형 대리 모델 중 하나로 제시됩니다.
2. 이중 단계 융합 전략: MAGN 과 HMEIU 의 도입은 효과적인 교차 모달 융합을 가능하게 하여, 재료 특성이 초기 입력 수준과 계층적 특징 추출 전 과정에 통합되도록 보장합니다.
3. 포괄적 장 예측: 스칼라 기반 대리 모델과 달리, 이 모델은 단일 스칼라 지표가 아닌 박막화, 주/부/소성 변형률, 변위라는 다섯 가지 중요한 물리 출력에 대한 풀 필드 결과를 예측합니다.

결과
이 모델은 강철과 알루미늄 각각 300 개의 샘플로 구성된 테스트 세트로 평가되었습니다.

• 정확도: 모델은 네 가지 2D 물리장 (박막화, 변형률) 에 대해 평균 상대 오차 8.5% 미만을 달성했습니다. 3D 변위장의 경우 평균 제곱 오차 (MSE) 는 1.2 mm² 미만이었습니다.
• 구체적 성능:
  • 강철: 2D 장 전반에 걸쳐 평균 상대 오차는 4.5% 에서 7.2% 사이였습니다.
  • 알루미늄: 평균 상대 오차는 3.5% 에서 8.2% 사이였습니다. 저자들은 알루미늄의 더 낮은 연성과 더 날카로운 변형률 기울기로 인해 알루미늄의 오차 꼬리가 약간 더 높다고 지적했습니다.
• 시각적 일치: 성형 한계 도표 (FLD), 박막화 맵, 재구성된 3D 표면의 정성적 분석은 특히 중요한 박막화 영역과 부품 형태를 식별하는 데 있어 실제 FEA 결과와 강력한 일치를 보여주었습니다.
• 속도: FEA 시뮬레이션은 수 시간이 소요되는 반면, StampFormer 는 단일 GPU 에서 1 초 미만에 예측을 제공하여 3 개 이상의 차수 (orders of magnitude) 에 달하는 속도 향상을 나타냈습니다.

의의
저자들은 StampFormer 가 설계 주기 초기에 실시간 제조 가능성 평가를 위한 실용적이고 효율적인 프레임워크를 제공한다고 주장합니다. 재료 특성을 기하학과 통합함으로써, 이 모델은 FEA 지연 시간으로 인해 이전에 불가능했던 빠른 타당성 검사를 설계자가 수행할 수 있게 합니다. 이 프레임워크는 전통적인 선형 설계 - 검증 워크플로우에서 AI 기반의 상호작용 프로세스로의 전환을 지원합니다. 이 연구는 모델이 광범위한 재료 특성과 기하학적 변형에 걸쳐 일반화할 수 있는 능력이 산업적 선별에 적합하다고 강조하지만, 저자들은 완전히 새로운 부품 계열로의 전이 가능성은 향후 연구 방향이라고 언급합니다.