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

Technische Samenvatting: Een Multiscale Graph Generative Adversarial Network Methode voor de Voorspelling van het Autoclaaf UithardingsTemperatuurveld in CFRP-Componenten

Probleemstelling
Het uitharden van koolstofvezelversterkte polymeer (CFRP) componenten in autoclaven is een kritisch proces waarbij de ruimtelijke en temporele verdeling van temperatuur direct invloed heeft op de vormkwaliteit, restspanning en dimensionale nauwkeurigheid. Naarmate de afmetingen van componenten toenemen, wordt de ruimtelijke niet-uniformiteit van stroming en warmteoverdracht prominenter, wat behoefte geeft aan hoogwaardige en hoogefficiënte voorspellingsmethoden.

De auteurs identificeren drie primaire beperkingen in bestaand onderzoek naar snelle voorspelling:

1. Onvoldoende Fysische Getrouwheid van Trainingsgegevens: De meeste bestaande modellen vertrouwen op trainingsmonsters afgeleid van numerieke simulaties met geïdealiseerde randvoorwaarden, waarbij kritieke inlaatductstructuren (zoals H-slot ducten) en lokale stromingsorganisaties vaak worden genegeerd. Dit leidt tot systematische biases en verminderde technische betrouwbaarheid.
2. Ongeschiktheid voor Ongestructureerde Rasters: Uithardingstemperatuurvelden zijn gedefinieerd op ongestructureerde meshes. Bestaande methoden resamplen gegevens vaak naar gestructureerde rasters (wat geometrische benaderingsfouten introduceert) of worstelen met het balanceren van globale warmtediffusie versus lokale hoog-gradiënt details op hoog-dimensionale ongestructureerde data.
3. Overmatige Vereenvoudiging (Over-smoothing) in Lokale Regio's: Zuiver gesuperviseerde regressie of globale discriminatiemethoden falen vaak in het behouden van lokale structuren, wat le leidt tot overmatige vereenvoudiging in hotspot-regio's en overgangszones van randen. Dit resulteert in foutaccumulatie tijdens autoregressieve voorspelling van het volledige proces.

Methodologie
Het artikel stelt een Multiscale Graph Generative Adversarial Network (MSCGAN) framework voor, specif으로 ontworpen voor ongestructureerde meshes. De methodologie bestaat uit drie geïntegreerde stadia:

1. Hoogwaardige Datageneratie:

   • Er is een thermo-chemisch koppelingsmodel van het autoclaafproces opgesteld, waarbij expliciet een realistische H-slot luchtductstructuur is opgenomen om de inlaatstromingsorganisatie accuraat te modelleren.
   • Met behulp van dit gevalideerde forward-model werden 100 sets operationele condities gegenereerd door te samplen uit zes sleutelparameters van het proces (opwarmsnelheden, uithardingstemperaturen en tijden voor twee fasen).
   • Transiënte simulaties (tijdstap van 10s, duur van 13.200s) produceerden een ruimtelijk-temporele dataset van temperatuur- en graad-van-uithardingvelden, wat de fysische geloofwaardigheid waarborgt.

2. Graafconstructie en Multiscale Dimensionaliteitsreductie:

   • Het temperatuurveld van de ongestructureerde mesh wordt omgezet in gestructureerde graafdata ($G=(V, E)$) met behulp van een K-Nearest Neighbors (KNN) algoritme ($k=4$) om randen te definiëren, waardoor de lokale warmteoverdrachtstopologie behouden blijft zonder interpolatiefouten.
   • Node-features bevatten de instantane temperatuur, de graad van uitharding, de opwarmsnelheid, de ingestelde proces-temperatuur en de ruimtelijke coördinaten.
   • Er wordt een twee-niveau CLJP (Coarsening, Labeling, Joining, en Prolongation) vergrovingsstrategie toegepast. Dit creëert een hiërarchische graafsequentie, waardoor het model globale thermische diffusiepatronen kan vastleggen op grove schalen, terwijl lokale hoog-gradiënt kenmerken behouden blijven op fijne schalen.

3. MSCGAN Architectuur:

   • Generator: Maakt gebruik van een graaf encoder-decoder structuur met Graph Attention Networks (GAT). De GAT-lagen wegen de naburige informatie adaptief om knooppunten die relevant zijn voor de voorspelling te benadrukken. Skip-verbindingen fuseren encoder- en decoder-features om fijnmazige details te herstellen die verloren zijn gegaan tijdens de vergroving.
   • Discriminator: Een lokale graafdiscriminator gebaseerd op k-hop naburige subgrafen. In tegenstelling tot globale discriminatoren, bemonsterd deze component lokale subgrafen rond centrale knopen om realiteitsrestricties specifiek op te leggen aan hotspot-regio's en overgangszones van randen. Dit adresseert het overmatige vereenvoudigingsprobleem door de lokale structurele authenticiteit te waarborgen.
   • Training: Het model wordt getraind met een combinatie van L1 supervised loss (voor nodale nauwkeurigheid) en adversarial loss (voor lokale structurele realiteit).

Belangrijkste Bijdragen

1. Hoogwaardige Datastrategie: Het voorstel van een datageneratiemethode die realistische inlaatrandvoorwaarden (H-slot ducten) integreert in het thermo-chemische koppelingsmodel, wat een fysisch betrouwbaar dataset voor training oplevert.
2. Graaf-gebaseerde Dimensionaliteitsreductie: Een strategie die KNN-graafconstructie combineert met multiscale CLJP-vergroving, wat de computationele complexiteit vermindert terwijl de geometrische topologische informatie en lokale warmtegeleidingseigenschappen van ongestructureerde meshes behouden blijven.
3. MSCGAN Framework: De ontwikkeling van een snelle voorspellingsmethode die multiscale graafgeneratie integreert met k-hop lokale graafdiscriminatie. Deze aanpak verbetert de representatie van zowel globale trends als lokale details, waardoor overmatige vereenvoudiging in hoog-gradiënt regio's effectief wordt gemitigeerd.

Resultaten
De voorgestelde MSCGAN werd geëvalueerd tegenover Graph U-Net, Graph U-Net-LSTM, Grid-GAN en conventionele GNN's met behulp van een dataset van 105.600 trainingssamples en 26.400 validatiesamples.

• Voorspellingsnauwkeurigheid: MSCGAN bereikte een Mean Absolute Error (MAE) van 1,28 °C, een Root Mean Square Error (RMSE) van 1,76 °C, een $R^2$ van 0,993 en een Maximale Fout van 3,58 °C. Deze metrieken presteerden beter dan alle vergelijkbare modellen, met name door de maximale fout te reduceren (bijv. Graph U-Net had een maximale fout van 7,22 °C).
• Autoregressieve Stabiliteit: In autoregressieve voorspelling over de volledige cyclus behield het model een Mean Absolute Percentage Error (MAPE) onder de 0,81% gedurende de gehele uithardingscyclus, wat duidt op een effectieve onderdrukking van foutaccumulatie tijdens langdurige rolling inference.
• Computationele Efficiëntie: Het model verminderde de rekentijd met ongeveer 99% vergeleken met traditionele Computational Fluid Dynamics (CFD) simulaties (42 seconden versus 7038 seconden per voorspelling).
• Ablatie-studies: Experimenten bevestigden dat het verwijderen van het adversarial mechanisme, de CLJP-vergrotingmodule of de skip-verbindingen de prestaties significant verslechterde, waarbij het verwijderen van de skip-verbindingen de meest ernstige fouttoename veroorzaakte (MAE steeg naar 2,41 °C).

Betekenis
Het artikel stelt dat deze methode een efficiënt en betrouwbaar surrogaatmodel biedt voor de snelle evaluatie en intelligente controle van uithardingsprocessen in composietmateriaal-autoclaven. Door de specifieke uitdagingen van ongestructureerde meshes en lokale gradiëntbehoud aan te pakken, overbrugt het MSCGAN-framework de kloof tussen hoogwaardige fysische modellering en de snelheidseisen van industriële procesoptimalisatie. De studie demonstreert dat het integreren van fysische getrouwheid in datageneratie met multiscale graafleren en lokale adversarial restricties een levensvatbaar pad is naar accurate, real-time temperatuurveldvoorspelling voor complexe composietcomponenten.