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

Resumo Técnico: StampFormer

Declaração do Problema
O projeto tradicional de conformação de chapas metálicas depende da Análise de Elementos Finitos (FEA) para validação. Embora a FEA forneça previsões de alta fidelidade de campos físicos (por exemplo, afinamento, deformação, deslocamento), ela é computacionalmente cara, frequentemente exigindo horas a dias por simulação. Essa latência cria um gargalo no ciclo de projeto, impedindo iteração rápida e avaliação de fabricabilidade em tempo real. Modelos substitutos baseados em IA existentes tentam acelerar esse processo, mas sofrem de limitações significativas: modelos baseados em escalares falham em capturar informações abrangentes de campos espaciais, enquanto modelos baseados em imagens atuais tipicamente focam exclusivamente na geometria da peça, negligenciando a influência crítica das propriedades do material (respostas tensão-deformação) nos resultados da conformação.

Metodologia
Para abordar essas lacunas, os autores propõem o StampFormer, um framework de aprendizado profundo multimodal guiado pela física e acoplado material-geometria. O modelo é projetado para aceitar duas modalidades de entrada distintas:

1. Dados Geométricos: Uma imagem de mapa de altura 2D (608 × 768 pixels) derivada de geometrias CAD 3D via projeção no plano Z.
2. Dados de Material: Um vetor 1D representando a curva tensão-deformação (amostrada em 100 pontos).

A arquitetura consiste em três componentes principais:

• Rede Geométrica Aumentada por Material (MAGN): Este módulo realiza a fusão inicial das modalidades. Processa a curva tensão-deformação 1D através de um Codificador Transformer para gerar um embedding global de material. Este embedding é então mapeado para o domínio espacial via uma Rede Neural Perceptron Multicamada (MLP) e adicionado ao mapa de características geométricas (Modulação de Características Consciente de Material). A geometria bruta é concatenada com este mapa de características fundido para preservar informações de fronteira antes de ser passada para a rede principal.
• Unidade de Injeção de Embedding de Material Hierárquico (HMEIU): Para garantir que as propriedades do material influenciem a rede em todas as escalas, esta unidade opera em paralelo com o codificador. Refina os embeddings de material em múltiplos níveis hierárquicos e os injeta no fluxo principal de dados após cada estágio de subamostragem (Patch Merging). Isso permite que o modelo aprenda como as características globais do material afetam tanto as características geométricas de grão fino quanto as abstratas.
• Swin-UNet Guiado pela Física (PGSU): A rede principal é um Swin-UNet adaptado, utilizando Atenção Múltipla-Cabeça Baseada em Janela (W-MSA) dentro de uma estrutura simétrica codificador-decodificador. Processa as características aumentadas por material para prever os campos físicos finais.

Geração de Dados
O estudo utilizou dois conjuntos de dados: um para aço e outro para alumínio.

• Dados de Material: Conjuntos de dados de materiais virtuais foram gerados para garantir diversidade. O conjunto de dados de aço foi expandido de 101 curvas reais para 600 curvas aumentadas em cinco clusters. O conjunto de dados de alumínio foi expandido de 11 curvas reais para 110 curvas aumentadas.
• Dados Geométricos: 600 geometrias CAD 3D únicas foram geradas usando Amostragem Hipercúbica Latina (LHS) em parâmetros-chave (raios, ângulos de inclinação, dimensões de nervuras).
• Simulação: Um total de 6.000 simulações FEA (3.000 por material) foram executadas usando PAM-STAMP. Cada simulação emparelhou uma geometria única com um material de um cluster específico. Os resultados FEA 3D foram mapeados de volta para o blank 2D inicial para criar imagens-alvo para afinamento, deformação principal, deformação secundária, deformação plástica e deslocamento 3D.

Principais Contribuições

1. Integração Multimodal: O StampFormer é apresentado como um dos primeiros substitutos baseados em imagens para conformação de chapas a combinar explicitamente a geometria da peça 2D com as respostas tensão-deformação de material 1D, abordando a limitação dos modelos baseados apenas em geometria.
2. Estratégia de Fusão em Duas Etapas: A introdução da MAGN e da HMEIU permite uma fusão cruzada de modalidades eficaz, garantindo que as propriedades do material sejam integradas tanto no nível de entrada inicial quanto ao longo do processo de extração de características hierárquicas.
3. Previsão Abrangente de Campos: Diferentemente de substitutos baseados em escalares, o modelo prevê resultados de campo completo para cinco saídas físicas críticas (afinamento, deformação principal/secundária/plástica e deslocamento) em vez de métricas escalares únicas.

Resultados
O modelo foi avaliado em um conjunto de teste composto por 300 amostras para cada material (aço e alumínio).

• Precisão: O modelo alcançou um erro relativo médio inferior a 8,5% para os quatro campos físicos 2D (afinamento, deformações). Para o campo de deslocamento 3D, o Erro Quadrático Médio (MSE) foi inferior a 1,2 mm².
• Desempenho Específico:
  • Aço: Erros relativos médios variaram de 4,5% a 7,2% em todos os campos 2D.
  • Alumínio: Erros relativos médios variaram de 3,5% a 8,2%. Os autores notam caudas de erro ligeiramente maiores para o alumínio, atribuindo isso à sua menor ductilidade e gradientes de deformação mais acentuados.
• Acordo Visual: Análise qualitativa de Diagramas de Limite de Conformação (FLDs), mapas de afinamento e superfícies 3D reconstruídas mostrou forte concordância com os resultados FEA de verdade, particularmente na identificação de regiões críticas de afinamento e formas de peças.
• Velocidade: Enquanto as simulações FEA exigiam várias horas, o StampFormer forneceu previsões em menos de um segundo em uma única GPU, representando uma aceleração de mais de três ordens de grandeza.

Significado
Os autores afirmam que o StampFormer oferece um framework prático e eficiente para avaliação de fabricabilidade em tempo real no início do ciclo de projeto. Ao integrar propriedades do material com a geometria, o modelo permite que os designers realizem verificações rápidas de viabilidade que eram anteriormente impossíveis devido à latência da FEA. O framework apoia uma transição de fluxos de trabalho tradicionais de projeto-validação lineares para um processo interativo habilitado por IA. O estudo enfatiza que a capacidade do modelo de generalizar em uma ampla gama de propriedades de materiais e variações geométricas o torna adequado para triagem industrial, embora os autores observem que a transferibilidade para famílias de peças inteiramente novas permaneça uma direção para trabalhos futuros.