Bu tədqiqat, otomotivde ince cidarlı ptəkər parçaların sonlu elementlər analizine hazırlanmasında en zaman alıcı əməliyyatlarden biri olan orta-səth (mid-surface) şəbəkə istehsalıni otomatikleştirmek üçün dərin öyrənmə, 3B nöqtə buludu qeydiyyatı və həndəsi rekonstruksiyanı tek bir proses zəncirinde birleştirmektedir. Tədqiqatçılar 10 nəqliyyat vasitəsi modelinden 132.000 örnek içeren özel bir nöqtə buludu məlumat dəsti oluşturmuş, PointNet++ ilə klips və arxa plaka bölgələrini semantik olaraq ayırmış, 1132 klips şablonundan oluşan bir xüsusiyyət kitabxanası ilə FPFH–ICP kaydı realleştirmiş və geometrik benzerliğe görə standart mesh dəyişdirmə ya da seqmentasiya-peykrma yollarından birini otomatik kimi seçmiştir. İki temsilî vakada toplulaştırılan nəticələrda nitelikli klips ağı nisbəti %52,27'den təxminən %90,9'a yükselirken, daha geniş 10 nəqliyyat vasitəsilık müqayisəda orta modelləşdirmə süresi 4,01 saatten 1,25 saate düşmüş və orta mesh keyfiyyəti uygunluk nisbəti %59,32'den %91,67'ye çıkmıştır. Bununla birlikdə doğrulama CAD'den türetilmiş temiz nöqtə bulutlarında yapılmıştır; xam skan məlumatındeki səs-küy, deformasiya və oluşturulan ağların nihai FEA nəticələrina etkisi henüz doğrulanmamışdır.

Yöntemin əsas fikri bütün ptəkər geometrileri eyni algoritmayla zorla əməliyyatemektir. Sistem əvvəl bir klipsin daha əvvəl bilinen standart bir geometriyle ne kadar iyi eşleştiğini belirler. Eşleşme nisbəti %95 və ya üzərindəyse kütüphanedeki yüksek kaliteli standart orta-səth ağı birbaşa yeni geometrinin konumuna dönüştürülerek kullanılır. Eşleşme %75 ilə %95 arasındaysa geometri yeterince benzer olmadığı üçün yeni orta səth; düzlem və silindr peykrma, sərhəd belirleme, topoloji bağlantı və nizamlı nöqtə üretimi üzərindən yeniden oluşturulur. Eşleşme %75'in altındaysa özellik bağımsız klips əməliyyatinden çıkarılıp arxa plaka rekonstrüksiyonuna dahil edilir.

Derin öğrenme bölümü yalnız bir sinifləndirici kimi kullanılmamaktadır. PointNet++ her nöqtəyə klips və ya arxa plaka anlamı atayarak geometrinin sonrakı mühəndislik əməliyyatlarinde hangi bölümlere ayrılacağını belirler. Optimize edilmiş model test məlumatsinde 0,8461 mIoU elde etmiş; klips sınıfı üçün precision 0,82, recall 0,79 və F1 skoru 0,80 kimi raporlanmıştır. CAE proqram təminatıı üçündeki mühendis görsel doğrulamasında pratik klips tanıma nisbəti %80,17'dir.

İki yeni və təlimde hiç görülməmiş nəqliyyat vasitəsi platformaunda da üsul böyük ölçüde performansını qorumuşdur. Yeni Araç A'da mIoU 0,833 və mesh keyfiyyət uyğunluğu %89,2; Yeni Araç B'də mIoU 0,828 və mesh keyfiyyət uyğunluğu %91,5 kimi bildirilmişdir. İşlem süreleri sırasıyla təxminən 1,3 və 1,2 saattir. Bu çapraz-platforma nəticələri üsulun yalnız təlimde istifadə edilən 10 nəqliyyat vasitəsi geometrisini ezberlemediğine işaret etse də daha geniş üretici, malzeme, parça ailesi və real tarama şərtlərində ümumiləşdirmə həmçinin doğrulanmalıdır.

Türkiyə baxımından: Tədqiqat Türkiyə'də realleştirilmemiş və Türkiyə'deki bir otomotiv üreticisinin real CAE üretim zinciri üzərində doğrulanmamışdır. Bununla birlikdə ptəkər iç/dış trim parçaları, birləşdirmə klipsləri və ince cidarlı yapılarla çalışan Türkiyə'deki otomotiv ana və yan sanayi CAE süreçleri baxımından metodoloji kimi uyarlanabilir bir yanaşma sunmaktadır. Böyle bir tətbiqda yerli firmaların kendi CAD standartları, klips aileleri, istifadə edilən CAE proqram təminatıı, mesh keyfiyyəti kriterleri, FEA modelləşdirmə prosedürleri və real tarama məlumatlariyle yeniden doğrulama gerekir. Kaynaktaki %67 civarındaki süre azalmasının və ya %90'ın üzərindəki mesh uygunluk nisbətlarının başqa bir kuruluşun iş axınına birbaşa taşınacağı sonucuna varılamaz.

Otomotiv ptəkər parçalarında “orta-səth mesh” neden mühümdür?

Otomotiv iç və dış ptəkər parçaları çoğunlukla kalınlıkları diğer boyutlarına görə kiçik olan ince cidarlı yapılardır. Bu tür parçaların sonlu element analizinde bütün katı hacmi üç boyutlu elemanlarla ayrıntılı kimi bölmek yerine, çoğu durumda parçanın iki səthi arasındaki ideal neytral qatyı temsil eden orta səth çıkarılır və bu səth qabıq elementlərla ayrıklaştırılır.

Dolayısıyla problem yalnız “bir səth oluşturmak” değildir. Elde edilen orta səthin real parçanın geometrik xüsusilərini koruması, birləşmə bölgələrinde kopmaması, klips, rib, delik və silindrik yapıların topolojisini doğru thəddən artıq yüksəlməası və daha sonra sonlu elementlar çözümünde kullanılabilecek kaliteli elemanlara bölünebilmesi gerekir.

Ptəkər parçalardaki klipslər, çok kademeli snap-fit yapıları, montaj boss'ları, takviye ribleri, kiçik radyüsler və birbirini kesen səthler geleneksel otomatik orta-səth çıkarma algoritmaları üçün xüsusilə zordur. Tədqiqatçılar bu nedenle problemi tek bir geometrik algoritmayla çözmek yerine tanıma → eşleştirme → karar → yeniden oluşturma zincirine ayırmıştır.

Önerilen arxitekturanin üç ana modulü

Tədqiqatın Şekil 1'inde bütün üsul üç ana mühəndislik modulü halinde gösterilmektedir:

1. AI tabanlı akıllı özellik tanıma: Klips və backing-plate bölgələrinin PointNet++ ilə ayrılması.
2. Nokta bulutu qeydiyyat və şablon eşleştirme: Tanınan klipslərin tipik xüsusiyyət kitabxanasındeki standart geometrilerle FPFH və ICP istifadə edilərək eşleştirilmesi.
3. Segmentasyon-peykrma orta-səth üretimi: Standart şablonla yeterince eşleşmeyen klipslərde düzlem/silindr peykrma, sərhəd çıkarma, topoloji oluşturma, nöqtə düzenleme və triangulyasiyala yeni mesh üretilmesi.

132.000 örneklik özel məlumat dəsti nasıl oluşturuldu?

Bu alanda birbaşa kullanılabilecek etiketli bir otomotiv ptəkər parça klips məlumat dəsti bulunmadığı üçün tədqiqatçılar kendi məlumat setlerini yaratmışdır. Kaynak geometri 10 əsas nəqliyyat vasitəsi modelinden gelmektedir. Her nöqtəyə üç boyutlu koordinat, normal vektor və semantik sinif bilgisi atanmıştır.

Klipsler qaynaqta etiket 50, backing-plate bölgələri ise etiket 51 kimi kodlanmıştır. Büyük parçaların üçündeki kiçik klips ayrıntılarının məlumat dəstinde kaybolmaması üçün bütün nəqliyyat vasitəsi geometrileri daha kiçik bloklara bölünmüştür.

Otomatik məlumat hazırlama zinciri şu adımları içermektedir:

• CAD/geometrik dosyaların otomatik taranması,
• mesh üretimi və kalite kontrolü,
• mesh elemanlarından mərkəz koordinatı, normal vektor və səth kimliklerinin çıkarılması,
• klips və backing-plate semantik etiketlerinin atanması,
• uygun projeksiyon yönünün seçilmesi və bölgələre ayırma,
• standartlaştırılmış nöqtə buludu dosyasının oluşturulması.

Tədqiqat sonunda oluşturulan tam məlumat havuzu 132.000 örnek içermektedir. Ancaq nihai PointNet++ modeli bu 132.000 örneğin tamamıyla eğitilmemiştir. On altı fərqli məlumat dəsti/model sürümü karşılaştırıldıktan sonra, en az bir eksiksiz klips içeren 31.000 örneklik alt çoxluq nihai təlim tabanı kimi seçilmiştir.

Bu 31.000 örnek rastgele:

• %80 təlim,
• %10 doğrulama,
• %10 test

kimi ayrılmıştır.

Neden 132.000 örneğin tamamı kullanılmadı?

Tədqiqatın Tablo 1'i 16 fərqli məlumat hazırlama və təlim stratejisini müqayisəktadır. Tədqiqatçılar xüsusilə yalnız backing-plate içeren və ya ciddi şəkildə eksik klipsləre sahip örneklerin model öğrenmesini bozabildiğini gözlemlemiştir.

İlk əsas sürümün pratik tanıma nisbəti %32,53 iken nihai Version 16'da, 10 nəqliyyat vasitəsitan gelen və en az bir tam klips içeren 31.000 örnek kullanıldığında tanıma nisbəti %80,17'ye ulaşmıştır.

Nihai sürümün mIoU dəyəri 0,8461'dir.

Veri artırma nasıl yapıldı?

Gerçek tətbiqda parçaların skaner və ya geometrik uzay üçünde fərqli yönelimlerde bulunabileceği düşünülerek x, y və z oxları ətrafında rastgele 3B döndürme tətbiq edilmişdir. Döndürme yalnız nöqtə koordinatlarına değil, nöqtələra ait normal vektorlare də eyni çevrilmə matrisiyle tətbiq edilmişdir.

Amaç modelin müəyyən bir parça yerleşim açısını ezberlemesi yerine geometrik şeklin kendisini öğrenmesini sağlamaktır.

PointNet++ giriş məlumatsi nasıl hazırlanıyor?

Nokta bulutları əvvəl konumsal və boyutsal fərqlilıkları azaltmak amacıyla mərkəzlenip normallaşdırılmıştir. Noktaların orta koordinatı hesaplanarak geometrik mərkəz orijine taşınmış, ardından en uzak nöqtənın mesafesi istifadə edilərək məlumat vahid kürə üçüne miqyaslenmiştir.

Kaynak, klips uzunluklarının təxminən 5–15 mm arasında değişebildiğini belirtmektedir. Normalizasyonun amacı PointNet++'ın mutlak parça boyutundan çok geometrik morfologiyaye odaklanmasıdır.

Her nöqtə buludu çerçevesi Farthest Point Sampling ilə 8192 nöqtəyə örneklenmiştir. Tədqiqatçılar 1024 nöqtənın kiçik klips ayrıntılarını yeterince temsil etmediğini belirtmektedir.

Her örneğin girdisi:

8192 × 8

boyutlu bir matristir və nöqtə koordinatları, normal vektor, səth/sınıf bilgisi gibi xüsusiləri thəddən artıq yüksəlməaktadır.

PointNet++ hangi geometrik seviyeleri öğreniyor?

Model üç Set Abstraction katmanıyla yerli geometriden daha küresel anlama doğru ilerlemektedir.

Feature Propagation katmanları daha sonra bu yüksek seviyeli bilgiyi tekrar özgün nöqtə çözünürlüğüne thəddən artıq yüksəlməaktadır. Skip connection mekanizması istifadə edilərək yüksek seviyeli semantik bilgi, düşük seviyedeki geometrik ayrıntılarla birleştirilmiştir.

PointNet++ test performansı

CAE proqram təminatıı üçündeki həmçinin yapılan görsel/mühəndislik doğrulamasında klips tanıma dəqiqliyi %80,17 kimi hesablanmışdır. Dolayısıyla mIoU ilə %80,17 eyni metriği ifade etmemektedir: mIoU nöqtəsal semantik bölgə örtüşmesini, %80,17 ise mühendislerin CAE interfeysünde yaptığı pratik tanıma dəyərlendirmesini temsil etmektedir.

Eğitim nasıl optimize edildi?

Optimizasyonda Adam kullanılmış və qaynaqta:

\[ \beta_1=0.9,\qquad \beta_2=0.999 \]

dəyərləri məlumatlmiştir. Başlangıç öyrənmə dərəcəsi:

\[ 1\times10^{-3} \]

iken 100. epoch'ta:

\[ 1\times10^{-4} \]

və 130. epoch'ta:

\[ 1\times10^{-5} \]

dəyərine düşürülmüştür.

Şekil 7'də təlim və doğrulama kayıplarının genel kimi birlikdə azaldığı; iki öyrənmə dərəcəsi düşüşü sonrasında kayıp eğrilerinin daha düşük seviyelere indiği gösterilmektedir. Tədqiqatçılar ilk 50 epoch üçünde kaybın %60'tan fazla azaldığını bildirmektedir.

1132 klipsten oluşan xüsusiyyət kitabxanası

PointNet++ tarafından klips kimi tanınan bölgə üçün bir sonrakı sual şudur: Bu klips daha əvvəl bilinen standart bir klipsle yeterince benzer mi?

Tədqiqatçılar 10 əsas nəqliyyat vasitəsi modelinden 102 kategori və toplam 1132 ayrı klips şablonu içeren bir tipik xüsusiyyət kitabxanası yaratmışdır. Her qeydiyyat iki eşleşmiş parçadan oluşmaktadır:

• standart klipsin nöqtə buludu,
• eyni klips üçün daha əvvəl hazırlanmış kaliteli orta-səth mesh.

Bir hedef klips bütün kütüphanede aranmakta və ən yüksək benzerliğe sahip qaynaq geometri seçilmektedir.

FPFH və ICP neden birlikdə kullanılıyor?

İlk aşamada Fast Point Feature Histogram (FPFH) tanımlayıcıları istifadə edilərək qaynaq və hedef klips kaba şəkildə hizalanmaktadır. Kaynakta bu əməliyyat əvvəlsinde 1,0 voxel boyutuyla downsampling uygulandığı belirtilmektedir.

Kaba hizalamanın çevrilmə matrisi:

\[ T_{coarse} \]

kimi müəyyən edilmişdir.

İkinci aşamada Iterative Closest Point (ICP), point-to-plane artıklarını küçülterek daha hassas qeydiyyat realleştirir və:

\[ T_{icp} \]

çevrilməünü yaradır.

Son toplam çevrilmə:

\[ T_{final}=T_{icp}T_{coarse} \]

şeklindedir.

3B IoU benzerliği nasıl hesaplanıyor?

Kayıt sonrasında iki nöqtə buludunun uzamsal örtüşmesini dəyərlendirmek üçün voxel tabanlı 3B Intersection over Union istifadə edilmişdir:

\[ 3D\ IoU= \frac{|V_{tar}\cap V_{src}|} {|V_{tar}\cup V_{src}|} \]

Burada \(V_{tar}\) hedef, \(V_{src}\) qaynaq nöqtə buludunun dolu voxel kümeleridir. Değer 1'e yaklaştıkça uzamsal örtüşme artır.

Voxel boyutunun etkisi həmçinin test edilmiştir:

Tədqiqatçılar dəqiqlik və hesap süresi arasındaki denge nedeniyle voxel boyutu kimi 2 dəyərini seçmiştir.

%95 və %75 hədləri ne anlama geliyor?

Kayıt sistemi yalnız “en benzer klipsi” bulmakla kalmaz; benzerliğin standart meshi birbaşa kullanmak üçün yeterli olup olmadığına da karar məlumatr.

Kaynakta %95 eşiğinin təxminən %99,2'yi aşan tanıma dəqiqliyiyla birbaşa mesh değiştirme üçün uygun denge sağladığı belirtilmektedir. %97'nin üzerine çıkılması ise çox sayda yeterince iyi eşleşmenin gereksiz şəkildə daha pahalı seqmentasiya-fitting yoluna gönderilmesine neden olmaktadır.

Terminoloji notu: Kaynakta Şekil 10 “IoU thresholds” başlığı taşırken çevre mətnde karar sərhədləri “matching rate thresholds” kimi açıklanmıştır. Həmçinin 3B IoU və matching rate makalede ayrı metrikler kimi müəyyən edilmişdir. Bu nedenle bu Verianla açıklamasında %95/%75 karar sərhədləri kaynağın ana karar mekanizmasındaki adıyla eşleşme nisbəti kimi aktarılmaktadır.

%75'in altındaki klipsləre ne oluyor?

Bu yol xüsusilə mühümdür. Sistem %75'in altında kalan klipsi yok etmemektedir; nöqtə buludunu klipse özgü mesh değiştirme və ya seqmentasiya-fitting hattına göndermek yerine ana backing-plate nöqtə buluduyla birleştirerek daha böyük səthin bir bölümü kimi yeniden oluşturmaktadır.

Tədqiqatçılar bunun güvenli bir otomasyon fallback'i olduğunu ancaq mekanik açıdan kritik bir klips üçün geometrik sadakati azaltabileceğini açıq şəkildə kabul etmektedir. Bir bağlantı elemanı yük taşıyorsa və ya montaj simulyasiyaunda kritikse, onu backing plate'in sürekli səthinin parçası haline getirmek gerilme paylanmaı və ya montaj davranşüada xəta üretebilir.

Dolayısıyla %75 altı yolu üsulun xüsusilə geliştirilmesi gereken nöqtələrından biridir.

Standart şablon yoksa yeni orta səth nasıl oluşturuluyor?

%75–%95 aralığındaki klipslər üçün geometri sıfırdan yeniden oluşturulur. Süreç şu ana adımlara ayrılmıştır:

1. klipsi geometrik alt bölgələre ayırma,
2. yüksek əyrilikli fillet nöqtələrını ayıklama,
3. müstəvi və silindrik bölgələri tanıma,
4. düzlem və silindr parametrlərini peykrma,
5. iç/dış sərhədləri belirleme,
6. komşu səthler arasında topoloji bağlantı kurma,
7. düzensiz iç nöqtə buludunu yeniden düzenleme,
8. Delaunay triangülasyonu ilə orta-səth ağı üretme.

Eksik silindrler neden özel problem?

Otomotiv klipslərinde silindrik səthler her zaman tam bir silindr biçiminde bulunmaz. Kesikler, bağlantılar və ya geometri kayıpları nedeniyle yalnız bir yay parçası görülebilir. Böyle bir durumda yalnız nöqtələrın geometrik mərkəzini kullanmak real silindr oxuni yanlış konumlandırabilir.

Tədqiqatçılar silindr ox istiqamətinü səth normal vektorlarinden oluşturan:

\[ M=\sum_{i=1}^{N}\vec n_i\vec n_i^T \]

matrisinin özqiymət ayrışmasıyla belirlemektedir.

Silindir səth normalleri oxe dik olduğundan, normal paylanmaının ən aşağı varyansa sahip olduğu yön silindr oxu kimi alınmaktadır. Bu nedenle en kiçik özqiyməte karşılık gelen özvektor ox istiqaməti \(\vec a\) kimi seçilmektedir.

Eksik silindrin həqiqi mərkəzi nasıl düzeltiliyor?

Silindir səth nöqtələrı oxe dik bir düzleme yansıtılır. Tam silindrde bu nöqtələrın centroid'i real daire mərkəzine yakın olurken eksik bir yayda centroid yoğun məlumatnin bulunduğu tarafa kaymaktadır.

Tədqiqatın Ek A.2 bölümünde bu xətayı düzəltmək üçün ən uzun xord + orta perpendikulyar yanaşması inkişaf etdirilmişdir. Projeksiyon düzleminde fərqli doğrultularda kirişler aranmakta, ən uzun xordin orta nöqtəsı və geometrik diklik əlaqəleri istifadə edilərək real daire mərkəzinin konumu yeniden hesaplanmaktadır.

Son kimi bütün silindr səth nöqtələrının hesaplanan oxe uzaklıklarının ortası silindr radiusı \(R\) kimi kullanılmaktadır.

Monte Carlo ilə sərhəd nasıl bulunuyor?

Klips səthlerinde yalnız xarici sərhəd değil, deliklerin meydana getirdiği bir və ya daha fazla daxili sərhəd da bulunabilir. Tədqiqatçılar klasik convex hull və ya Alpha-shape yerine Monte Carlo tabanlı “ters boşluk doldurma” yanaşması təklif edir.

Önce 3B səth peykrulan yerli düzleme yansıtılıp 2B koordinatlara dönüştürülmektedir. Ardından düzlem üzərində çox sayda rastgele nöqtə oluşturulur. Kaynak ekinde örnek kimi təxminən 50.000 rastgele nöqtə belirtilmektedir.

Bir rastgele nöqtənın real səth nöqtələrına en kısa mesafesi belirlenen \(r\) eşiğinden böyükse bu nöqtə “boş alan” kimi sınıflandırılır. Böylece dış ortam və delikler, real geometrinin etrafını saran bir negatif kalıp meydana getirir.

Gerçek nöqtə buludunun bu boş alanla temas esərflen nöqtələrı sərhəd kimi tanımlanmaktadır.

İç sərhəd və xarici sərhəd nasıl ayrılıyor?

Tespit edilen bütün sərhəd nöqtələri tek bir karışık kümedir. Bunları iç delik və dış çevre kimi ayırmak üçün geometrik mərkəzden her sərhəd nöqtəsına doğru virtual şüalar ilerletilmektedir.

Işın iç boşluk “adasıyla” karşılaşıyorsa sərhəd iç kontur, dışarıdaki sərhədsız boşluğa ulaşıyorsa dış kontur kimi sınıflandırılmaktadır.

Şekil 11–13, bu üsulun rastgele boşluk nöqtələrından başlayıp dış və iç konturların ayrılmasına kadar olan süreci görsel kimi göstərir.

Komşu səthler fiziksel kimi temas etmiyorsa ne oluyor?

Tarama, seqmentasiya və ya geometrik ayrıştırma xətaları nedeniyle matematiksel kimi komşu olması gereken iki səth arasında kiçik bir boşluk bulunabilir. Tədqiqatçılar bu nedenle “virtual boundary expansion” kullanmaktadır.

Yüzeylerin sərhədləri müəyyən adımlarla sanal kimi genişletilmekte və genişleyen bölgələrin birbirini kesip kesmediği kontrol edilmektedir. Olası kesişmelerin hızlı ön taraması üçün düzlemlerin yarı-məkan özelliği kullanılmaktadır.

Bir düzlemdeki iki sərhəd nöqtəsı diğer düzlem tənliki üçüne konulduğunda:

\[ f_2(P_i)\cdot f_2(P_j)<0 \]

olması, nöqtələrın ikinci düzlemin fərqli taraflarında bulunduğunu və potansiyel kesişme olduğunu göstərir.

Merge, Cross, T və L bağlantıları

İki düzlem arasındaki normal açısı 10°'den kiçikse səthler ayrı topolojik parçalar kimi tutulmak yerine “merge” sınıfına alınmakta və birlikdə yeniden peykrulmaktadır.

Açı 10°'den böyükse qaynaq üç əsas bağlantıyı ayırmaktadır:

• Cross connection,
• T-junction,
• L-junction.

Şekil 17 və 18'də bu bağlantıların həndəsi olaraq nasıl tanımlandığı və teorik kesişim çizgisinin hangi bölümünün real bağlantıya karşılık geldiğinin nasıl seçildiği gösterilmektedir.

Düzlem-silindr birleşimlerinde ise kesişim çoğu durumda eliptik yay biçimindedir. Kaynak, düzlem tənliki və silindr oxu/radiusından bu eğrinin analitik kimi hesaplanmasını açıklamaktadır.

Neden birbaşa triangulyasiya yapılmıyor?

Segmentasyon və projeksiyon sonrasında iç nöqtələr düzensiz dağıldığı üçün birbaşa triangulyasiya uzun, dar, aşırı açılı və ya boşluklu elemanlar yarada bilər.

Bu nedenle tədqiqatçılar boundary-constrained dynamic circle envelope yanaşmasıyla iç nöqtələrı yeniden düzenlemektedir.

Yerel 2B koordinat sisteminde sərhədi kapsayan kutu:

\[ \Omega=[u_{min},u_{max}]\times[v_{min},v_{max}] \]

kimi tanımlanır.

Bu alan üçüne düzenli namizəd nöqtələr:

\[ g_{ij}=(u_{min}+i\delta,\;v_{min}+j\delta) \]

şeklinde üretilmektedir. Kaynakta \(\delta\) üçün tipik kimi 0,5 mm və ya 1,0 mm dəyərləri belirtilmektedir.

Her özgün iç nöqtə bir geometrik “seed” vəzifəsi görür. Sınıra uzak nöqtələrda daha böyük, sərhəd yakınında daha kiçik aşkarlama daireleri tanımlanarak namizəd nizamlı nöqtəların realten səthin geçerli bölgəsində kalıp kalmadığı belirlenir.

Son aşamada hassas sərhəd nöqtələri ilə seçilen düzenli iç nöqtələr birleştirilmekte və standart Delaunay triangülasyonu uygulanmaktadır.

Mesh kalite kriterleri

Tədqiqat, otomotiv CAE'də istifadə edilən qabıq element kalite kriterlerini dəyərlendirirken şu sərhədləri kullanmıştır:

Bir klipsin mesh'i ancaq gerekli kriterlerin tamamını karşıladığında nitelikli kabul edilmiştir.

Tədqiqatın Yöntemi və Bulguları

Case 1: 14 klipsli parça

İlk doğrulama vakasında toplam 14 klips bulunmaktadır. Nokta bulutu qeydiyyat nəticələrinda:

• 11 klips ≥ %95 eşleşmeyle birbaşa standart mesh dəyişdirmə yoluna,
• 3 klips %75–%95 aralığında seqmentasiya-fitting yoluna

gitmiştir.

Profesyonel CAE proqram təminatııyla hazırlanan iş axınında 14 klipsten 10'u kalite kriterlerini karşılamış və süreç 2 saat sürmüştür. Önerilen üsul 14 klipsin tamamında nitelikli mesh üretmiş və əməliyyat süresi 36 dakika kimi raporlanmıştır.

Case 2: 30 klipsli parça

İkinci doğrulama vakasında 30 klips bulunmaktadır. Bunların:

• 26'sı ≥ %95 eşleşme ilə birbaşa değiştirilmiş,
• 4'ü %75'in altında kalarak backing plate ilə birlikdə əməliyyate hattına gönderilmiş,
• hiçbiri seqmentasiya-fitting aralığına düşmemiştir.

CAE iş axınında 30 klipsten 13'ü nitelikli mesh üretirken, tövsiyəlen üsulde 26 klips kalite şərtlərını sağlamıştır.

%52,27 → %90,9 sonucu nereden geliyor?

Case 1 və Case 2 birlikdə dəyərlendirildiğinde toplam 44 klips bulunmaktadır.

CAE iş axınında nitelikli klips sayısı:

\[ 10+13=23 \]

olduğundan toplulaştırılmış uygunluk nisbəti təxminən:

\[ \frac{23}{44}\times100 \approx 52.27\% \]

olmaktadır.

Önerilen üsulde nitelikli klips sayısı:

\[ 14+26=40 \]

olduğundan:

\[ \frac{40}{44}\times100 \approx 90.9\% \]

sonucu elde edilmektedir.

Dolayısıyla özet və nəticə bölümündeki %52,27 → %90,9 ifadesi bu iki ayrıntılı vakanın klips səviyyəsindeki toplulaştırılmış müqayisəsını temsil etmektedir.

On nəqliyyat vasitəsilık daha geniş istatistiksel müqayisə

Tədqiqatçılar yalnız iki seçilmiş vakayla yetinmeyerek 10 nəqliyyat vasitəsi modelinde manuel ANSA tabanlı süreç ilə tövsiyəlen otomatik üsulu eşleştirilmiş istatistiksel testlerle karşılaştırmıştır.

On nəqliyyat vasitəsilık məlumat dəstinde manuel üsulun orta süresi:

4,01 ± 1,26 saat

tövsiyəlen üsulun orta süresi ise:

1,25 ± 0,38 saat

kimi raporlanmıştır. Bu təxminən %68,8 orta süre azalmasına karşılık gelmektedir.

Mesh kalite uygunluğu manuel üsulde:

%59,32 ± 9,22

iken tövsiyəlen üsulde:

%91,67 ± 4,08

kimi bulunmuştur.

Hem paired t-test həm Wilcoxon signed-rank testi bu fərqlar üçün istatistiksel anlamlılık göstərmişdir. Süre və mesh keyfiyyəti müqayisəlarında paired t-test üçün \(p<0,001\), Wilcoxon üçün \(p=0,002\) bildirilmişdir.

Her mesh metriğinde otomasyon daha mı iyi?

Hayır. Kaynak Tablo 7'də çoğu keyfiyyət metriyinde otomatik üsulun uygun olmayan eleman nisbəti daha düşük olsa da iki metrikte manuel mesh az miktarda daha iyi görünmektedir.

Aspect Ratio və maksimum üçgen açısı üçün tövsiyəlen üsulde uygunsuz eleman nisbəti manuel üsulden biraz yüksektir. Tədqiqatçılar bütün dəyərlərin %5'in çok altında kaldığını və mühəndislik baxımından kabul edilebilir olduğunu belirtmektedir.

Bu ayrıntı mühümdür; tədqiqat otomatik üsulun her tekil mesh keyfiyyət metriyinde manuel mesh'i mutlak şəkildə geçtiğini göstermemektedir. Ana avantaj, genel uygunluk nisbətinı və əməliyyat hızını birlikdə yükseltmesidir.

Yeni və daha əvvəl görülməmiş nəqliyyat vasitəsi platformaalarında ne oldu?

Genelleme dəyərlendirmesinde Vehicle A və Vehicle B kimi adlandırılan iki ek nəqliyyat vasitəsi istifadə edilmişdir. Bu iki aracın platformaaları, klips tasarımları və genel geometrileri təlimde istifadə edilən 10 nəqliyyat vasitəsitan fərqlidır. PointNet++ təlimi və xüsusiyyət kitabxanası oluşturulurken bu nəqliyyat vasitələridan məlumat kullanılmamıştır.

Performans tamamen eyni kalmamış, ancaq düşüş məhdud olmuştur. Tədqiqatçılar bunu üsulun yeni platformaalara ümumiləşdirmə kabiliyetinin göstergesi kimi yorumlamaktadır.

Yeni nəqliyyat vasitələrida kaç klips birbaşa değiştirilebildi?

Yeni platformaalarda birbaşa şablon değiştirme nisbəti bir miktar azalmış və yeniden geometrik peykrma ihtiyacı yüksəlmişdir. Bu davranış, xüsusiyyət kitabxanasınin əhatəının üsulun toplam hesap səmərəlilikliliğinde kritik olduğunu göstərir.

Ticari otomatik orta-səth nəqliyyat vasitələriıyla müqayisə

Tədqiqatçılar ANSA və Altair HyperWorks'ün yerlhədd otomatik orta-səth çıkarma işlevlerini də eyni tür ince ptəkər klipslərde denemiştir. Şekil 24'te ticari nəqliyyat vasitələriın ham otomatik çıktılarında eksik mesh, parçalanma və topolojik xətalar gösterilmektedir.

Kaynak bu ham otomatik çıktıların mesh keyfiyyəti uygunluk nisbətinın çoğu durumda %5'in altında olduğunu və əhatəlı manuel onarım olmadan aşağı axın FEA üçün kullanılamadığını belirtmektedir.

Bu nedenle tədqiqatın ana performans müqayisəsı ticari proqram təminatıın ham otomatik çıktısına karşı değil, profesyonel mühendis tarafından düzeltilmiş manuel/yarı avtomatik ANSA iş axınına karşı yapılmıştır.

Bu üsul mühendisin yerini mi alıyor?

Tədqiqatçılar sistemi otonom mühendis yerine akıllı CAE yardımcısı kimi konumlandırmaktadır. Nihai ağın simulyasiyaa girmeden əvvəl mühendis tarafından incelenmesi və onaylanması öngörülür.

Mühendis:

• otomatik kararı geçersiz kılabilir,
• parametrləri değiştirebilir,
• olağandışı geometride manuel müdahala yapabilir,
• nihai mesh'i kabul və ya reddesərflir.

Dolayısıyla tədqiqatın hedeflediği otomasyon tekrarlı geometrik hazırlama işini azaltmak, mühəndislik kararını ortadan kaldırmak değildir.

Tədqiqatın güclü tərəfləri

• Özel otomotiv ptəkər parça nöqtə buludu məlumat dəstinin oluşturulması.
• Derin öğrenme çıktısının birbaşa bir CAE mesh üretim zincirine bağlanması.
• Standart və standart dışı klipslər üçün tek bir sabit algoritma yerine adaptiv karar kullanılması.
• 1132 klipslik real mühəndislik xüsusiyyət kitabxanası.
• FPFH–ICP ilə kaba və hassas qeydiyyat kombinasyonu.
• %95 və %75 çift həddli otomatik yönlendirme.
• Eksik silindrler üçün özel mərkəz/ox düzəltməsi.
• İç delikler dahil karmaşık sərhədlər üçün Monte Carlo tabanlı üsul.
• T, L, Cross və düzlem-silindr bağlantılarının topolojik kimi ele alınması.
• 10 nəqliyyat vasitəsilık eşleştirilmiş istatistiksel müqayisə.
• Eğitimde görülmeyen iki nəqliyyat vasitəsi platformaunda ek ümumiləşdirmə testi.

Tədqiqatın əsas məhdudiyyətlərı

1. Ham skaner məlumatsi kullanılmamıştır. Doğrulama CAD geometrilerinden türetilmiş, temiz və eksiksiz nöqtə bulutlarıyla gerçəkləşdirilmişdir. Gerçek 3B taramalarda səs-küy, eksik məlumat, warpage və ölçmə xətası üsul performansını değiştirebilir.

2. Özellik kütüphanesine bağımlılık vardır. Tamamen yeni klips geometrileri birbaşa şablon değiştirmeden yararlanamaz və daha pahalı seqmentasiya-fitting yoluna düşer.

3. %75 altı fallback mekanik açıdan riskli ola bilər. Kritik birləşdirmə klipslərinin backing plate ilə birlikdə ele alınması real geometrik və mekanik davranışı yetersiz temsil esərflir.

4. FEA nəticə doğrulaması yapılmamıştır. Mesh geometrisinin kalitesi dəyərlendirilmiştir ancaq eyni parçanın manuel və otomatik mesh ilə realleştirilen nihai gerilme, deformasiya, modal və ya başqa FEA çıktılarının ne kadar örtüştüğü tədqiqatda gösterilmemiştir.

5. Veri seti və kütüphane müəyyən kurumsal nəqliyyat vasitəsi geometrilerine dayanmaktadır. İki görülməmiş platforma olumlu nəticə vermiş olsa da çok daha geniş üretici və parça ailesi üzərində dış doğrulama yapılmamıştır.

Gelecek tədqiqatlar

Tədqiqatçılar dört ana geliştirme yönü belirtmektedir:

• xüsusiyyət kitabxanasıni otomatik büyütmek üçün dərin generativ modellər,
• daha güçlü semantik anlamlandırma üçün Transformer tabanlı ağlar,
• səs-küy və warpage içeren ham 3B tarama məlumatlari üzərində doğrulama,
• üretilen mesh'in real mühəndislik analiz nəticələrina etkisini doğrulamak üçün aşağı axın FEA testləri.

Tədqiqatın desteklediği nəticə

Kaynak tədqiqat, tanımlanan otomotiv ptəkər parça məlumat dəsti və doğrulama şərtlərı altında PointNet++ özellik tanıma, FPFH–ICP qeydiyyat, standart mesh dəyişdirmə və geometrik seqmentasiya-fitting üsullerinin birlikdə kullanılmasının CAE orta-səth mesh hazırlama süresini mühüm ölçüde azaltabildiğini və genel mesh keyfiyyət uyğunluğunu profesyonel manuel iş axınına kıyasla artırabildiğini destoynaqektedir.

Tədqiqatın destoynaqediği nəticə

Tədqiqat, üsulun bütün avtomotiv ptəkər parçalarında xətasız çalışacağını, CAE mühendisini tamamen ortadan kaldırabileceğini, xam skan məlumatınde eyni nəticələri vereceğini və ya oluşturulan mesh'lerin bütün nihai FEA nəticələrinda manuel mesh ilə eyni fiziksel tahmini üreteceğini sübut etmir.

Mənbə və Metod Qeydi

Tam özgün tədqiqat adı: Automated Mid-Surface Mesh Generation Method for Automotive Plastic Parts Based on Deep Learning

Müəlliflər və sıralama: Hongbin Tang; Zehui Huang; Jingchun Wang; Jianjiao Deng; Shibin Wang; Zhiguo Zhang; Zhenjiang Wu.

Eş katkı/bərabər birinci müəllif: Kaynakta eş birinci və ya bərabər töhfə beyanı belirtilmemiştir.

Sorumlu yazar: Zehui Huang.

Kurumlar: National Key Laboratory of Advanced Vehicle Integration and Control, FAW Global R&D Center, Changchun, Çin; CATARC (Tianjin) Automotive Engineering Research Institute Co., Ltd., Tianjin, Çin.

Dergi: Vehicles.

Yayınevi: MDPI, Basel, Switzerland.

Cilt / sayı / makale: Vehicles 2026, Cilt 8, Sayı 5, Makale 96.

DOI: 10.3390/vehicles8050096

Alınma / revizyon / kabul / nəşr: 22 Ocak 2026 / 9 Nisan 2026 / 18 Nisan 2026 / 1 Mayıs 2026.

Kaynak türü və rəylik: Hakemli tədqiqat makalesi; otomotiv CAE ön əməliyyate, 3B nöqtə buludu, dərin öyrənmə və geometrik mesh rekonstrüksiyonunu birleştiren mühəndislik üsul geliştirme və doğrulama tədqiqatsıdır.

Resmî nəşr bağlantısı:MDPI rəsmi makale sayfası

DOI bağlantısı:https://doi.org/10.3390/vehicles8050096

Lisans: Creative Commons Attribution (CC BY).

Finansman: Major Science and Technology Special Project of Jilin Province and Changchun City, grant numarası 20240301010ZD.

Veri erişilebilirliği: Tədqiqat məlumatlarinin gizlilik kısıtlamaları nedeniyle məsul müəllifdan talep üzerine sağlanabileceği qeyd edilmişdir.

Çıkar damşması / kurumsal əlaqə: Hongbin Tang, Zehui Huang, Jingchun Wang, Jianjiao Deng və Shibin Wang'ın FAW Global R&D Center çalışanları; Zhiguo Zhang və Zhenjiang Wu'nun CATARC (Tianjin) Automotive Engineering Research Institute Co., Ltd. çalışanları olduğu açıklanmıştır. Müəlliflər bunun dşüada tədqiqatyı etkileyebilecek başqa ticari və ya maliyyə əlaqə bulunmadığını beyan etmiştir.

Yazar katkıları: Kavramsallaştırma H.T. və Z.H.; üsul H.T.; proqram təminatı H.T. və J.D.; doğrulama J.W., S.W. və Z.Z.; biçimsel analiz H.T., J.W. və Z.Z.; tədqiqat J.W. və S.W.; qaynaqlar Z.H. və Z.W.; məlumat düzenleme H.T. və Z.W.; ilk taslak H.T.; gözden geçirme və düzenleme Z.H. və Z.Z.; görselleştirme J.D. və Z.W.; süpervizyon Z.H.; proje yönetimi və maliyyələşmə edinimi Z.H.

Bilimsel məzmun əhatəı: Bu Verianla açıklamasındaki PointNet++ parametrləri, məlumat dəsti boyutları, nöqtə buludu qeydiyyat üsulu, hədd dəyərləri, həndəsi rekonstruksiya algoritmaları, mesh kriterleri, süreler, kalite nisbətları və istatistiksel tapıntılar incelenen tədqiqatya dayanmaktadır. Dış qaynaq yalnız bibliyoqrafik nəşr kimliğini doğrulamak amacıyla kullanılmış; dış elmi tapıntı eklenmemiştir.

Temel metodoloji sərhəd: Tədqiqatdaki test nöqtə bulutları nominal CAD geometrilerinden türetilmiştir və temiz/eksiksiz məlumat varsayımına dayanmaktadır. Ham 3B skaner məlumatsindeki səs-küy və deformasiya henüz dəyərlendirilmemiştir. Üretilen orta-səth mesh'lerinin sonrakı sonlu element analizlerinde manuel ağlarla eyni fiziksel nəticələri məlumatp vermediğine əlaqən downstream FEA doğrulaması da gələcək tədqiqat kimi bırakılmıştır.

Sayısal əhatə notu: Özet və nəticə bölümündeki təxminən %52,27'den %90,9'a mesh keyfiyyət uyğunluğu artımı Case 1 və Case 2'deki toplam 44 klipsin toplulaştırılmış sonucudur. On nəqliyyat vasitəsilık geniş müqayisəda nəqliyyat vasitəsi başına orta uygunluk nisbətları manuel üsul üçün %59,32, tövsiyəlen üsul üçün %91,67'dir. Ortalama süre eyni 10 nəqliyyat vasitəsi müqayisəsında 4,01 saatten 1,25 saate düşmüştür.

Kaynak içi terminoloji notu: Tədqiqatda 3B IoU benzerliği ilə matching rate ayrı şəkildə tanımlanmasına rağmen Şekil 10 və ətrafındaki hədd tartımmasında “IoU threshold” və “matching-rate threshold” ifadeleri kısmen iç içe kullanılmaktadır. Karar mekanizmasındaki %95 və %75 sərhədləri bu açıklamada qaynaq metnin əməliyyat yönlendirmesinde kullandığı matching rate/eşleşme nisbəti kimi qorunmuşdur.