Bu araştırma, otomotivde ince cidarlı plastik parçaların sonlu elemanlar analizine hazırlanmasında en zaman alıcı işlemlerden biri olan orta-yüzey (mid-surface) ağ üretimini otomatikleştirmek için derin öğrenme, 3B nokta bulutu kaydı ve geometrik rekonstrüksiyonu tek bir işlem zincirinde birleştirmektedir. Araştırmacılar 10 araç modelinden 132.000 örnek içeren özel bir nokta bulutu veri seti oluşturmuş, PointNet++ ile klips ve arka plaka bölgelerini semantik olarak ayırmış, 1132 klips şablonundan oluşan bir özellik kütüphanesi ile FPFH–ICP kaydı gerçekleştirmiş ve geometrik benzerliğe göre standart mesh değiştirme ya da segmentasyon-uydurma yollarından birini otomatik olarak seçmiştir. İki temsilî vakada toplulaştırılan sonuçlarda nitelikli klips ağı oranı %52,27'den yaklaşık %90,9'a yükselirken, daha geniş 10 araçlık karşılaştırmada ortalama modelleme süresi 4,01 saatten 1,25 saate düşmüş ve ortalama mesh kalite uygunluk oranı %59,32'den %91,67'ye çıkmıştır. Bununla birlikte doğrulama CAD'den türetilmiş temiz nokta bulutlarında yapılmıştır; ham tarama verisindeki gürültü, deformasyon ve oluşturulan ağların nihai FEA sonuçlarına etkisi henüz doğrulanmamıştır.

Yöntemin temel fikri bütün plastik geometrileri aynı algoritmayla zorla işlememektir. Sistem önce bir klipsin daha önce bilinen standart bir geometriyle ne kadar iyi eşleştiğini belirler. Eşleşme oranı %95 veya üzerindeyse kütüphanedeki yüksek kaliteli standart orta-yüzey ağı doğrudan yeni geometrinin konumuna dönüştürülerek kullanılır. Eşleşme %75 ile %95 arasındaysa geometri yeterince benzer olmadığı için yeni orta yüzey; düzlem ve silindir uydurma, sınır belirleme, topolojik bağlantı ve düzenli nokta üretimi üzerinden yeniden oluşturulur. Eşleşme %75'in altındaysa özellik bağımsız klips işleminden çıkarılıp arka plaka rekonstrüksiyonuna dahil edilir.

Derin öğrenme bölümü yalnız bir sınıflandırıcı olarak kullanılmamaktadır. PointNet++ her noktaya klips veya arka plaka anlamı atayarak geometrinin sonraki mühendislik işlemlerinde hangi bölümlere ayrılacağını belirler. Optimize edilmiş model test verisinde 0,8461 mIoU elde etmiş; klips sınıfı için precision 0,82, recall 0,79 ve F1 skoru 0,80 olarak raporlanmıştır. CAE yazılımı içindeki mühendis görsel doğrulamasında pratik klips tanıma oranı %80,17'dir.

İki yeni ve eğitimde hiç görülmemiş araç platformunda da yöntem büyük ölçüde performansını korumuştur. Yeni Araç A'da mIoU 0,833 ve mesh kalite uygunluğu %89,2; Yeni Araç B'de mIoU 0,828 ve mesh kalite uygunluğu %91,5 olarak bildirilmiştir. İşlem süreleri sırasıyla yaklaşık 1,3 ve 1,2 saattir. Bu çapraz-platform sonuçları yöntemin yalnız eğitimde kullanılan 10 araç geometrisini ezberlemediğine işaret etse de daha geniş üretici, malzeme, parça ailesi ve gerçek tarama koşullarında genelleme ayrıca doğrulanmalıdır.

Türkiye açısından: Çalışma Türkiye'de gerçekleştirilmemiş ve Türkiye'deki bir otomotiv üreticisinin gerçek CAE üretim zinciri üzerinde doğrulanmamıştır. Bununla birlikte plastik iç/dış trim parçaları, bağlantı klipsleri ve ince cidarlı yapılarla çalışan Türkiye'deki otomotiv ana ve yan sanayi CAE süreçleri açısından yöntemsel olarak uyarlanabilir bir yaklaşım sunmaktadır. Böyle bir uygulamada yerel firmaların kendi CAD standartları, klips aileleri, kullanılan CAE yazılımı, mesh kalite kriterleri, FEA modelleme prosedürleri ve gerçek tarama verileriyle yeniden doğrulama gerekir. Kaynaktaki %67 civarındaki süre azalmasının veya %90'ın üzerindeki mesh uygunluk oranlarının başka bir kuruluşun iş akışına doğrudan taşınacağı sonucuna varılamaz.

Otomotiv plastik parçalarında “orta-yüzey mesh” neden önemlidir?

Otomotiv iç ve dış plastik parçaları çoğunlukla kalınlıkları diğer boyutlarına göre küçük olan ince cidarlı yapılardır. Bu tür parçaların sonlu eleman analizinde bütün katı hacmi üç boyutlu elemanlarla ayrıntılı olarak bölmek yerine, çoğu durumda parçanın iki yüzeyi arasındaki ideal nötr tabakayı temsil eden orta yüzey çıkarılır ve bu yüzey kabuk elemanlarla ayrıklaştırılır.

Dolayısıyla problem yalnız “bir yüzey oluşturmak” değildir. Elde edilen orta yüzeyin gerçek parçanın geometrik özelliklerini koruması, bağlantı bölgelerinde kopmaması, klips, rib, delik ve silindirik yapıların topolojisini doğru taşıması ve daha sonra sonlu elemanlar çözümünde kullanılabilecek kaliteli elemanlara bölünebilmesi gerekir.

Plastik parçalardaki klipsler, çok kademeli snap-fit yapıları, montaj boss'ları, takviye ribleri, küçük radyüsler ve birbirini kesen yüzeyler geleneksel otomatik orta-yüzey çıkarma algoritmaları için özellikle zordur. Araştırmacılar bu nedenle problemi tek bir geometrik algoritmayla çözmek yerine tanıma → eşleştirme → karar → yeniden oluşturma zincirine ayırmıştır.

Önerilen mimarinin üç ana modülü

Çalışmanın Şekil 1'inde bütün yöntem üç ana mühendislik modülü halinde gösterilmektedir:

1. AI tabanlı akıllı özellik tanıma: Klips ve backing-plate bölgelerinin PointNet++ ile ayrılması.
2. Nokta bulutu kayıt ve şablon eşleştirme: Tanınan klipslerin tipik özellik kütüphanesindeki standart geometrilerle FPFH ve ICP kullanılarak eşleştirilmesi.
3. Segmentasyon-uydurma orta-yüzey üretimi: Standart şablonla yeterince eşleşmeyen klipslerde düzlem/silindir uydurma, sınır çıkarma, topoloji oluşturma, nokta düzenleme ve triangülasyonla yeni mesh üretilmesi.

132.000 örneklik özel veri seti nasıl oluşturuldu?

Bu alanda doğrudan kullanılabilecek etiketli bir otomotiv plastik parça klips veri seti bulunmadığı için araştırmacılar kendi veri setlerini oluşturmuştur. Kaynak geometri 10 temel araç modelinden gelmektedir. Her noktaya üç boyutlu koordinat, normal vektör ve semantik sınıf bilgisi atanmıştır.

Klipsler kaynakta etiket 50, backing-plate bölgeleri ise etiket 51 olarak kodlanmıştır. Büyük parçaların içindeki küçük klips ayrıntılarının veri setinde kaybolmaması için bütün araç geometrileri daha küçük bloklara bölünmüştür.

Otomatik veri hazırlama zinciri şu adımları içermektedir:

• CAD/geometrik dosyaların otomatik taranması,
• mesh üretimi ve kalite kontrolü,
• mesh elemanlarından merkez koordinatı, normal vektör ve yüzey kimliklerinin çıkarılması,
• klips ve backing-plate semantik etiketlerinin atanması,
• uygun projeksiyon yönünün seçilmesi ve bölgelere ayırma,
• standartlaştırılmış nokta bulutu dosyasının oluşturulması.

Çalışma sonunda oluşturulan tam veri havuzu 132.000 örnek içermektedir. Ancak nihai PointNet++ modeli bu 132.000 örneğin tamamıyla eğitilmemiştir. On altı farklı veri seti/model sürümü karşılaştırıldıktan sonra, en az bir eksiksiz klips içeren 31.000 örneklik alt küme nihai eğitim tabanı olarak seçilmiştir.

Bu 31.000 örnek rastgele:

• %80 eğitim,
• %10 doğrulama,
• %10 test

olarak ayrılmıştır.

Neden 132.000 örneğin tamamı kullanılmadı?

Çalışmanın Tablo 1'i 16 farklı veri hazırlama ve eğitim stratejisini karşılaştırmaktadır. Araştırmacılar özellikle yalnız backing-plate içeren veya ciddi biçimde eksik klipslere sahip örneklerin model öğrenmesini bozabildiğini gözlemlemiştir.

İlk temel sürümün pratik tanıma oranı %32,53 iken nihai Version 16'da, 10 araçtan gelen ve en az bir tam klips içeren 31.000 örnek kullanıldığında tanıma oranı %80,17'ye ulaşmıştır.

Nihai sürümün mIoU değeri 0,8461'dir.

Veri artırma nasıl yapıldı?

Gerçek uygulamada parçaların tarayıcı veya geometrik uzay içinde farklı yönelimlerde bulunabileceği düşünülerek x, y ve z eksenleri çevresinde rastgele 3B döndürme uygulanmıştır. Döndürme yalnız nokta koordinatlarına değil, noktalara ait normal vektörlere de aynı dönüşüm matrisiyle uygulanmıştır.

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

PointNet++ giriş verisi nasıl hazırlanıyor?

Nokta bulutları önce konumsal ve boyutsal farklılıkları azaltmak amacıyla merkezlenip normalize edilmiştir. Noktaların ortalama koordinatı hesaplanarak geometrik merkez orijine taşınmış, ardından en uzak noktanın mesafesi kullanılarak veri birim küre içine ölçeklenmiştir.

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

Her nokta bulutu çerçevesi Farthest Point Sampling ile 8192 noktaya örneklenmiştir. Araştırmacılar 1024 noktanın küçük klips ayrıntılarını yeterince temsil etmediğini belirtmektedir.

Her örneğin girdisi:

8192 × 8

boyutlu bir matristir ve nokta koordinatları, normal vektör, yüzey/sınıf bilgisi gibi özellikleri taşımaktadır.

PointNet++ hangi geometrik seviyeleri öğreniyor?

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

Feature Propagation katmanları daha sonra bu yüksek seviyeli bilgiyi tekrar özgün nokta çözünürlüğüne taşımaktadır. Skip connection mekanizması kullanılarak yüksek seviyeli semantik bilgi, düşük seviyedeki geometrik ayrıntılarla birleştirilmiştir.

PointNet++ test performansı

CAE yazılımı içindeki ayrıca yapılan görsel/mühendislik doğrulamasında klips tanıma doğruluğu %80,17 olarak hesaplanmıştır. Dolayısıyla mIoU ile %80,17 aynı metriği ifade etmemektedir: mIoU noktasal semantik bölge örtüşmesini, %80,17 ise mühendislerin CAE arayüzünde yaptığı pratik tanıma değerlendirmesini temsil etmektedir.

Eğitim nasıl optimize edildi?

Optimizasyonda Adam kullanılmış ve kaynakta:

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

değerleri verilmiştir. Başlangıç öğrenme oranı:

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

iken 100. epoch'ta:

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

ve 130. epoch'ta:

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

değerine düşürülmüştür.

Şekil 7'de eğitim ve doğrulama kayıplarının genel olarak birlikte azaldığı; iki öğrenme oranı düşüşü sonrasında kayıp eğrilerinin daha düşük seviyelere indiği gösterilmektedir. Araştırmacılar ilk 50 epoch içinde kaybın %60'tan fazla azaldığını bildirmektedir.

1132 klipsten oluşan özellik kütüphanesi

PointNet++ tarafından klips olarak tanınan bölge için bir sonraki soru şudur: Bu klips daha önce bilinen standart bir klipsle yeterince benzer mi?

Araştırmacılar 10 temel araç modelinden 102 kategori ve toplam 1132 ayrı klips şablonu içeren bir tipik özellik kütüphanesi oluşturmuştur. Her kayıt iki eşleşmiş parçadan oluşmaktadır:

• standart klipsin nokta bulutu,
• aynı klips için daha önce hazırlanmış kaliteli orta-yüzey mesh.

Bir hedef klips bütün kütüphanede aranmakta ve en yüksek benzerliğe sahip kaynak geometri seçilmektedir.

FPFH ve ICP neden birlikte kullanılıyor?

İlk aşamada Fast Point Feature Histogram (FPFH) tanımlayıcıları kullanılarak kaynak ve hedef klips kaba biçimde hizalanmaktadır. Kaynakta bu işlem öncesinde 1,0 voxel boyutuyla downsampling uygulandığı belirtilmektedir.

Kaba hizalamanın dönüşüm matrisi:

\[ T_{coarse} \]

olarak tanımlanmıştır.

İkinci aşamada Iterative Closest Point (ICP), point-to-plane artıklarını küçülterek daha hassas kayıt gerçekleştirir ve:

\[ T_{icp} \]

dönüşümünü oluşturur.

Son toplam dönüşüm:

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

şeklindedir.

3B IoU benzerliği nasıl hesaplanıyor?

Kayıt sonrasında iki nokta bulutunun uzamsal örtüşmesini değerlendirmek için voxel tabanlı 3B Intersection over Union kullanılmıştır:

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

Burada \(V_{tar}\) hedef, \(V_{src}\) kaynak nokta bulutunun dolu voxel kümeleridir. Değer 1'e yaklaştıkça uzamsal örtüşme artmaktadır.

Voxel boyutunun etkisi ayrıca test edilmiştir:

Araştırmacılar doğruluk ve hesap süresi arasındaki denge nedeniyle voxel boyutu olarak 2 değerini seçmiştir.

%95 ve %75 eşikleri ne anlama geliyor?

Kayıt sistemi yalnız “en benzer klipsi” bulmakla kalmaz; benzerliğin standart meshi doğrudan kullanmak için yeterli olup olmadığına da karar verir.

Kaynakta %95 eşiğinin yaklaşık %99,2'yi aşan tanıma doğruluğuyla doğrudan mesh değiştirme için uygun denge sağladığı belirtilmektedir. %97'nin üzerine çıkılması ise çok sayıda yeterince iyi eşleşmenin gereksiz biçimde daha pahalı segmentasyon-fitting yoluna gönderilmesine neden olmaktadır.

Terminoloji notu: Kaynakta Şekil 10 “IoU thresholds” başlığı taşırken çevre metinde karar sınırları “matching rate thresholds” olarak açıklanmıştır. Ayrıca 3B IoU ve matching rate makalede ayrı metrikler olarak tanımlanmıştır. Bu nedenle bu Verianla açıklamasında %95/%75 karar sınırları kaynağın ana karar mekanizmasındaki adıyla eşleşme oranı olarak aktarılmaktadır.

%75'in altındaki klipslere ne oluyor?

Bu yol özellikle önemlidir. Sistem %75'in altında kalan klipsi yok etmemektedir; nokta bulutunu klipse özgü mesh değiştirme veya segmentasyon-fitting hattına göndermek yerine ana backing-plate nokta bulutuyla birleştirerek daha büyük yüzeyin bir bölümü olarak yeniden oluşturmaktadır.

Araştırmacılar bunun güvenli bir otomasyon fallback'i olduğunu ancak mekanik açıdan kritik bir klips için geometrik sadakati azaltabileceğini açıkça kabul etmektedir. Bir bağlantı elemanı yük taşıyorsa veya montaj simülasyonunda kritikse, onu backing plate'in sürekli yüzeyinin parçası haline getirmek gerilme dağılımı veya montaj davranışında hata üretebilir.

Dolayısıyla %75 altı yolu yöntemin özellikle geliştirilmesi gereken noktalarından biridir.

Standart şablon yoksa yeni orta yüzey nasıl oluşturuluyor?

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

1. klipsi geometrik alt bölgelere ayırma,
2. yüksek eğrilikli fillet noktalarını ayıklama,
3. düzlemsel ve silindirik bölgeleri tanıma,
4. düzlem ve silindir parametrelerini uydurma,
5. iç/dış sınırları belirleme,
6. komşu yüzeyler arasında topolojik bağlantı kurma,
7. düzensiz iç nokta bulutunu yeniden düzenleme,
8. Delaunay triangülasyonu ile orta-yüzey ağı üretme.

Eksik silindirler neden özel problem?

Otomotiv klipslerinde silindirik yüzeyler her zaman tam bir silindir biçiminde bulunmaz. Kesikler, bağlantılar veya geometri kayıpları nedeniyle yalnız bir yay parçası görülebilir. Böyle bir durumda yalnız noktaların geometrik merkezini kullanmak gerçek silindir eksenini yanlış konumlandırabilir.

Araştırmacılar silindir eksen yönünü yüzey normal vektörlerinden oluşturan:

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

matrisinin özdeğer ayrışımıyla belirlemektedir.

Silindir yüzey normalleri eksene dik olduğundan, normal dağılımının en düşük varyansa sahip olduğu yön silindir ekseni olarak alınmaktadır. Bu nedenle en küçük özdeğere karşılık gelen özvektör eksen yönü \(\vec a\) olarak seçilmektedir.

Eksik silindirin gerçek merkezi nasıl düzeltiliyor?

Silindir yüzey noktaları eksene dik bir düzleme yansıtılır. Tam silindirde bu noktaların centroid'i gerçek daire merkezine yakın olurken eksik bir yayda centroid yoğun verinin bulunduğu tarafa kaymaktadır.

Çalışmanın Ek A.2 bölümünde bu hatayı düzeltmek için en uzun kiriş + orta dikme yaklaşımı geliştirilmiştir. Projeksiyon düzleminde farklı doğrultularda kirişler aranmakta, en uzun kirişin orta noktası ve geometrik diklik ilişkileri kullanılarak gerçek daire merkezinin konumu yeniden hesaplanmaktadır.

Son olarak bütün silindir yüzey noktalarının hesaplanan eksene uzaklıklarının ortalaması silindir yarıçapı \(R\) olarak kullanılmaktadır.

Monte Carlo ile sınır nasıl bulunuyor?

Klips yüzeylerinde yalnız dış sınır değil, deliklerin meydana getirdiği bir veya daha fazla iç sınır da bulunabilir. Araştırmacılar klasik convex hull veya Alpha-shape yerine Monte Carlo tabanlı “ters boşluk doldurma” yaklaşımı önermektedir.

Önce 3B yüzey uydurulan yerel düzleme yansıtılıp 2B koordinatlara dönüştürülmektedir. Ardından düzlem üzerinde çok sayıda rastgele nokta oluşturulur. Kaynak ekinde örnek olarak yaklaşık 50.000 rastgele nokta belirtilmektedir.

Bir rastgele noktanın gerçek yüzey noktalarına en kısa mesafesi belirlenen \(r\) eşiğinden büyükse bu nokta “boş alan” olarak sınıflandırılır. Böylece dış ortam ve delikler, gerçek geometrinin etrafını saran bir negatif kalıp meydana getirir.

Gerçek nokta bulutunun bu boş alanla temas edebilen noktaları sınır olarak tanımlanmaktadır.

İç sınır ve dış sınır nasıl ayrılıyor?

Tespit edilen bütün sınır noktaları tek bir karışık kümedir. Bunları iç delik ve dış çevre olarak ayırmak için geometrik merkezden her sınır noktasına doğru sanal ışınlar ilerletilmektedir.

Işın iç boşluk “adasıyla” karşılaşıyorsa sınır iç kontur, dışarıdaki sınırsız boşluğa ulaşıyorsa dış kontur olarak sınıflandırılmaktadır.

Şekil 11–13, bu yöntemin rastgele boşluk noktalarından başlayıp dış ve iç konturların ayrılmasına kadar olan süreci görsel olarak göstermektedir.

Komşu yüzeyler fiziksel olarak temas etmiyorsa ne oluyor?

Tarama, segmentasyon veya geometrik ayrıştırma hataları nedeniyle matematiksel olarak komşu olması gereken iki yüzey arasında küçük bir boşluk bulunabilir. Araştırmacılar bu nedenle “virtual boundary expansion” kullanmaktadır.

Yüzeylerin sınırları belirli adımlarla sanal olarak genişletilmekte ve genişleyen bölgelerin birbirini kesip kesmediği kontrol edilmektedir. Olası kesişmelerin hızlı ön taraması için düzlemlerin yarı-uzay özelliği kullanılmaktadır.

Bir düzlemdeki iki sınır noktası diğer düzlem denklemi içine konulduğunda:

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

olması, noktaların ikinci düzlemin farklı taraflarında bulunduğunu ve potansiyel kesişme olduğunu göstermektedir.

Merge, Cross, T ve L bağlantıları

İki düzlem arasındaki normal açısı 10°'den küçükse yüzeyler ayrı topolojik parçalar olarak tutulmak yerine “merge” sınıfına alınmakta ve birlikte yeniden uydurulmaktadır.

Açı 10°'den büyükse kaynak üç temel bağlantıyı ayırmaktadır:

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

Şekil 17 ve 18'de bu bağlantıların geometrik olarak nasıl tanımlandığı ve teorik kesişim çizgisinin hangi bölümünün gerçek bağlantıya karşılık geldiğinin nasıl seçildiği gösterilmektedir.

Düzlem-silindir birleşimlerinde ise kesişim çoğu durumda eliptik yay biçimindedir. Kaynak, düzlem denklemi ve silindir ekseni/yarıçapından bu eğrinin analitik olarak hesaplanmasını açıklamaktadır.

Neden doğrudan triangülasyon yapılmıyor?

Segmentasyon ve projeksiyon sonrasında iç noktalar düzensiz dağıldığı için doğrudan triangülasyon uzun, dar, aşırı açılı veya boşluklu elemanlar oluşturabilir.

Bu nedenle araştırmacılar boundary-constrained dynamic circle envelope yaklaşımıyla iç noktaları yeniden düzenlemektedir.

Yerel 2B koordinat sisteminde sınırı kapsayan kutu:

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

olarak tanımlanır.

Bu alan içine düzenli aday noktalar:

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

şeklinde üretilmektedir. Kaynakta \(\delta\) için tipik olarak 0,5 mm veya 1,0 mm değerleri belirtilmektedir.

Her özgün iç nokta bir geometrik “seed” görevi görür. Sınıra uzak noktalarda daha büyük, sınır yakınında daha küçük algılama daireleri tanımlanarak aday düzenli noktaların gerçekten yüzeyin geçerli bölgesinde kalıp kalmadığı belirlenir.

Son aşamada hassas sınır noktaları ile seçilen düzenli iç noktalar birleştirilmekte ve standart Delaunay triangülasyonu uygulanmaktadır.

Mesh kalite kriterleri

Çalışma, otomotiv CAE'de kullanılan kabuk eleman kalite kriterlerini değerlendirirken şu sınırları kullanmıştır:

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

Çalışmanın Yöntemi ve Bulguları

Case 1: 14 klipsli parça

İlk doğrulama vakasında toplam 14 klips bulunmaktadır. Nokta bulutu kayıt sonuçlarında:

• 11 klips ≥ %95 eşleşmeyle doğrudan standart mesh değiştirme yoluna,
• 3 klips %75–%95 aralığında segmentasyon-fitting yoluna

gitmiştir.

Profesyonel CAE yazılımıyla hazırlanan iş akışında 14 klipsten 10'u kalite kriterlerini karşılamış ve süreç 2 saat sürmüştür. Önerilen yöntem 14 klipsin tamamında nitelikli mesh üretmiş ve işlem süresi 36 dakika olarak raporlanmıştır.

Case 2: 30 klipsli parça

İkinci doğrulama vakasında 30 klips bulunmaktadır. Bunların:

• 26'sı ≥ %95 eşleşme ile doğrudan değiştirilmiş,
• 4'ü %75'in altında kalarak backing plate ile birlikte işleme hattına gönderilmiş,
• hiçbiri segmentasyon-fitting aralığına düşmemiştir.

CAE iş akışında 30 klipsten 13'ü nitelikli mesh üretirken, önerilen yöntemde 26 klips kalite koşullarını sağlamıştır.

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

Case 1 ve Case 2 birlikte değerlendirildiğinde toplam 44 klips bulunmaktadır.

CAE iş akışında nitelikli klips sayısı:

\[ 10+13=23 \]

olduğundan toplulaştırılmış uygunluk oranı yaklaşık:

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

olmaktadır.

Önerilen yöntemde nitelikli klips sayısı:

\[ 14+26=40 \]

olduğundan:

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

sonucu elde edilmektedir.

Dolayısıyla özet ve sonuç bölümündeki %52,27 → %90,9 ifadesi bu iki ayrıntılı vakanın klips düzeyindeki toplulaştırılmış karşılaştırmasını temsil etmektedir.

On araçlık daha geniş istatistiksel karşılaştırma

Araştırmacılar yalnız iki seçilmiş vakayla yetinmeyerek 10 araç modelinde manuel ANSA tabanlı süreç ile önerilen otomatik yöntemi eşleştirilmiş istatistiksel testlerle karşılaştırmıştır.

On araçlık veri setinde manuel yöntemin ortalama süresi:

4,01 ± 1,26 saat

önerilen yöntemin ortalama süresi ise:

1,25 ± 0,38 saat

olarak raporlanmıştır. Bu yaklaşık %68,8 ortalama süre azalmasına karşılık gelmektedir.

Mesh kalite uygunluğu manuel yöntemde:

%59,32 ± 9,22

iken önerilen yöntemde:

%91,67 ± 4,08

olarak bulunmuştur.

Hem paired t-test hem Wilcoxon signed-rank testi bu farklar için istatistiksel anlamlılık göstermiştir. Süre ve mesh kalite karşılaştırmalarında paired t-test için \(p<0,001\), Wilcoxon için \(p=0,002\) bildirilmiştir.

Her mesh metriğinde otomasyon daha mı iyi?

Hayır. Kaynak Tablo 7'de çoğu kalite metriğinde otomatik yöntemin uygun olmayan eleman oranı daha düşük olsa da iki metrikte manuel mesh az miktarda daha iyi görünmektedir.

Aspect Ratio ve maksimum üçgen açısı için önerilen yöntemde uygunsuz eleman oranı manuel yöntemden biraz yüksektir. Araştırmacılar bütün değerlerin %5'in çok altında kaldığını ve mühendislik açısından kabul edilebilir olduğunu belirtmektedir.

Bu ayrıntı önemlidir; çalışma otomatik yöntemin her tekil mesh kalite metriğinde manuel mesh'i mutlak biçimde geçtiğini göstermemektedir. Ana avantaj, genel uygunluk oranını ve işlem hızını birlikte yükseltmesidir.

Yeni ve daha önce görülmemiş araç platformlarında ne oldu?

Genelleme değerlendirmesinde Vehicle A ve Vehicle B olarak adlandırılan iki ek araç kullanılmıştır. Bu iki aracın platformları, klips tasarımları ve genel geometrileri eğitimde kullanılan 10 araçtan farklıdır. PointNet++ eğitimi ve özellik kütüphanesi oluşturulurken bu araçlardan veri kullanılmamıştır.

Performans tamamen aynı kalmamış, ancak düşüş sınırlı olmuştur. Araştırmacılar bunu yöntemin yeni platformlara genelleme kabiliyetinin göstergesi olarak yorumlamaktadır.

Yeni araçlarda kaç klips doğrudan değiştirilebildi?

Yeni platformlarda doğrudan şablon değiştirme oranı bir miktar azalmış ve yeniden geometrik uydurma ihtiyacı yükselmiştir. Bu davranış, özellik kütüphanesinin kapsamının yöntemin toplam hesap verimliliğinde kritik olduğunu göstermektedir.

Ticari otomatik orta-yüzey araçlarıyla karşılaştırma

Araştırmacılar ANSA ve Altair HyperWorks'ün yerleşik otomatik orta-yüzey çıkarma işlevlerini de aynı tür ince plastik klipslerde denemiştir. Şekil 24'te ticari araçların ham otomatik çıktılarında eksik mesh, parçalanma ve topolojik hatalar gösterilmektedir.

Kaynak bu ham otomatik çıktıların mesh kalite uygunluk oranının çoğu durumda %5'in altında olduğunu ve kapsamlı manuel onarım olmadan aşağı akış FEA için kullanılamadığını belirtmektedir.

Bu nedenle çalışmanın ana performans karşılaştırması ticari yazılımın ham otomatik çıktısına karşı değil, profesyonel mühendis tarafından düzeltilmiş manuel/yarı otomatik ANSA iş akışına karşı yapılmıştır.

Bu yöntem mühendisin yerini mi alıyor?

Araştırmacılar sistemi otonom mühendis yerine akıllı CAE yardımcısı olarak konumlandırmaktadır. Nihai ağın simülasyona girmeden önce mühendis tarafından incelenmesi ve onaylanması öngörülmektedir.

Mühendis:

• otomatik kararı geçersiz kılabilir,
• parametreleri değiştirebilir,
• olağandışı geometride manuel müdahale yapabilir,
• nihai mesh'i kabul veya reddedebilir.

Dolayısıyla çalışmanın hedeflediği otomasyon tekrarlı geometrik hazırlama işini azaltmak, mühendislik kararını ortadan kaldırmak değildir.

Çalışmanın güçlü yönleri

• Özel otomotiv plastik parça nokta bulutu veri setinin oluşturulması.
• Derin öğrenme çıktısının doğrudan bir CAE mesh üretim zincirine bağlanması.
• Standart ve standart dışı klipsler için tek bir sabit algoritma yerine adaptif karar kullanılması.
• 1132 klipslik gerçek mühendislik özellik kütüphanesi.
• FPFH–ICP ile kaba ve hassas kayıt kombinasyonu.
• %95 ve %75 çift eşikli otomatik yönlendirme.
• Eksik silindirler için özel merkez/eksen düzeltmesi.
• İç delikler dahil karmaşık sınırlar için Monte Carlo tabanlı yöntem.
• T, L, Cross ve düzlem-silindir bağlantılarının topolojik olarak ele alınması.
• 10 araçlık eşleştirilmiş istatistiksel karşılaştırma.
• Eğitimde görülmeyen iki araç platformunda ek genelleme testi.

Çalışmanın temel sınırlılıkları

1. Ham tarayıcı verisi kullanılmamıştır. Doğrulama CAD geometrilerinden türetilmiş, temiz ve eksiksiz nokta bulutlarıyla gerçekleştirilmiştir. Gerçek 3B taramalarda gürültü, eksik veri, warpage ve ölçüm hatası yöntem performansını değiştirebilir.

2. Özellik kütüphanesine bağımlılık vardır. Tamamen yeni klips geometrileri doğrudan şablon değiştirmeden yararlanamaz ve daha pahalı segmentasyon-fitting yoluna düşer.

3. %75 altı fallback mekanik açıdan riskli olabilir. Kritik bağlantı klipslerinin backing plate ile birlikte ele alınması gerçek geometrik ve mekanik davranışı yetersiz temsil edebilir.

4. FEA sonuç doğrulaması yapılmamıştır. Mesh geometrisinin kalitesi değerlendirilmiştir ancak aynı parçanın manuel ve otomatik mesh ile gerçekleştirilen nihai gerilme, deformasyon, modal veya başka FEA çıktılarının ne kadar örtüştüğü çalışmada gösterilmemiştir.

5. Veri seti ve kütüphane belirli kurumsal araç geometrilerine dayanmaktadır. İki görülmemiş platform olumlu sonuç vermiş olsa da çok daha geniş üretici ve parça ailesi üzerinde dış doğrulama yapılmamıştır.

Gelecek çalışmalar

Araştırmacılar dört ana geliştirme yönü belirtmektedir:

• özellik kütüphanesini otomatik büyütmek için derin üretici modeller,
• daha güçlü semantik anlamlandırma için Transformer tabanlı ağlar,
• gürültü ve warpage içeren ham 3B tarama verileri üzerinde doğrulama,
• üretilen mesh'in gerçek mühendislik analiz sonuçlarına etkisini doğrulamak için aşağı akış FEA testleri.

Çalışmanın desteklediği sonuç

Kaynak çalışma, tanımlanan otomotiv plastik parça veri seti ve doğrulama koşulları altında PointNet++ özellik tanıma, FPFH–ICP kayıt, standart mesh değiştirme ve geometrik segmentasyon-fitting yöntemlerinin birlikte kullanılmasının CAE orta-yüzey mesh hazırlama süresini önemli ölçüde azaltabildiğini ve genel mesh kalite uygunluğunu profesyonel manuel iş akışına kıyasla artırabildiğini desteklemektedir.

Çalışmanın desteklemediği sonuç

Çalışma, yöntemin bütün otomotiv plastik parçalarında hatasız çalışacağını, CAE mühendisini tamamen ortadan kaldırabileceğini, ham tarama verisinde aynı sonuçları vereceğini veya oluşturulan mesh'lerin bütün nihai FEA sonuçlarında manuel mesh ile aynı fiziksel tahmini üreteceğini kanıtlamamaktadır.

Kaynak ve Yöntem Notu

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

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

Eş katkı/eş birinci yazar: Kaynakta eş birinci veya eş katkı 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 / yayın: 22 Ocak 2026 / 9 Nisan 2026 / 18 Nisan 2026 / 1 Mayıs 2026.

Kaynak türü ve hakemlik: Hakemli araştırma makalesi; otomotiv CAE ön işleme, 3B nokta bulutu, derin öğrenme ve geometrik mesh rekonstrüksiyonunu birleştiren mühendislik yöntem geliştirme ve doğrulama çalışmasıdır.

Resmî yayın bağlantısı:MDPI resmî 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: Çalışma verilerinin gizlilik kısıtlamaları nedeniyle sorumlu yazardan talep üzerine sağlanabileceği belirtilmiştir.

Çıkar çatışması / kurumsal ilişki: Hongbin Tang, Zehui Huang, Jingchun Wang, Jianjiao Deng ve Shibin Wang'ın FAW Global R&D Center çalışanları; Zhiguo Zhang ve Zhenjiang Wu'nun CATARC (Tianjin) Automotive Engineering Research Institute Co., Ltd. çalışanları olduğu açıklanmıştır. Yazarlar bunun dışında araştırmayı etkileyebilecek başka ticari veya finansal ilişki bulunmadığını beyan etmiştir.

Yazar katkıları: Kavramsallaştırma H.T. ve Z.H.; yöntem H.T.; yazılım H.T. ve J.D.; doğrulama J.W., S.W. ve Z.Z.; biçimsel analiz H.T., J.W. ve Z.Z.; araştırma J.W. ve S.W.; kaynaklar Z.H. ve Z.W.; veri düzenleme H.T. ve Z.W.; ilk taslak H.T.; gözden geçirme ve düzenleme Z.H. ve Z.Z.; görselleştirme J.D. ve Z.W.; süpervizyon Z.H.; proje yönetimi ve finansman edinimi Z.H.

Bilimsel içerik kapsamı: Bu Verianla açıklamasındaki PointNet++ parametreleri, veri seti boyutları, nokta bulutu kayıt yöntemi, eşik değerleri, geometrik rekonstrüksiyon algoritmaları, mesh kriterleri, süreler, kalite oranları ve istatistiksel bulgular incelenen çalışmaya dayanmaktadır. Dış kaynak yalnız bibliyografik yayın kimliğini doğrulamak amacıyla kullanılmış; dış bilimsel bulgu eklenmemiştir.

Temel yöntemsel sınır: Araştırmadaki test nokta bulutları nominal CAD geometrilerinden türetilmiştir ve temiz/eksiksiz veri varsayımına dayanmaktadır. Ham 3B tarayıcı verisindeki gürültü ve deformasyon henüz değerlendirilmemiştir. Üretilen orta-yüzey mesh'lerinin sonraki sonlu eleman analizlerinde manuel ağlarla aynı fiziksel sonuçları verip vermediğine ilişkin downstream FEA doğrulaması da gelecek çalışma olarak bırakılmıştır.

Sayısal kapsam notu: Özet ve sonuç bölümündeki yaklaşık %52,27'den %90,9'a mesh kalite uygunluğu artışı Case 1 ve Case 2'deki toplam 44 klipsin toplulaştırılmış sonucudur. On araçlık geniş karşılaştırmada araç başına ortalama uygunluk oranları manuel yöntem için %59,32, önerilen yöntem için %91,67'dir. Ortalama süre aynı 10 araç karşılaştırmasında 4,01 saatten 1,25 saate düşmüştür.

Kaynak içi terminoloji notu: Çalışmada 3B IoU benzerliği ile matching rate ayrı biçimde tanımlanmasına rağmen Şekil 10 ve çevresindeki eşik tartışmasında “IoU threshold” ve “matching-rate threshold” ifadeleri kısmen iç içe kullanılmaktadır. Karar mekanizmasındaki %95 ve %75 sınırları bu açıklamada kaynak metnin işlem yönlendirmesinde kullandığı matching rate/eşleşme oranı olarak korunmuştur.