Utafiti huu unaunganisha ujifunzaji wa kina, usajili wa point cloud ya 3D na ujenzi upya wa kijiometri katika mnyororo mmoja wa kazi ili kuotomatisha utengenezaji wa mesh ya uso wa kati (mid-surface), mojawapo ya hatua zinazotumia muda mwingi zaidi katika kuandaa vipande vya plastiki vyenye kuta nyembamba vya magari kwa ajili ya uchanganuzi wa finite element. Watafiti waliunda seti maalumu ya point cloud yenye sampuli 132.000 kutoka modeli 10 za magari, wakatenganisha kwa semantiki maeneo ya klipu na backing-plate kwa kutumia PointNet++, wakafanya usajili wa FPFH–ICP kwa maktaba ya vipengele yenye violezo 1132 vya klipu, na wakachagua kiotomatiki kati ya kubadilisha mesh ya kawaida au njia ya segmentation-fitting kulingana na ufanano wa kijiometri. Katika matokeo yaliyokusanywa kutoka visa viwili wakilishi, uwiano wa mesh za klipu zilizokidhi ubora uliongezeka kutoka %52,27 hadi takriban %90,9, huku katika ulinganisho mpana wa magari 10 muda wa wastani wa uundaji modeli ukipungua kutoka saa 4,01 hadi saa 1,25 na wastani wa uwiano wa kufaulu kwa ubora wa mesh ukiongezeka kutoka %59,32 hadi %91,67. Hata hivyo, uthibitishaji ulifanywa kwenye point cloud safi zilizotokana na CAD; athari za kelele na deformation katika data ghafi za skani, pamoja na athari za mesh zilizoundwa kwenye matokeo ya mwisho ya FEA, bado hazijathibitishwa.

Wazo kuu la mbinu si kulazimisha jiometri zote za plastiki kuchakatwa kwa algoriti ileile. Mfumo kwanza hubainisha jinsi klipu inavyolingana vizuri na jiometri ya kawaida inayojulikana tayari. Ikiwa kiwango cha ulinganifu ni %95 au zaidi, mesh ya kawaida ya uso wa kati yenye ubora wa juu kutoka maktabani hubadilishwa moja kwa moja hadi kwenye nafasi ya jiometri mpya na kutumika. Ikiwa ulinganifu uko kati ya %75 na %95, jiometri hiyo si sawa vya kutosha, hivyo uso mpya wa kati hujengwa upya kupitia plane na cylinder fitting, kubainisha mipaka, muunganisho wa topolojia na uzalishaji wa pointi zilizopangwa. Ikiwa ulinganifu uko chini ya %75, kipengele huondolewa kwenye njia huru ya uchakataji wa klipu na kuingizwa katika ujenzi upya wa backing-plate.

Sehemu ya ujifunzaji wa kina haitumiki kama classifier pekee. PointNet++ huipa kila pointi maana ya klipu au backing plate na hivyo kubainisha jinsi jiometri itakavyogawanywa katika hatua zinazofuata za uhandisi. Modeli iliyoboreshwa ilifikia mIoU ya 0,8461 kwenye data za majaribio; kwa darasa la klipu, precision 0,82, recall 0,79 na alama ya F1 0,80 ziliripotiwa. Katika uthibitishaji wa kuona wa kihandisi ndani ya programu ya CAE, kiwango cha vitendo cha utambuzi wa klipu kilikuwa %80,17.

Mbinu pia ilihifadhi kwa kiasi kikubwa utendaji wake kwenye majukwaa mawili mapya ya magari ambayo hayakuwahi kuonekana wakati wa mafunzo. Kwa Gari Jipya A, mIoU ilikuwa 0,833 na ufaafu wa ubora wa mesh %89,2; kwa Gari Jipya B, mIoU ilikuwa 0,828 na ufaafu wa ubora wa mesh %91,5. Nyakati za uchakataji zilikuwa takriban saa 1,3 na 1,2 mtawalia. Matokeo haya ya kuvuka majukwaa yanaashiria kuwa mbinu haikukariri tu jiometri za magari 10 yaliyotumika wakati wa mafunzo, lakini uwezo wa kujumlisha kwa watengenezaji wengi zaidi, nyenzo, familia za vipande na hali halisi za skani bado unahitaji uthibitishaji tofauti.

Kwa mtazamo wa Uturuki: Utafiti haukufanywa Uturuki na haujathibitishwa kwenye mnyororo halisi wa uzalishaji wa CAE wa mtengenezaji wa magari nchini Uturuki. Hata hivyo, kwa michakato ya CAE katika sekta kuu na wasambazaji wa magari nchini Uturuki inayoshughulika na vipande vya trim vya plastiki vya ndani/nje, klipu za kuunganisha na miundo yenye kuta nyembamba, mbinu hii inatoa mtazamo unaoweza kubadilishwa kimetodolojia. Utekelezaji kama huo ungehitaji uthibitishaji upya kwa kutumia viwango vya CAD vya kampuni za ndani, familia zao za klipu, programu ya CAE inayotumika, vigezo vya ubora wa mesh, taratibu za uundaji modeli wa FEA na data halisi za skani. Haiwezi kuhitimishwa kwamba kupungua kwa muda kwa takriban %67 au viwango vya ufaafu wa mesh zaidi ya %90 katika chanzo vitahamishwa moja kwa moja kwenye mtiririko wa kazi wa shirika jingine.

Kwa nini “mesh ya uso wa kati” ni muhimu katika vipande vya plastiki vya magari?

Vipande vya plastiki vya ndani na nje ya gari kwa kawaida ni miundo yenye kuta nyembamba, ambapo unene ni mdogo ikilinganishwa na vipimo vingine. Katika uchanganuzi wa finite element wa aina hii ya vipande, badala ya kugawanya ujazo wote thabiti kwa kina katika elementi za 3D, mara nyingi uso wa kati unaowakilisha tabaka bora lisilo na mkazo kati ya nyuso mbili za kipande hutolewa na uso huo hugawanywa kwa elementi za shell.

Kwa hiyo tatizo si tu “kuunda uso”. Uso wa kati unaopatikana lazima uhifadhi sifa za kijiometri za kipande halisi, usikatike katika maeneo ya miunganisho, uwakilishe kwa usahihi topolojia ya klipu, rib, mashimo na miundo ya silinda, na baadaye uweze kugawanywa katika elementi zenye ubora zinazofaa kutumika katika suluhisho la finite element.

Klipu kwenye vipande vya plastiki, miundo ya snap-fit yenye hatua nyingi, boss za kuunganisha, rib za kuimarisha, radius ndogo na nyuso zinazokatana ni changamoto hasa kwa algoriti za kawaida za kuondoa uso wa kati kiotomatiki. Kwa hiyo, badala ya kutatua tatizo kwa algoriti moja ya kijiometri, watafiti waliligawa katika mnyororo wa utambuzi → ulinganishaji → uamuzi → ujenzi upya.

Moduli tatu kuu za usanifu uliopendekezwa

Katika Kielelezo 1 cha utafiti, mbinu yote inaonyeshwa kama moduli tatu kuu za uhandisi:

1. Utambuzi mahiri wa vipengele unaotegemea AI: Kutenganisha maeneo ya klipu na backing-plate kwa PointNet++.
2. Usajili wa point cloud na ulinganishaji wa kiolezo: Kulinganisha klipu zilizotambuliwa na jiometri za kawaida katika maktaba ya vipengele vya kawaida kwa kutumia FPFH na ICP.
3. Uundaji wa uso wa kati kwa segmentation-fitting: Kwa klipu ambazo hazilingani vya kutosha na kiolezo cha kawaida, mesh mpya huundwa kwa plane/cylinder fitting, utoaji wa mipaka, uundaji wa topolojia, upangaji wa pointi na triangulation.

Seti maalumu ya data yenye sampuli 132.000 iliundwaje?

Kwa kuwa hakukuwa na seti ya data yenye lebo ya klipu za vipande vya plastiki vya magari inayoweza kutumika moja kwa moja katika eneo hili, watafiti waliunda seti yao wenyewe. Jiometri ya chanzo ilitoka kwenye modeli 10 kuu za magari. Kila pointi ilipewa koordinati za 3D, normal vector na taarifa ya darasa la semantiki.

Klipu ziliwekewa lebo 50 katika chanzo, na maeneo ya backing-plate yaliwekewa lebo 51. Ili maelezo madogo ya klipu ndani ya vipande vikubwa yasipotee katika seti ya data, jiometri zote za magari ziligawanywa katika vitalu vidogo zaidi.

Mnyororo wa maandalizi ya data kiotomatiki ulijumuisha hatua zifuatazo:

• kuchanganua kiotomatiki faili za CAD/kijiometri,
• kutengeneza mesh na kudhibiti ubora,
• kutoa koordinati za katikati, normal vector na vitambulisho vya uso kutoka elementi za mesh,
• kuweka lebo za semantiki za klipu na backing-plate,
• kuchagua mwelekeo unaofaa wa projection na kugawanya katika maeneo,
• kuunda faili sanifu ya point cloud.

Hifadhi kamili ya data iliyoundwa mwishoni mwa utafiti ilikuwa na sampuli 132.000. Hata hivyo, modeli ya mwisho ya PointNet++ haikufunzwa kwa sampuli zote 132.000. Baada ya kulinganisha matoleo kumi na sita tofauti ya seti ya data/modeli, seti ndogo yenye sampuli 31.000 zilizo na angalau klipu moja kamili ilichaguliwa kuwa msingi wa mwisho wa mafunzo.

Sampuli hizi 31.000 ziligawanywa kwa nasibu kuwa:

• %80 mafunzo,
• %10 uthibitishaji,
• %10 majaribio

.

Kwa nini sampuli zote 132.000 hazikutumika?

Jedwali 1 la utafiti linalinganisha mikakati 16 tofauti ya maandalizi ya data na mafunzo. Watafiti waligundua hasa kwamba sampuli zenye backing-plate pekee au klipu zilizokosekana kwa kiwango kikubwa zinaweza kuharibu ujifunzaji wa modeli.

Wakati kiwango cha vitendo cha utambuzi cha toleo la kwanza la msingi kilikuwa %32,53, katika Version 16 ya mwisho, kwa kutumia sampuli 31.000 kutoka magari 10 zenye angalau klipu moja kamili, kiwango cha utambuzi kilifikia %80,17.

Thamani ya mIoU ya toleo la mwisho ni 0,8461.

Data augmentation ilifanywaje?

Kwa kuzingatia kwamba katika matumizi halisi vipande vinaweza kuwa katika mielekeo tofauti ndani ya skana au nafasi ya kijiometri, mizunguko ya 3D ya nasibu kuzunguka mihimili ya x, y na z ilitumika. Mzunguko huo ulitumika si kwa koordinati za pointi pekee, bali pia kwa normal vector za pointi kwa kutumia matrix ileile ya transformation.

Lengo lilikuwa kuhakikisha modeli inajifunza umbo la kijiometri lenyewe badala ya kukariri pembe fulani ya uwekaji wa kipande.

Data ya kuingiza PointNet++ huandaliwaje?

Point cloud zilipangiliwa katikati na kunormalishwa kwanza ili kupunguza tofauti za nafasi na ukubwa. Koordinati wastani za pointi zilihesabiwa na kituo cha kijiometri kuhamishwa hadi origin, kisha data ikapimwa ili iingie ndani ya unit sphere kwa kutumia umbali wa pointi iliyo mbali zaidi.

Chanzo kinaeleza kwamba urefu wa klipu unaweza kutofautiana takriban kati ya 5–15 mm. Lengo la normalization ni kufanya PointNet++ izingatie zaidi morfolojia ya kijiometri kuliko ukubwa kamili wa kipande.

Kila fremu ya point cloud ilichukuliwa sampuli hadi pointi 8192 kwa kutumia Farthest Point Sampling. Watafiti wanaeleza kwamba pointi 1024 hazikuwakilisha vya kutosha maelezo madogo ya klipu.

Ingizo la kila sampuli ni:

8192 × 8

matrix yenye vipimo hivyo na hubeba vipengele kama koordinati za pointi, normal vector na taarifa ya uso/darasa.

PointNet++ hujifunza viwango gani vya kijiometri?

Modeli husonga kutoka jiometri ya eneo dogo kuelekea maana ya jumla zaidi kupitia tabaka tatu za Set Abstraction.

Tabaka za Feature Propagation kisha hurudisha taarifa hii ya kiwango cha juu kwenye resolution ya awali ya pointi. Kwa kutumia utaratibu wa skip connection, taarifa za semantiki za kiwango cha juu ziliunganishwa na maelezo ya kijiometri ya kiwango cha chini.

Utendaji wa PointNet++ kwenye majaribio

Katika uthibitishaji tofauti wa kuona/kihandisi ndani ya programu ya CAE, usahihi wa utambuzi wa klipu ulihesabiwa kuwa %80,17. Kwa hiyo, mIoU na %80,17 hazimaanishi kipimo kilekile: mIoU huwakilisha mwingiliano wa maeneo ya semantiki katika kiwango cha pointi, ilhali %80,17 huwakilisha tathmini ya vitendo ya utambuzi iliyofanywa na wahandisi katika kiolesura cha CAE.

Mafunzo yaliboreshwaje?

Adam ilitumika katika optimization na chanzo kinatoa:

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

kama thamani. Learning rate ya mwanzo ilikuwa:

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

na katika epoch ya 100 ilipunguzwa hadi:

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

na katika epoch ya 130 hadi:

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

.

Kielelezo 7 kinaonyesha kwamba loss za mafunzo na uthibitishaji zilipungua kwa ujumla pamoja; baada ya kupunguzwa mara mbili kwa learning rate, mikunjo ya loss ilishuka hadi viwango vya chini zaidi. Watafiti wanaripoti kuwa loss ilipungua kwa zaidi ya %60 ndani ya epoch 50 za kwanza.

Maktaba ya vipengele yenye klipu 1132

Kwa eneo linalotambuliwa na PointNet++ kuwa klipu, swali linalofuata ni hili: je, klipu hii inafanana vya kutosha na klipu ya kawaida inayojulikana tayari?

Watafiti waliunda maktaba ya vipengele vya kawaida kutoka modeli 10 kuu za magari yenye makundi 102 na jumla ya violezo 1132 tofauti vya klipu. Kila rekodi ina sehemu mbili zinazolingana:

• point cloud ya klipu ya kawaida,
• mesh ya uso wa kati yenye ubora iliyoandaliwa hapo awali kwa klipu hiyo hiyo.

Klipu lengwa hutafutwa katika maktaba yote na jiometri chanzo yenye ufanano mkubwa zaidi huchaguliwa.

Kwa nini FPFH na ICP hutumika pamoja?

Katika hatua ya kwanza, descriptors za Fast Point Feature Histogram (FPFH) hutumika kupangilia kwa makadirio ya awali klipu chanzo na klipu lengwa. Chanzo kinaeleza kwamba kabla ya hatua hii downsampling yenye voxel size ya 1,0 ilitumika.

Matrix ya transformation ya upangiliaji wa awali hufafanuliwa kama:

\[ T_{coarse} \]

.

Katika hatua ya pili, Iterative Closest Point (ICP) hupunguza point-to-plane residuals ili kufanya usajili wa kina zaidi na kuunda:

\[ T_{icp} \]

transformation.

Transformation ya mwisho ya jumla ni:

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

.

Ufanano wa 3D IoU huhesabiwaje?

Baada ya usajili, 3D Intersection over Union inayotegemea voxel ilitumika kutathmini mwingiliano wa anga wa point cloud mbili:

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

Hapa \(V_{tar}\) ni seti ya voxel zilizojaa za point cloud lengwa, na \(V_{src}\) ni seti ya voxel zilizojaa za point cloud chanzo. Kadiri thamani inavyokaribia 1, ndivyo mwingiliano wa anga unavyoongezeka.

Athari ya voxel size pia ilijaribiwa tofauti:

Watafiti walichagua thamani 2 kama voxel size kutokana na uwiano kati ya usahihi na muda wa hesabu.

Vizingiti vya %95 na %75 vinamaanisha nini?

Mfumo wa usajili haupati tu “klipu inayofanana zaidi”; pia huamua kama kiwango cha ufanano kinatosha kutumia moja kwa moja mesh ya kawaida.

Chanzo kinaeleza kwamba kizingiti cha %95 kilitoa uwiano unaofaa kwa kubadilisha mesh moja kwa moja huku usahihi wa utambuzi ukiwa zaidi ya takriban %99,2. Kuongeza kizingiti zaidi ya %97 kungepeleka idadi kubwa ya ulinganifu mzuri vya kutosha bila sababu kwenye njia ya segmentation-fitting yenye gharama kubwa zaidi.

Maelezo ya istilahi: Kielelezo 10 katika chanzo kina kichwa “IoU thresholds”, wakati maandishi yanayokizunguka yanaeleza mipaka ya uamuzi kama “matching rate thresholds”. Aidha, 3D IoU na matching rate zimefafanuliwa kama vipimo tofauti katika makala. Kwa hiyo, katika maelezo haya ya Verianla, mipaka ya uamuzi ya %95/%75 imewasilishwa kwa jina linalotumiwa katika utaratibu mkuu wa uamuzi wa chanzo, yaani kiwango cha ulinganifu.

Nini hutokea kwa klipu zilizo chini ya %75?

Njia hii ni muhimu hasa. Mfumo hauondoi klipu iliyo chini ya %75; badala ya kupeleka point cloud kwenye njia maalumu ya kubadilisha mesh ya klipu au segmentation-fitting, huiunganisha na point cloud kuu ya backing-plate na kuijenga upya kama sehemu ya uso mkubwa zaidi.

Watafiti wanakiri wazi kwamba hii ni fallback salama ya automation, lakini inaweza kupunguza uaminifu wa kijiometri kwa klipu iliyo muhimu kimakanika. Ikiwa kiunganishi kinabeba mzigo au ni muhimu katika uigaji wa assembly, kukifanya kuwa sehemu ya uso unaoendelea wa backing plate kunaweza kuleta hitilafu katika mgawanyo wa stress au tabia ya assembly.

Kwa hiyo, njia ya chini ya %75 ni mojawapo ya maeneo ya mbinu yanayohitaji kuboreshwa hasa.

Ikiwa hakuna kiolezo cha kawaida, uso mpya wa kati huundwaje?

Kwa klipu zilizo katika kiwango cha %75–%95, jiometri hujengwa upya kutoka mwanzo. Mchakato hugawanywa katika hatua kuu zifuatazo:

1. kugawanya klipu katika maeneo madogo ya kijiometri,
2. kuondoa pointi za fillet zenye curvature kubwa,
3. kutambua maeneo ya plane na cylinder,
4. kufit vigezo vya plane na cylinder,
5. kubainisha mipaka ya ndani/nje,
6. kuunda muunganisho wa topolojia kati ya nyuso jirani,
7. kupanga upya point cloud za ndani zisizo na mpangilio,
8. kutengeneza mesh ya uso wa kati kwa Delaunay triangulation.

Kwa nini cylinder zisizokamilika ni tatizo maalumu?

Katika klipu za magari, nyuso za silinda si lazima ziwe katika umbo la cylinder kamili. Kutokana na mikato, miunganisho au upotevu wa jiometri, sehemu ya arc pekee inaweza kuonekana. Katika hali hiyo, kutumia tu geometric center ya pointi kunaweza kuweka vibaya axis halisi ya cylinder.

Watafiti hubainisha mwelekeo wa axis ya cylinder kupitia matrix inayoundwa kutoka normal vector za uso:

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

kwa kutumia eigenvalue decomposition ya matrix hiyo.

Kwa kuwa normal za uso wa cylinder ni perpendicular kwa axis, mwelekeo wenye variance ndogo zaidi katika mgawanyo wa normal huchukuliwa kuwa axis ya cylinder. Kwa hiyo eigenvector inayolingana na eigenvalue ndogo zaidi huchaguliwa kuwa mwelekeo wa axis \(\vec a\).

Kituo halisi cha cylinder isiyokamilika husahihishwaje?

Pointi za uso wa cylinder huprojeciwa kwenye plane iliyo perpendicular kwa axis. Katika cylinder kamili, centroid ya pointi hizi huwa karibu na kituo halisi cha duara; katika arc isiyokamilika, centroid huhama kuelekea upande wenye data nyingi zaidi.

Katika Kiambatisho A.2, utafiti ulitengeneza mbinu ya chord ndefu zaidi + perpendicular bisector ili kusahihisha hitilafu hii. Chord katika mielekeo tofauti hutafutwa kwenye plane ya projection, na nafasi ya kituo halisi cha duara huhesabiwa upya kwa kutumia midpoint ya chord ndefu zaidi na mahusiano ya kijiometri ya perpendicularity.

Hatimaye, wastani wa umbali wa pointi zote za uso wa cylinder hadi axis iliyohesabiwa hutumika kama radius ya cylinder \(R\).

Mpaka hupatikanaje kwa Monte Carlo?

Nyuso za klipu zinaweza kuwa na si mpaka wa nje pekee, bali pia mpaka mmoja au zaidi wa ndani unaotokana na mashimo. Watafiti wanapendekeza mbinu ya “inverse void filling” inayotegemea Monte Carlo badala ya convex hull au Alpha-shape za kawaida.

Kwanza uso wa 3D huprojeciwa kwenye plane ya eneo lililofit na kubadilishwa kuwa koordinati za 2D. Kisha pointi nyingi za nasibu huundwa kwenye plane hiyo. Katika kiambatisho cha chanzo, takriban pointi 50.000 za nasibu zimetolewa kama mfano.

Ikiwa umbali mfupi zaidi kutoka pointi ya nasibu hadi pointi halisi za uso ni mkubwa kuliko kizingiti \(r\) kilichowekwa, pointi hiyo huainishwa kama “eneo tupu”. Kwa namna hii, mazingira ya nje na mashimo huunda mold hasi inayozunguka jiometri halisi.

Pointi za point cloud halisi zinazoweza kugusana na eneo hili tupu hufafanuliwa kuwa mpaka.

Mipaka ya ndani na nje hutenganishwaje?

Pointi zote za mpaka zilizotambuliwa ni seti moja iliyochanganyika. Ili kuzitenganisha kuwa shimo la ndani na perimeter ya nje, miale pepe hutumwa kutoka geometric center kuelekea kila pointi ya mpaka.

Ikiwa miale inakutana na “kisiwa” cha nafasi tupu cha ndani, mpaka huainishwa kama contour ya ndani; ikiwa inafika kwenye nafasi tupu isiyo na mwisho ya nje, huainishwa kama contour ya nje.

Vielelezo 11–13 vinaonyesha kwa kuona mchakato huu kutoka pointi za nasibu za nafasi tupu hadi kutenganishwa kwa contour za nje na ndani.

Nini hutokea ikiwa nyuso jirani hazigusani kimwili?

Kutokana na makosa ya skani, segmentation au utenganishaji wa kijiometri, nafasi ndogo inaweza kuwepo kati ya nyuso mbili ambazo kimahesabu zinapaswa kuwa jirani. Kwa hiyo watafiti hutumia “virtual boundary expansion”.

Mipaka ya nyuso hupanuliwa kwa njia pepe kwa hatua fulani na hukaguliwa kama maeneo yaliyopanuliwa yanakatana. Kwa uchunguzi wa awali wa haraka wa mikutano inayowezekana, sifa ya half-space ya plane hutumika.

Pointi mbili za mpaka kwenye plane moja zinapowekwa katika equation ya plane nyingine:

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

hali hii huonyesha kwamba pointi ziko katika pande tofauti za plane ya pili na kuna uwezekano wa intersection.

Miunganisho ya Merge, Cross, T na L

Ikiwa normal angle kati ya plane mbili ni ndogo kuliko 10°, nyuso hazihifadhiwi kama sehemu tofauti za topolojia; huwekwa katika darasa la “merge” na kufit upya pamoja.

Ikiwa angle ni kubwa kuliko 10°, chanzo hutenganisha aina tatu kuu za muunganisho:

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

Vielelezo 17 na 18 vinaonyesha jinsi miunganisho hii inavyofafanuliwa kijiometri na jinsi sehemu ya mstari wa kinadharia wa intersection inayolingana na muunganisho halisi inavyochaguliwa.

Katika miunganisho ya plane-cylinder, intersection mara nyingi huwa katika umbo la arc ya ellipse. Chanzo kinaeleza jinsi curve hii inavyohesabiwa analytically kutoka equation ya plane na axis/radius ya cylinder.

Kwa nini triangulation haifanywi moja kwa moja?

Baada ya segmentation na projection, pointi za ndani husambazwa bila mpangilio, hivyo triangulation ya moja kwa moja inaweza kuunda elementi ndefu, nyembamba, zenye angle kubwa kupita kiasi au zenye mapengo.

Kwa hiyo watafiti hupanga upya pointi za ndani kwa mbinu ya boundary-constrained dynamic circle envelope.

Katika mfumo wa koordinati wa 2D wa eneo husika, box inayofunika mpaka hufafanuliwa kama:

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

.

Ndani ya eneo hili pointi za kawaida za wagombea huzalishwa kama:

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

. Chanzo kinataja kwa kawaida thamani za 0,5 mm au 1,0 mm kwa \(\delta\).

Kila pointi halisi ya ndani hufanya kazi kama geometric “seed”. Miduara mikubwa ya kutambua hufafanuliwa kwa pointi zilizo mbali na mpaka, na midogo zaidi karibu na mpaka, ili kubaini kama pointi za kawaida za wagombea zinabaki kweli ndani ya eneo halali la uso.

Katika hatua ya mwisho, pointi sahihi za mpaka huunganishwa na pointi za ndani zilizochaguliwa zilizo katika mpangilio, na Delaunay triangulation ya kawaida hutumika.

Vigezo vya ubora wa mesh

Utafiti ulitumia mipaka ifuatayo wakati wa kutathmini vigezo vya ubora wa elementi za shell vinavyotumika katika CAE ya magari:

Mesh ya klipu ilikubaliwa kuwa yenye ubora tu ikiwa ilikidhi vigezo vyote vinavyohitajika.

Mbinu na Matokeo ya Utafiti

Case 1: Kipande chenye klipu 14

Katika kisa cha kwanza cha uthibitishaji kulikuwa na jumla ya klipu 14. Katika matokeo ya usajili wa point cloud:

• klipu 11 zenye ulinganifu ≥ %95 zilipelekwa moja kwa moja kwenye njia ya kubadilisha mesh ya kawaida,
• klipu 3 katika kiwango cha %75–%95 zilipelekwa kwenye njia ya segmentation-fitting

.

Katika mtiririko wa kazi uliotayarishwa kwa programu ya kitaalamu ya CAE, klipu 10 kati ya 14 zilikidhi vigezo vya ubora na mchakato ulichukua saa 2. Mbinu iliyopendekezwa ilitengeneza mesh zenye ubora kwa klipu zote 14 na muda wa uchakataji uliripotiwa kuwa dakika 36.

Case 2: Kipande chenye klipu 30

Katika kisa cha pili cha uthibitishaji kulikuwa na klipu 30. Kati ya hizo:

• 26 zilibadilishwa moja kwa moja kwa ulinganifu ≥ %95,
• 4 zilibaki chini ya %75 na kupelekwa kwenye njia ya kuchakatwa pamoja na backing plate,
• hakuna iliyoingia katika kiwango cha segmentation-fitting.

Katika mtiririko wa CAE, klipu 13 kati ya 30 zilitengeneza mesh zenye ubora, wakati katika mbinu iliyopendekezwa klipu 26 zilikidhi masharti ya ubora.

Matokeo ya %52,27 → %90,9 yanatoka wapi?

Case 1 na Case 2 zikichunguzwa pamoja, kuna jumla ya klipu 44.

Katika mtiririko wa CAE, idadi ya klipu zenye ubora ni:

\[ 10+13=23 \]

kwa hiyo uwiano wa ufaafu uliokusanywa ni takriban:

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

.

Katika mbinu iliyopendekezwa, idadi ya klipu zenye ubora ni:

\[ 14+26=40 \]

kwa hiyo:

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

ndilo tokeo linalopatikana.

Kwa hiyo, kauli ya %52,27 → %90,9 katika muhtasari na sehemu ya matokeo inawakilisha ulinganisho uliokusanywa katika kiwango cha klipu wa visa hivi viwili vya kina.

Ulinganisho mpana zaidi wa takwimu wa magari kumi

Watafiti hawakuishia kwenye visa viwili vilivyochaguliwa; walilinganisha katika modeli 10 za magari mchakato wa manual unaotegemea ANSA na mbinu ya kiotomatiki iliyopendekezwa kwa kutumia majaribio ya takwimu yaliyooanishwa.

Katika seti ya data ya magari kumi, wastani wa muda wa mbinu ya manual ulikuwa:

saa 4,01 ± 1,26

na wastani wa muda wa mbinu iliyopendekezwa ulikuwa:

saa 1,25 ± 0,38

. Hii inalingana na takriban kupungua kwa wastani kwa muda kwa %68,8.

Ufaafu wa ubora wa mesh katika mbinu ya manual ulikuwa:

%59,32 ± 9,22

na katika mbinu iliyopendekezwa:

%91,67 ± 4,08

.

Paired t-test na Wilcoxon signed-rank test zote zilionyesha umuhimu wa kitakwimu kwa tofauti hizi. Kwa ulinganisho wa muda na ubora wa mesh, \(p<0,001\) iliripotiwa kwa paired t-test na \(p=0,002\) kwa Wilcoxon.

Je, automation ni bora katika kila kipimo cha mesh?

Hapana. Ingawa katika Jedwali 7 la chanzo uwiano wa elementi zisizokidhi vigezo ni mdogo katika mbinu ya kiotomatiki kwa vipimo vingi vya ubora, katika vipimo viwili mesh ya manual inaonekana bora kidogo.

Kwa Aspect Ratio na angle ya juu ya triangle, uwiano wa elementi zisizofaa katika mbinu iliyopendekezwa ni juu kidogo kuliko katika mbinu ya manual. Watafiti wanaeleza kwamba thamani zote zilibaki chini sana ya %5 na zinakubalika kwa uhandisi.

Maelezo haya ni muhimu; utafiti hauonyeshi kwamba mbinu ya kiotomatiki inapita mesh ya manual kwa kiwango kamili katika kila kipimo kimoja cha ubora wa mesh. Faida kuu ni kuongeza kwa pamoja kiwango cha ufaafu kwa ujumla na kasi ya uchakataji.

Nini kilitokea kwenye majukwaa mapya ya magari ambayo hayakuwahi kuonekana?

Katika tathmini ya generalization, magari mawili ya ziada yaliyoitwa Vehicle A na Vehicle B yalitumika. Majukwaa, miundo ya klipu na jiometri za jumla za magari haya mawili ni tofauti na magari 10 yaliyotumika katika mafunzo. Hakuna data kutoka magari haya iliyotumika wakati wa mafunzo ya PointNet++ au kuunda maktaba ya vipengele.

Utendaji haukubaki sawa kabisa, lakini kupungua kulikuwa kwa kiwango kidogo. Watafiti wanatafsiri hili kama kiashiria cha uwezo wa mbinu kujumlisha kwenye majukwaa mapya.

Ni klipu ngapi ziliweza kubadilishwa moja kwa moja kwenye magari mapya?

Kwenye majukwaa mapya, uwiano wa kubadilisha kiolezo moja kwa moja ulipungua kidogo na hitaji la geometric fitting upya likaongezeka. Tabia hii inaonyesha kwamba upeo wa maktaba ya vipengele ni muhimu katika ufanisi wa jumla wa hesabu wa mbinu.

Ulinganisho na zana za kibiashara za kuunda uso wa kati kiotomatiki

Watafiti pia walijaribu kazi zilizojengewa ndani za kuondoa uso wa kati kiotomatiki katika ANSA na Altair HyperWorks kwenye aina hiyo hiyo ya klipu nyembamba za plastiki. Kielelezo 24 kinaonyesha mesh zinazokosekana, fragmentation na makosa ya topolojia katika matokeo ghafi ya kiotomatiki ya zana za kibiashara.

Chanzo kinaeleza kwamba ufaafu wa ubora wa mesh wa matokeo haya ghafi ya kiotomatiki mara nyingi uko chini ya %5 na kwamba hayawezi kutumika kwa downstream FEA bila ukarabati mkubwa wa manual.

Kwa hiyo, ulinganisho mkuu wa utendaji wa utafiti haukufanywa dhidi ya matokeo ghafi ya kiotomatiki ya programu za kibiashara, bali dhidi ya mtiririko wa kazi wa ANSA wa manual/nusu-otomatiki uliosahihishwa na mhandisi mtaalamu.

Je, mbinu hii inachukua nafasi ya mhandisi?

Watafiti wanauweka mfumo kama msaidizi mahiri wa CAE badala ya mhandisi anayejitegemea. Mesh ya mwisho inatarajiwa kukaguliwa na kuidhinishwa na mhandisi kabla ya kuingia katika uigaji.

Mhandisi anaweza:

• kubatilisha uamuzi wa kiotomatiki,
• kubadilisha vigezo,
• kuingilia kwa manual katika jiometri isiyo ya kawaida,
• kukubali au kukataa mesh ya mwisho.

Kwa hiyo, automation inayolengwa na utafiti ni kupunguza kazi za kurudia za maandalizi ya kijiometri, si kuondoa uamuzi wa kihandisi.

Nguvu za utafiti

• Kuundwa kwa seti maalumu ya point cloud ya vipande vya plastiki vya magari.
• Kuunganisha moja kwa moja matokeo ya ujifunzaji wa kina na mnyororo wa utengenezaji wa mesh wa CAE.
• Kutumia uamuzi unaobadilika badala ya algoriti moja thabiti kwa klipu za kawaida na zisizo za kawaida.
• Maktaba halisi ya vipengele vya kihandisi yenye klipu 1132.
• Mchanganyiko wa usajili wa awali na wa kina kwa FPFH–ICP.
• Uelekezaji wa kiotomatiki kwa vizingiti viwili vya %95 na %75.
• Usahihishaji maalumu wa center/axis kwa cylinder zisizokamilika.
• Mbinu inayotegemea Monte Carlo kwa mipaka changamano, ikijumuisha mashimo ya ndani.
• Kushughulikia topolojia ya miunganisho ya T, L, Cross na plane-cylinder.
• Ulinganisho wa takwimu uliooanishwa wa magari 10.
• Jaribio la ziada la generalization kwenye majukwaa mawili ya magari ambayo hayakuonekana wakati wa mafunzo.

Mapungufu makuu ya utafiti

1. Data ghafi za skana hazikutumika. Uthibitishaji ulifanywa kwa point cloud safi na kamili zilizotokana na jiometri za CAD. Katika skani halisi za 3D, kelele, data zilizokosekana, warpage na makosa ya vipimo vinaweza kubadilisha utendaji wa mbinu.

2. Kuna utegemezi wa maktaba ya vipengele. Jiometri mpya kabisa za klipu haziwezi kunufaika na kubadilisha kiolezo moja kwa moja na huangukia kwenye njia ya segmentation-fitting yenye gharama kubwa zaidi.

3. Fallback ya chini ya %75 inaweza kuwa hatari kimakanika. Kushughulikia klipu muhimu za kuunganisha pamoja na backing plate kunaweza kuwakilisha isivyotosha tabia halisi ya kijiometri na kimakanika.

4. Uthibitishaji wa matokeo ya FEA haujafanywa. Ubora wa jiometri ya mesh umetathminiwa, lakini utafiti haujaonyesha jinsi matokeo ya mwisho ya stress, deformation, modal au matokeo mengine ya FEA ya kipande kilekile yanavyolingana kati ya mesh ya manual na mesh ya kiotomatiki.

5. Seti ya data na maktaba zinategemea jiometri maalumu za magari za taasisi. Ingawa majukwaa mawili ambayo hayakuonekana yalitoa matokeo mazuri, uthibitishaji wa nje haujafanywa katika watengenezaji wengi zaidi na familia pana zaidi za vipande.

Kazi za baadaye

Watafiti wanaeleza maeneo manne makuu ya maendeleo:

• modeli za kina za generative ili kupanua kiotomatiki maktaba ya vipengele,
• mitandao inayotegemea Transformer kwa uelewa wenye nguvu zaidi wa semantiki,
• uthibitishaji kwenye data ghafi za skani za 3D zenye kelele na warpage,
• majaribio ya downstream FEA ili kuthibitisha athari za mesh iliyotengenezwa kwenye matokeo halisi ya uchanganuzi wa uhandisi.

Hitimisho linaloungwa mkono na utafiti

Utafiti wa chanzo unaunga mkono kwamba, chini ya seti ya data ya vipande vya plastiki vya magari na hali za uthibitishaji zilizoelezwa, matumizi ya pamoja ya utambuzi wa vipengele kwa PointNet++, usajili wa FPFH–ICP, kubadilisha mesh ya kawaida na segmentation-fitting ya kijiometri yanaweza kupunguza kwa kiasi kikubwa muda wa kuandaa mesh ya uso wa kati wa CAE na kuongeza ufaafu wa jumla wa ubora wa mesh ikilinganishwa na mtiririko wa kitaalamu wa manual.

Hitimisho lisiloungwa mkono na utafiti

Utafiti hauthibitishi kwamba mbinu itafanya kazi bila hitilafu kwa vipande vyote vya plastiki vya magari, itaondoa kabisa mhandisi wa CAE, itatoa matokeo yale yale kwenye data ghafi za skani, au mesh zilizoundwa zitatoa utabiri uleule wa kimwili kama mesh za manual katika matokeo yote ya mwisho ya FEA.

Maelezo ya Chanzo na Mbinu

Jina kamili la asili la utafiti: Automated Mid-Surface Mesh Generation Method for Automotive Plastic Parts Based on Deep Learning

Waandishi na mpangilio: Hongbin Tang; Zehui Huang; Jingchun Wang; Jianjiao Deng; Shibin Wang; Zhiguo Zhang; Zhenjiang Wu.

Mchango sawa/waandishi wa kwanza kwa usawa: Chanzo hakijataja tamko la waandishi wa kwanza kwa usawa au mchango sawa.

Mwandishi wa mawasiliano: Zehui Huang.

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

Jarida: Vehicles.

Mchapishaji: MDPI, Basel, Switzerland.

Juzuu / toleo / makala: Vehicles 2026, Juzuu 8, Toleo 5, Makala 96.

DOI: 10.3390/vehicles8050096

Kupokelewa / marekebisho / kukubaliwa / kuchapishwa: 22 Januari 2026 / 9 Aprili 2026 / 18 Aprili 2026 / 1 Mei 2026.

Aina ya chanzo na mapitio: Makala ya utafiti iliyopitiwa na wataalamu; utafiti wa kuendeleza na kuthibitisha mbinu ya kihandisi inayounganisha preprocessing ya CAE ya magari, point cloud ya 3D, ujifunzaji wa kina na ujenzi upya wa mesh wa kijiometri.

Kiungo rasmi cha chapisho:Ukurasa rasmi wa makala wa MDPI

Kiungo cha DOI:https://doi.org/10.3390/vehicles8050096

Leseni: Creative Commons Attribution (CC BY).

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

Upatikanaji wa data: Imeelezwa kwamba data za utafiti zinaweza kutolewa na mwandishi wa mawasiliano kwa ombi kutokana na vikwazo vya usiri.

Mgongano wa maslahi / uhusiano wa taasisi: Imeelezwa kwamba Hongbin Tang, Zehui Huang, Jingchun Wang, Jianjiao Deng na Shibin Wang ni wafanyakazi wa FAW Global R&D Center; Zhiguo Zhang na Zhenjiang Wu ni wafanyakazi wa CATARC (Tianjin) Automotive Engineering Research Institute Co., Ltd. Waandishi walitangaza kwamba zaidi ya hapo hakuna uhusiano mwingine wa kibiashara au kifedha unaoweza kuathiri utafiti.

Michango ya waandishi: Uundaji wa dhana H.T. na Z.H.; mbinu H.T.; programu H.T. na J.D.; uthibitishaji J.W., S.W. na Z.Z.; uchambuzi rasmi H.T., J.W. na Z.Z.; uchunguzi J.W. na S.W.; rasilimali Z.H. na Z.W.; uratibu wa data H.T. na Z.W.; rasimu ya kwanza H.T.; mapitio na uhariri Z.H. na Z.Z.; uonyeshaji J.D. na Z.W.; usimamizi Z.H.; usimamizi wa mradi na upatikanaji wa ufadhili Z.H.

Upeo wa maudhui ya kisayansi: Vigezo vya PointNet++, ukubwa wa seti za data, mbinu ya usajili wa point cloud, vizingiti, algoriti za ujenzi upya wa kijiometri, vigezo vya mesh, nyakati, viwango vya ubora na matokeo ya takwimu katika maelezo haya ya Verianla yanatokana na utafiti uliochunguzwa. Chanzo cha nje kilitumika tu kuthibitisha utambulisho wa bibliografia wa chapisho; hakuna matokeo mapya ya kisayansi kutoka nje yaliyoongezwa.

Kikomo kikuu cha kimetodolojia: Point cloud za majaribio katika utafiti zilitokana na jiometri za nominal CAD na zinategemea dhana ya data safi/kamili. Kelele na deformation katika data ghafi za skana za 3D bado hazijatathminiwa. Uthibitishaji wa downstream FEA kuhusu kama mesh za uso wa kati zilizotengenezwa zinatoa matokeo ya kimwili sawa na mesh za manual katika uchanganuzi wa finite element wa baadaye pia umeachwa kwa kazi za baadaye.

Maelezo ya upeo wa namba: Ongezeko la takriban %52,27 hadi %90,9 katika ufaafu wa ubora wa mesh katika muhtasari na sehemu ya matokeo ni matokeo yaliyokusanywa ya jumla ya klipu 44 katika Case 1 na Case 2. Katika ulinganisho mpana wa magari kumi, wastani wa ufaafu kwa kila gari ulikuwa %59,32 kwa mbinu ya manual na %91,67 kwa mbinu iliyopendekezwa. Wastani wa muda katika ulinganisho huohuo wa magari 10 ulipungua kutoka saa 4,01 hadi saa 1,25.

Maelezo ya istilahi ndani ya chanzo: Ingawa ufanano wa 3D IoU na matching rate zimefafanuliwa tofauti katika utafiti, katika Kielelezo 10 na mjadala wa vizingiti unaozunguka, maneno “IoU threshold” na “matching-rate threshold” yametumika kwa kuchanganyika kwa kiasi. Vizingiti vya %95 na %75 katika utaratibu wa uamuzi vimehifadhiwa katika maelezo haya kama matching rate/kiwango cha ulinganifu kinachotumiwa na maandishi ya chanzo katika kuelekeza mchakato.