Ushbu tadqiqot avtomobilsozlikda yupqa devorli plastik qismlarni chekli elementlar tahliliga tayyorlashdagi eng koʻp vaqt talab qiladigan jarayonlardan biri boʻlgan oʻrta-sirt (mid-surface) toʻrini yaratishni avtomatlashtirish uchun chuqur oʻrganish, 3D nuqta bulutini roʻyxatga olish va geometrik rekonstruksiyani yagona ish jarayonida birlashtiradi. Tadqiqotchilar 10 ta avtomobil modelidan 132.000 ta namunani oʻz ichiga olgan maxsus nuqta buluti ma’lumotlar toʻplamini yaratdi, PointNet++ yordamida klips va orqa plastina hududlarini semantik jihatdan ajratdi, 1132 ta klips shablonidan iborat xususiyatlar kutubxonasi bilan FPFH–ICP roʻyxatga olishni bajardi va geometrik oʻxshashlikka qarab standart meshni almashtirish yoki segmentatsiya-moslashtirish yoʻllaridan birini avtomatik tanladi. Ikki vakillik holatida birlashtirilgan natijalarda sifatli klips toʻri ulushi %52,27 dan taxminan %90,9 gacha oshgan boʻlsa, 10 avtomobildan iborat kengroq taqqoslashda oʻrtacha modellashtirish vaqti 4,01 soatdan 1,25 soatgacha kamaygan va oʻrtacha mesh sifati muvofiqligi %59,32 dan %91,67 gacha koʻtarilgan. Biroq tekshiruv CAD’dan olingan toza nuqta bulutlarida amalga oshirilgan; xom skanerlash ma’lumotlaridagi shovqin, deformatsiya va yaratilgan toʻrlarning yakuniy FEA natijalariga ta’siri hali tasdiqlanmagan.

Usulning asosiy gʻoyasi barcha plastik geometriyalarni bir xil algoritm bilan majburan qayta ishlamaslikdir. Tizim avval klipsning ilgari ma’lum boʻlgan standart geometriyaga qanchalik yaxshi mos kelishini aniqlaydi. Moslik darajasi %95 yoki undan yuqori boʻlsa, kutubxonadagi yuqori sifatli standart oʻrta-sirt toʻri bevosita yangi geometriya joylashuviga transformatsiya qilinib ishlatiladi. Moslik %75 bilan %95 oraligʻida boʻlsa, geometriya yetarlicha oʻxshash boʻlmagani uchun yangi oʻrta sirt tekislik va silindrni moslashtirish, chegarani aniqlash, topologik ulanish va muntazam nuqtalar yaratish orqali qayta quriladi. Moslik %75 dan past boʻlsa, xususiyat mustaqil klipsni qayta ishlashdan chiqarilib, orqa plastina rekonstruksiyasiga qoʻshiladi.

Chuqur oʻrganish qismi faqat klassifikator sifatida ishlatilmaydi. PointNet++ har bir nuqtaga klips yoki orqa plastina ma’nosini berib, geometriyaning keyingi muhandislik jarayonlarida qaysi qismlarga ajratilishini belgilaydi. Optimallashtirilgan model test ma’lumotlarida 0,8461 mIoU ga erishgan; klips sinfi uchun precision 0,82, recall 0,79 va F1 koʻrsatkichi 0,80 deb xabar qilingan. CAE dasturi ichidagi muhandislik vizual tekshiruvda amaliy klipsni tanish darajasi %80,17 boʻlgan.

Usul treningda umuman koʻrilmagan ikkita yangi avtomobil platformasida ham oʻz samaradorligini katta darajada saqlab qolgan. Yangi Avtomobil A’da mIoU 0,833 va mesh sifati muvofiqligi %89,2; Yangi Avtomobil B’da mIoU 0,828 va mesh sifati muvofiqligi %91,5 deb bildirilgan. Qayta ishlash vaqtlari mos ravishda taxminan 1,3 va 1,2 soatni tashkil etgan. Ushbu kross-platforma natijalari usul faqat treningda ishlatilgan 10 avtomobil geometriyasini yodlab olmaganini koʻrsatsa-da, kengroq ishlab chiqaruvchi, material, detal oilasi va haqiqiy skanerlash sharoitlarida umumlashtirish alohida tasdiqlanishi kerak.

Turkiya nuqtai nazaridan: Tadqiqot Turkiyada amalga oshirilmagan va Turkiyadagi avtomobil ishlab chiqaruvchisining haqiqiy CAE ishlab chiqarish zanjirida tekshirilmagan. Shunga qaramay, usul plastik ichki/tashqi trim qismlari, ulash klipslari va yupqa devorli tuzilmalar bilan ishlaydigan Turkiya avtomobilsozlik asosiy va yordamchi sanoatining CAE jarayonlari uchun metodologik jihatdan moslashtirilishi mumkin boʻlgan yondashuvni taklif qiladi. Bunday qoʻllashda mahalliy firmalarning oʻz CAD standartlari, klips oilalari, foydalaniladigan CAE dasturi, mesh sifati mezonlari, FEA modellashtirish protseduralari va haqiqiy skanerlash ma’lumotlari bilan qayta tekshirish talab etiladi. Manbadagi taxminan %67 vaqt qisqarishi yoki %90 dan yuqori mesh muvofiqligi boshqa tashkilot ish jarayoniga bevosita koʻchiriladi degan xulosa chiqarib boʻlmaydi.

Avtomobil plastik qismlarida “oʻrta-sirt mesh” nega muhim?

Avtomobilning ichki va tashqi plastik qismlari koʻpincha qalinligi boshqa oʻlchamlariga nisbatan kichik boʻlgan yupqa devorli tuzilmalardir. Bunday qismlarni chekli elementlar tahlilida butun qattiq hajmni uch oʻlchamli elementlarga batafsil boʻlish oʻrniga, koʻp hollarda detalning ikki yuzi orasidagi ideal neytral qatlamni ifodalovchi oʻrta sirt ajratib olinadi va bu sirt qobiq elementlari bilan diskretlashtiriladi.

Shu sabab muammo faqat “bir sirt yaratish” emas. Olingan oʻrta sirt haqiqiy detalning geometrik xususiyatlarini saqlashi, ulanish joylarida uzilib qolmasligi, klips, rib, teshik va silindrsimon tuzilmalarning topologiyasini toʻgʻri tashishi hamda keyinchalik chekli elementlar yechimida ishlatiladigan sifatli elementlarga boʻlinishi kerak.

Plastik qismlardagi klipslar, koʻp bosqichli snap-fit tuzilmalari, montaj boss’lari, mustahkamlovchi riblar, kichik radiuslar va oʻzaro kesishuvchi sirtlar an’anaviy avtomatik oʻrta-sirt ajratish algoritmlari uchun ayniqsa qiyindir. Shu sabab tadqiqotchilar muammoni bitta geometrik algoritm bilan hal qilish oʻrniga tanish → moslashtirish → qaror → qayta qurish zanjiriga ajratgan.

Taklif etilgan arxitekturaning uch asosiy moduli

Tadqiqotning 1-rasmida butun usul uchta asosiy muhandislik moduli koʻrinishida tasvirlangan:

1. AI asosidagi aqlli xususiyatlarni tanish: Klips va backing-plate hududlarini PointNet++ bilan ajratish.
2. Nuqta bulutini roʻyxatga olish va shablonni moslashtirish: Tanishilgan klipslarni tipik xususiyatlar kutubxonasidagi standart geometriyalar bilan FPFH va ICP yordamida moslashtirish.
3. Segmentatsiya-moslashtirish asosidagi oʻrta-sirt yaratish: Standart shablonga yetarlicha mos kelmaydigan klipslarda tekislik/silindrni moslashtirish, chegarani ajratish, topologiya yaratish, nuqtalarni tartiblash va triangulyatsiya bilan yangi mesh yaratish.

132.000 namunali maxsus ma’lumotlar toʻplami qanday yaratildi?

Bu sohada bevosita ishlatilishi mumkin boʻlgan teglangan avtomobil plastik detal klipslari ma’lumotlar toʻplami mavjud boʻlmagani uchun tadqiqotchilar oʻz ma’lumotlar toʻplamini yaratdi. Manba geometriyasi 10 ta asosiy avtomobil modelidan olingan. Har bir nuqtaga uch oʻlchamli koordinata, normal vektor va semantik sinf ma’lumoti biriktirilgan.

Klipslar manbada teg 50, backing-plate hududlari esa teg 51 sifatida kodlangan. Katta qismlar ichidagi kichik klips tafsilotlari ma’lumotlar toʻplamida yoʻqolib ketmasligi uchun barcha avtomobil geometriyalari kichikroq bloklarga boʻlingan.

Avtomatik ma’lumot tayyorlash zanjiri quyidagi bosqichlarni oʻz ichiga oladi:

• CAD/geometrik fayllarni avtomatik skanerlash,
• mesh yaratish va sifat nazorati,
• mesh elementlaridan markaz koordinatasi, normal vektor va sirt identifikatorlarini chiqarib olish,
• klips va backing-plate semantik teglarini biriktirish,
• mos proyeksiya yoʻnalishini tanlash va hududlarga ajratish,
• standartlashtirilgan nuqta buluti faylini yaratish.

Tadqiqot oxirida yaratilgan toʻliq ma’lumot havzasi 132.000 ta namunani oʻz ichiga oladi. Biroq yakuniy PointNet++ modeli ushbu 132.000 namunaning barchasi bilan oʻqitilmagan. Oʻn olti xil ma’lumotlar toʻplami/model versiyasi taqqoslangandan soʻng, kamida bitta toʻliq klipsni oʻz ichiga olgan 31.000 namunali kichik toʻplam yakuniy trening bazasi sifatida tanlangan.

Ushbu 31.000 namuna tasodifiy ravishda:

• %80 trening,
• %10 validatsiya,
• %10 test

koʻrinishida ajratilgan.

Nega 132.000 namunaning barchasi ishlatilmadi?

Tadqiqotning 1-jadvali 16 xil ma’lumot tayyorlash va trening strategiyasini taqqoslaydi. Tadqiqotchilar ayniqsa faqat backing-plate ni oʻz ichiga olgan yoki jiddiy darajada toʻliq boʻlmagan klipslarga ega namunalar model oʻrganishini buzishi mumkinligini kuzatgan.

Birinchi bazaviy versiyaning amaliy tanish darajasi %32,53 boʻlgan boʻlsa, yakuniy Version 16’da 10 avtomobildan olingan va kamida bitta toʻliq klipsni oʻz ichiga olgan 31.000 namuna ishlatilganda tanish darajasi %80,17 ga yetgan.

Yakuniy versiyaning mIoU qiymati 0,8461.

Ma’lumotlarni koʻpaytirish qanday amalga oshirildi?

Haqiqiy qoʻllashda qismlar skaner yoki geometrik fazoda turli yoʻnalishlarda boʻlishi mumkinligi hisobga olinib, x, y va z oʻqlari atrofida tasodifiy 3D aylantirish qoʻllanilgan. Aylantirish faqat nuqta koordinatalariga emas, nuqtalarning normal vektorlariga ham ayni transformatsiya matritsasi bilan tatbiq etilgan.

Maqsad modelning muayyan detal joylashuv burchagini yodlab olishi oʻrniga geometrik shaklning oʻzini oʻrganishini ta’minlashdir.

PointNet++ kirish ma’lumoti qanday tayyorlanadi?

Nuqta bulutlari avval joylashuv va oʻlcham farqlarini kamaytirish uchun markazlashtirilib normalizatsiya qilingan. Nuqtalarning oʻrtacha koordinatasi hisoblanib geometrik markaz koordinatalar boshiga koʻchirilgan, soʻng eng uzoq nuqtaning masofasi yordamida ma’lumot birlik shar ichiga masshtablangan.

Manbada klips uzunliklari taxminan 5–15 mm oraligʻida oʻzgarishi mumkinligi koʻrsatilgan. Normalizatsiyaning maqsadi PointNet++ ni mutlaq detal oʻlchamidan koʻra geometrik morfologiyaga yoʻnaltirishdir.

Har bir nuqta buluti freymi Farthest Point Sampling yordamida 8192 nuqtaga namunalangan. Tadqiqotchilar 1024 nuqta kichik klips tafsilotlarini yetarlicha ifodalamaganini bildirgan.

Har bir namunaning kirishi:

8192 × 8

oʻlchamli matritsa boʻlib, nuqta koordinatalari, normal vektor, sirt/sinf ma’lumoti kabi xususiyatlarni tashiydi.

PointNet++ qaysi geometrik darajalarni oʻrganadi?

Model uchta Set Abstraction qatlami orqali mahalliy geometriyadan koʻproq global ma’noga tomon harakat qiladi.

Feature Propagation qatlamlari keyin ushbu yuqori darajadagi ma’lumotni yana asl nuqta yechimiga olib qaytadi. Skip connection mexanizmi yordamida yuqori darajadagi semantik ma’lumot quyi darajadagi geometrik tafsilotlar bilan birlashtirilgan.

PointNet++ test samaradorligi

CAE dasturi ichida alohida oʻtkazilgan vizual/muhandislik tekshiruvda klipsni tanish aniqligi %80,17 deb hisoblangan. Demak, mIoU bilan %80,17 bir xil metrikani anglatmaydi: mIoU nuqta darajasidagi semantik hudud qoplanishini, %80,17 esa muhandislarning CAE interfeysida bajargan amaliy tanish bahosini ifodalaydi.

Trening qanday optimallashtirildi?

Optimallashtirishda Adam ishlatilgan va manbada:

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

qiymatlari berilgan. Boshlangʻich oʻrganish tezligi:

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

boʻlib, 100. epoch’da:

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

va 130. epoch’da:

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

qiymatigacha tushirilgan.

7-rasmda trening va validatsiya yoʻqotishlarining umuman birga kamaygani; oʻrganish tezligining ikki marta pasaytirilishidan keyin yoʻqotish egri chiziqlari yanada past darajalarga tushgani koʻrsatilgan. Tadqiqotchilar dastlabki 50 epoch ichida yoʻqotish %60 dan koʻproq kamayganini bildirgan.

1132 klipsdan iborat xususiyatlar kutubxonasi

PointNet++ tomonidan klips sifatida tanilgan hudud uchun keyingi savol shunday: bu klips ilgari ma’lum boʻlgan standart klipsga yetarlicha oʻxshaydimi?

Tadqiqotchilar 10 ta asosiy avtomobil modelidan 102 kategoriya va jami 1132 ta alohida klips shabloni ni oʻz ichiga olgan tipik xususiyatlar kutubxonasini yaratgan. Har bir yozuv ikki moslangan qismdan iborat:

• standart klipsning nuqta buluti,
• shu klips uchun ilgari tayyorlangan sifatli oʻrta-sirt mesh.

Maqsad klips butun kutubxona boʻylab qidiriladi va eng yuqori oʻxshashlikka ega manba geometriyasi tanlanadi.

FPFH va ICP nega birga ishlatiladi?

Birinchi bosqichda Fast Point Feature Histogram (FPFH) deskriptorlari yordamida manba va maqsad klips qoʻpol tarzda hizalanadi. Manbada bu jarayondan oldin 1,0 voxel oʻlchami bilan downsampling qoʻllangani koʻrsatilgan.

Qoʻpol hizalashning transformatsiya matritsasi:

\[ T_{coarse} \]

sifatida belgilangan.

Ikkinchi bosqichda Iterative Closest Point (ICP) point-to-plane qoldiqlarini kamaytirib, aniqroq roʻyxatga olishni bajaradi va:

\[ T_{icp} \]

transformatsiyasini hosil qiladi.

Yakuniy umumiy transformatsiya:

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

koʻrinishidadir.

3D IoU oʻxshashligi qanday hisoblanadi?

Roʻyxatga olishdan soʻng ikki nuqta bulutining fazoviy qoplanishini baholash uchun voxel asosidagi 3D Intersection over Union ishlatilgan:

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

Bu yerda \(V_{tar}\) maqsad, \(V_{src}\) esa manba nuqta bulutining band voxel toʻplamlaridir. Qiymat 1 ga yaqinlashgan sari fazoviy qoplanish ortadi.

Voxel oʻlchamining ta’siri ham alohida sinovdan oʻtkazilgan:

Tadqiqotchilar aniqlik bilan hisoblash vaqti oʻrtasidagi muvozanat sabab voxel oʻlchami sifatida 2 qiymatini tanlagan.

%95 va %75 chegaralari nimani anglatadi?

Roʻyxatga olish tizimi faqat “eng oʻxshash klips”ni topib qolmaydi; oʻxshashlik standart meshni bevosita ishlatish uchun yetarlimi-yoʻqmi, shuni ham hal qiladi.

Manbada %95 chegarasi taxminan %99,2 dan yuqori tanish aniqligi bilan bevosita mesh almashtirish uchun mos muvozanat bergani aytiladi. %97 dan yuqoriga koʻtarish esa yetarlicha yaxshi mosliklarning koʻpini asossiz ravishda qimmatroq segmentatsiya-fitting yoʻliga yuboradi.

Terminologiya qaydi: Manbada 10-rasm “IoU thresholds” sarlavhasini olgan boʻlsa, atrofdagi matnda qaror chegaralari “matching rate thresholds” deb tushuntirilgan. Bundan tashqari, 3D IoU va matching rate maqolada alohida metrikalar sifatida ta’riflangan. Shu sabab bu Verianla izohida %95/%75 qaror chegaralari manbaning asosiy qaror mexanizmida qoʻllangan nom bilan moslik darajasi sifatida beriladi.

%75 dan past klipslarga nima boʻladi?

Bu yoʻl ayniqsa muhim. Tizim %75 dan past qolgan klipsni yoʻq qilmaydi; nuqta bulutini klipsga xos mesh almashtirish yoki segmentatsiya-fitting zanjiriga yuborish oʻrniga, uni asosiy backing-plate nuqta buluti bilan birlashtirib, kattaroq sirtning bir qismi sifatida qayta quradi.

Tadqiqotchilar bu xavfsiz avtomatlashtirish fallback’i ekanini, biroq mexanik jihatdan kritik klipsda geometrik sadoqatni kamaytirishi mumkinligini ochiq tan olgan. Agar bir ulash elementi yuk koʻtarsa yoki montaj simulyatsiyasida kritik boʻlsa, uni backing plate ning uzluksiz sirtining bir qismiga aylantirish kuchlanish taqsimoti yoki montaj xatti-harakatida xato keltirib chiqarishi mumkin.

Shu sabab %75 dan past yoʻl usulning ayniqsa takomillashtirilishi kerak boʻlgan nuqtalaridan biridir.

Standart shablon boʻlmasa yangi oʻrta sirt qanday yaratiladi?

%75–%95 oraligʻidagi klipslar uchun geometriya boshidan qayta quriladi. Jarayon quyidagi asosiy bosqichlarga boʻlinadi:

1. klipsni geometrik kichik hududlarga ajratish,
2. yuqori egrilikli fillet nuqtalarini chiqarib tashlash,
3. tekis va silindrsimon hududlarni tanish,
4. tekislik va silindr parametrlarini moslashtirish,
5. ichki/tashqi chegaralarni aniqlash,
6. qoʻshni sirtlar oʻrtasida topologik ulanish yaratish,
7. tartibsiz ichki nuqta bulutini qayta tartiblash,
8. Delaunay triangulyatsiyasi yordamida oʻrta-sirt toʻrini yaratish.

Toʻliq boʻlmagan silindrlar nega maxsus muammo?

Avtomobil klipslarida silindrsimon sirtlar har doim toʻliq silindr shaklida boʻlmaydi. Kesiklar, ulanishlar yoki geometriya yoʻqolishi tufayli faqat yoyning bir qismi koʻrinishi mumkin. Bunday holatda faqat nuqtalarning geometrik markazidan foydalanish haqiqiy silindr oʻqini notoʻgʻri joylashtirishi mumkin.

Tadqiqotchilar silindr oʻqi yoʻnalishini sirt normal vektorlaridan hosil qiladigan:

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

matritsasining xos qiymatlar ajratilishi orqali aniqlaydi.

Silindr sirtining normal vektorlari oʻqqa perpendikulyar boʻlgani uchun, normal taqsimotining eng past variansga ega yoʻnalishi silindr oʻqi sifatida olinadi. Shu sabab eng kichik xos qiymatga mos xos vektor oʻq yoʻnalishi \(\vec a\) sifatida tanlanadi.

Toʻliq boʻlmagan silindrning haqiqiy markazi qanday tuzatiladi?

Silindr sirt nuqtalari oʻqqa perpendikulyar tekislikka proyeksiya qilinadi. Toʻliq silindrda bu nuqtalarning centroid’i haqiqiy aylana markaziga yaqin boʻladi, toʻliq boʻlmagan yoyda esa centroid zich ma’lumot joylashgan tomonga siljiydi.

Tadqiqotning A.2 ilovasida bu xatoni tuzatish uchun eng uzun xorda + oʻrta perpendikulyar yondashuvi ishlab chiqilgan. Proyeksiya tekisligida turli yoʻnalishlarda xordalar qidiriladi, eng uzun xordaning oʻrta nuqtasi va geometrik perpendikulyarlik munosabatlaridan foydalanib haqiqiy aylana markazi qayta hisoblanadi.

Oxirida barcha silindr sirt nuqtalarining hisoblangan oʻqqacha masofalarining oʻrtachasi silindr radiusi \(R\) sifatida ishlatiladi.

Monte Carlo bilan chegara qanday topiladi?

Klips sirtlarida faqat tashqi chegara emas, teshiklar hosil qiladigan bir yoki bir nechta ichki chegara ham boʻlishi mumkin. Tadqiqotchilar klassik convex hull yoki Alpha-shape oʻrniga Monte Carlo asosidagi “teskari boʻshliqni toʻldirish” yondashuvini taklif qiladi.

Avval 3D sirt moslashtirilgan mahalliy tekislikka proyeksiya qilinib, 2D koordinatalarga aylantiriladi. Soʻng tekislikda koʻplab tasodifiy nuqtalar yaratiladi. Manba ilovasida misol sifatida taxminan 50.000 tasodifiy nuqta koʻrsatilgan.

Agar tasodifiy nuqtaning haqiqiy sirt nuqtalarigacha eng qisqa masofasi belgilangan \(r\) chegarasidan katta boʻlsa, bu nuqta “boʻsh maydon” sifatida tasniflanadi. Shu tarzda tashqi muhit va teshiklar haqiqiy geometriyani oʻrab turuvchi salbiy qolip hosil qiladi.

Haqiqiy nuqta bulutining shu boʻsh maydon bilan tegisha oladigan nuqtalari chegara sifatida aniqlanadi.

Ichki va tashqi chegaralar qanday ajratiladi?

Aniqlangan barcha chegara nuqtalari bitta aralash toʻplamdir. Ularni ichki teshik va tashqi konturga ajratish uchun geometrik markazdan har bir chegara nuqtasi tomon virtual nurlar yoʻnaltiriladi.

Agar nur ichki boʻshliq “oroliga” duch kelsa, chegara ichki kontur; tashqaridagi cheksiz boʻshliqqa yetib borsa, tashqi kontur sifatida tasniflanadi.

11–13-rasmlar ushbu usulning tasodifiy boʻshliq nuqtalaridan boshlab tashqi va ichki konturlarni ajratishgacha boʻlgan jarayonini vizual koʻrsatadi.

Qoʻshni sirtlar jismonan tegishmasa nima boʻladi?

Skanerlash, segmentatsiya yoki geometrik ajratish xatolari sabab matematik jihatdan qoʻshni boʻlishi kerak boʻlgan ikki sirt oʻrtasida kichik boʻshliq boʻlishi mumkin. Tadqiqotchilar shu sabab “virtual boundary expansion” usulidan foydalanadi.

Sirtlarning chegaralari ma’lum qadamlar bilan virtual ravishda kengaytiriladi va kengaygan hududlarning oʻzaro kesishishi tekshiriladi. Ehtimoliy kesishuvlarni tezkor dastlabki saralash uchun tekisliklarning yarim fazo xususiyatidan foydalaniladi.

Bir tekislikdagi ikki chegara nuqtasi boshqa tekislik tenglamasiga qoʻyilganda:

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

boʻlishi nuqtalar ikkinchi tekislikning turli tomonlarida joylashganini va potensial kesishuv mavjudligini koʻrsatadi.

Merge, Cross, T va L ulanishlari

Ikki tekislik orasidagi normal burchak 10° dan kichik boʻlsa, sirtlar alohida topologik qismlar sifatida saqlanmay, “merge” sinfiga olinadi va birgalikda qayta moslashtiriladi.

Burchak 10° dan katta boʻlsa, manba uchta asosiy ulanishni ajratadi:

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

17 va 18-rasmlarda ushbu ulanishlarning geometrik jihatdan qanday aniqlanishi va nazariy kesishuv chizigʻining qaysi qismi haqiqiy ulanishga mos kelishini tanlash usuli koʻrsatilgan.

Tekislik-silindr birikmalarida esa kesishuv koʻp hollarda elliptik yoy shaklida boʻladi. Manba bu egri chiziqni tekislik tenglamasi va silindr oʻqi/radiusidan analitik ravishda hisoblashni tushuntiradi.

Nega toʻgʻridan-toʻgʻri triangulyatsiya qilinmaydi?

Segmentatsiya va proyeksiyadan keyin ichki nuqtalar tartibsiz taqsimlangani sabab bevosita triangulyatsiya uzun, tor, haddan tashqari burchakli yoki boʻshliqli elementlar hosil qilishi mumkin.

Shu sabab tadqiqotchilar boundary-constrained dynamic circle envelope yondashuvi bilan ichki nuqtalarni qayta tartiblaydi.

Mahalliy 2D koordinata tizimida chegarani qamrab oluvchi quti:

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

sifatida ta’riflanadi.

Ushbu maydon ichiga muntazam nomzod nuqtalar:

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

koʻrinishida yaratiladi. Manbada \(\delta\) uchun odatda 0,5 mm yoki 1,0 mm qiymatlari koʻrsatilgan.

Har bir asl ichki nuqta geometrik “seed” vazifasini bajaradi. Chegaradan uzoq nuqtalarda kattaroq, chegaraga yaqin nuqtalarda kichikroq aniqlash doiralari belgilanib, nomzod muntazam nuqtalarning haqiqatan sirtning yaroqli hududida qolishi aniqlanadi.

Yakuniy bosqichda aniq chegara nuqtalari tanlangan muntazam ichki nuqtalar bilan birlashtiriladi va standart Delaunay triangulyatsiyasi qoʻllanadi.

Mesh sifati mezonlari

Tadqiqot avtomobil CAE’da ishlatiladigan qobiq elementlari sifati mezonlarini baholashda quyidagi chegaralardan foydalangan:

Klips meshi faqat barcha zarur mezonlarni bajargandagina sifatli deb hisoblangan.

Tadqiqot usuli va natijalari

Case 1: 14 klipsli detal

Birinchi tekshiruv holatida jami 14 ta klips mavjud. Nuqta bulutini roʻyxatga olish natijalarida:

• 11 klips ≥ %95 moslik bilan bevosita standart meshni almashtirish yoʻliga,
• 3 klips %75–%95 oraligʻida segmentatsiya-fitting yoʻliga

yuborilgan.

Professional CAE dasturi bilan tayyorlangan ish jarayonida 14 klipsdan 10 tasi sifat mezonlarini bajargan va jarayon 2 soat davom etgan. Taklif etilgan usul barcha 14 klipsda sifatli mesh yaratgan va qayta ishlash vaqti 36 daqiqa deb xabar qilingan.

Case 2: 30 klipsli detal

Ikkinchi tekshiruv holatida 30 ta klips mavjud. Ulardan:

• 26 tasi ≥ %95 moslik bilan bevosita almashtirilgan,
• 4 tasi %75 dan past boʻlib, backing plate bilan birga qayta ishlash yoʻliga yuborilgan,
• hech biri segmentatsiya-fitting oraligʻiga tushmagan.

CAE ish jarayonida 30 klipsdan 13 tasi sifatli mesh yaratgan boʻlsa, taklif etilgan usulda 26 klips sifat shartlarini bajargan.

%52,27 → %90,9 natijasi qayerdan keladi?

Case 1 va Case 2 birgalikda baholanganda jami 44 ta klips mavjud.

CAE ish jarayonida sifatli klipslar soni:

\[ 10+13=23 \]

boʻlgani uchun birlashtirilgan muvofiqlik darajasi taxminan:

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

boʻladi.

Taklif etilgan usulda sifatli klipslar soni:

\[ 14+26=40 \]

boʻlgani uchun:

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

natijasi olinadi.

Shunday qilib, annotatsiya va xulosa boʻlimidagi %52,27 → %90,9 ifodasi ushbu ikki batafsil holatning klips darajasidagi birlashtirilgan taqqoslashini anglatadi.

Oʻn avtomobildagi kengroq statistik taqqoslash

Tadqiqotchilar faqat ikkita tanlangan holat bilan cheklanmay, 10 ta avtomobil modelida qoʻlda bajariladigan ANSA asosidagi jarayonni taklif etilgan avtomatik usul bilan juftlangan statistik testlar orqali taqqoslagan.

Oʻn avtomobilli ma’lumotlar toʻplamida qoʻlda usulning oʻrtacha vaqti:

4,01 ± 1,26 soat

taklif etilgan usulning oʻrtacha vaqti esa:

1,25 ± 0,38 soat

deb xabar qilingan. Bu taxminan %68,8 oʻrtacha vaqt kamayishiga teng.

Mesh sifati muvofiqligi qoʻlda usulda:

%59,32 ± 9,22

boʻlgan boʻlsa, taklif etilgan usulda:

%91,67 ± 4,08

deb topilgan.

Ham paired t-test, ham Wilcoxon signed-rank testi ushbu farqlar uchun statistik ahamiyatni koʻrsatgan. Vaqt va mesh sifati taqqoslashlarida paired t-test uchun \(p<0,001\), Wilcoxon uchun \(p=0,002\) xabar qilingan.

Har bir mesh metrikasida avtomatlashtirish yaxshiroqmi?

Yoʻq. Manbaning 7-jadvalida koʻp sifat metrikalarida avtomatik usuldagi nomuvofiq elementlar ulushi pastroq boʻlsa-da, ikkita metrikada qoʻlda mesh ozgina yaxshiroq koʻrinadi.

Aspect Ratio va maksimal uchburchak burchagi uchun taklif etilgan usuldagi nomuvofiq element ulushi qoʻlda usuldan biroz yuqori. Tadqiqotchilar barcha qiymatlar %5 dan ancha past qolganini va muhandislik nuqtai nazaridan qabul qilinishini bildirgan.

Bu tafsilot muhim; tadqiqot avtomatik usul har bir alohida mesh sifati metrikasida qoʻlda meshni mutlaq ravishda ortda qoldirishini koʻrsatmaydi. Asosiy afzallik umumiy muvofiqlik darajasi va qayta ishlash tezligini birgalikda oshirishidir.

Yangi va ilgari koʻrilmagan avtomobil platformalarida nima boʻldi?

Umumlashtirish bahosida Vehicle A va Vehicle B deb nomlangan ikkita qoʻshimcha avtomobil ishlatilgan. Ushbu ikki avtomobilning platformalari, klips dizaynlari va umumiy geometriyalari treningda ishlatilgan 10 avtomobildan farq qiladi. PointNet++ treningi va xususiyatlar kutubxonasi yaratilishida bu avtomobillardan ma’lumot ishlatilmagan.

Samaradorlik butunlay bir xil qolmagan, ammo pasayish cheklangan. Tadqiqotchilar buni usulning yangi platformalarga umumlashtirish qobiliyatining koʻrsatkichi sifatida talqin qilgan.

Yangi avtomobillarda nechta klips bevosita almashtirildi?

Yangi platformalarda shablonni bevosita almashtirish ulushi biroz kamaygan va geometrik qayta moslashtirishga ehtiyoj oshgan. Bu holat xususiyatlar kutubxonasi qamrovi usulning umumiy hisoblash samaradorligida kritik ekanini koʻrsatadi.

Tijoriy avtomatik oʻrta-sirt vositalari bilan taqqoslash

Tadqiqotchilar ANSA va Altair HyperWorks’ning oʻrnatilgan avtomatik oʻrta-sirt ajratish funksiyalarini ham xuddi shu turdagi yupqa plastik klipslarda sinagan. 24-rasmda tijoriy vositalarning xom avtomatik chiqishlarida yetishmayotgan mesh, parchalanish va topologik xatolar koʻrsatilgan.

Manba bu xom avtomatik chiqishlarning mesh sifati muvofiqligi koʻp hollarda %5 dan pastligini va keng qamrovli qoʻlda tuzatishsiz downstream FEA uchun foydalanib boʻlmasligini bildiradi.

Shu sabab tadqiqotning asosiy samaradorlik taqqoslanishi tijoriy dasturiy ta’minotning xom avtomatik chiqishiga emas, professional muhandis tomonidan tuzatilgan qoʻlda/yarim avtomatik ANSA ish jarayoniga nisbatan amalga oshirilgan.

Bu usul muhandisning oʻrnini egallaydimi?

Tadqiqotchilar tizimni avtonom muhandis emas, aqlli CAE yordamchisi sifatida joylashtiradi. Yakuniy toʻr simulyatsiyaga kiritilishidan oldin muhandis tomonidan koʻrib chiqilishi va tasdiqlanishi koʻzda tutilgan.

Muhandis:

• avtomatik qarorni bekor qilishi,
• parametrlarni oʻzgartirishi,
• gʻayrioddiy geometriyada qoʻlda aralashishi,
• yakuniy meshni qabul qilishi yoki rad etishi mumkin.

Demak, tadqiqot maqsad qilgan avtomatlashtirish takroriy geometrik tayyorlash ishini kamaytirish, muhandislik qarorini yoʻq qilish emas.

Tadqiqotning kuchli tomonlari

• Maxsus avtomobil plastik detallari nuqta buluti ma’lumotlar toʻplamining yaratilishi.
• Chuqur oʻrganish chiqishining bevosita CAE mesh yaratish zanjiriga bogʻlanishi.
• Standart va nostandart klipslar uchun bitta qat’iy algoritm oʻrniga adaptiv qaror ishlatilishi.
• 1132 klipsli haqiqiy muhandislik xususiyatlar kutubxonasi.
• FPFH–ICP bilan qoʻpol va aniq roʻyxatga olish kombinatsiyasi.
• %95 va %75 ikki chegarali avtomatik yoʻnaltirish.
• Toʻliq boʻlmagan silindrlar uchun maxsus markaz/oʻq tuzatishi.
• Ichki teshiklar ham kiradigan murakkab chegaralar uchun Monte Carlo asosidagi usul.
• T, L, Cross va tekislik-silindr ulanishlarining topologik koʻrib chiqilishi.
• 10 avtomobilli juftlangan statistik taqqoslash.
• Treningda koʻrilmagan ikkita avtomobil platformasida qoʻshimcha umumlashtirish testi.

Tadqiqotning asosiy cheklovlari

1. Xom skaner ma’lumotlari ishlatilmagan. Tekshiruv CAD geometriyalaridan olingan toza va toʻliq nuqta bulutlari bilan amalga oshirilgan. Haqiqiy 3D skanerlarda shovqin, yetishmayotgan ma’lumot, warpage va oʻlchash xatolari usul samaradorligini oʻzgartirishi mumkin.

2. Xususiyatlar kutubxonasiga qaramlik mavjud. Butunlay yangi klips geometriyalari shablonni bevosita almashtirishdan foydalana olmaydi va qimmatroq segmentatsiya-fitting yoʻliga tushadi.

3. %75 dan past fallback mexanik jihatdan xavfli boʻlishi mumkin. Kritik ulash klipslarini backing plate bilan birga koʻrib chiqish haqiqiy geometrik va mexanik xatti-harakatni yetarli darajada ifodalamasligi mumkin.

4. FEA natijalarini tekshirish amalga oshirilmagan. Mesh geometriyasining sifati baholangan, biroq bir xil detalning qoʻlda va avtomatik mesh bilan olingan yakuniy kuchlanish, deformatsiya, modal yoki boshqa FEA chiqishlari qanchalik mos kelishi tadqiqotda koʻrsatilmagan.

5. Ma’lumotlar toʻplami va kutubxona muayyan korporativ avtomobil geometriyalariga asoslangan. Ikki koʻrilmagan platforma ijobiy natija bergan boʻlsa-da, ancha keng ishlab chiqaruvchilar va detal oilalarida tashqi tekshiruv oʻtkazilmagan.

Kelajakdagi tadqiqotlar

Tadqiqotchilar toʻrtta asosiy rivojlantirish yoʻnalishini koʻrsatadi:

• xususiyatlar kutubxonasini avtomatik kengaytirish uchun chuqur generativ modellar,
• kuchliroq semantik anglash uchun Transformer asosidagi tarmoqlar,
• shovqin va warpage mavjud xom 3D skanerlash ma’lumotlarida tekshirish,
• yaratilgan meshning haqiqiy muhandislik tahlili natijalariga ta’sirini tekshirish uchun downstream FEA sinovlari.

Tadqiqot qoʻllab-quvvatlaydigan natija

Manba tadqiqot, belgilangan avtomobil plastik detallari ma’lumotlar toʻplami va tekshiruv sharoitlarida PointNet++ xususiyatlarni tanish, FPFH–ICP roʻyxatga olish, standart meshni almashtirish va geometrik segmentatsiya-fitting usullarini birgalikda qoʻllash CAE oʻrta-sirt mesh tayyorlash vaqtini sezilarli kamaytirishi va umumiy mesh sifati muvofiqligini professional qoʻlda ish jarayoniga nisbatan oshirishi mumkinligini qoʻllab-quvvatlaydi.

Tadqiqot qoʻllab-quvvatlamaydigan natija

Tadqiqot usul barcha avtomobil plastik qismlarida xatosiz ishlashini, CAE muhandisini butunlay yoʻq qilishini, xom skanerlash ma’lumotlarida ayni natijalarni berishini yoki yaratilgan meshlar barcha yakuniy FEA natijalarida qoʻlda mesh bilan bir xil fizik prognozni hosil qilishini isbotlamaydi.

Manba va usul haqida izoh

Toʻliq original tadqiqot nomi: Automated Mid-Surface Mesh Generation Method for Automotive Plastic Parts Based on Deep Learning

Mualliflar va tartibi: Hongbin Tang; Zehui Huang; Jingchun Wang; Jianjiao Deng; Shibin Wang; Zhiguo Zhang; Zhenjiang Wu.

Teng hissa/teng birinchi muallif: Manbada teng birinchi muallif yoki teng hissa bayonoti koʻrsatilmagan.

Mas’ul muallif: Zehui Huang.

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

Jurnal: Vehicles.

Nashriyot: MDPI, Basel, Switzerland.

Jild / son / maqola: Vehicles 2026, Jild 8, Son 5, Maqola 96.

DOI: 10.3390/vehicles8050096

Qabul qilingan / qayta koʻrib chiqilgan / qabul qilingan / nashr: 22 Yanvar 2026 / 9 Aprel 2026 / 18 Aprel 2026 / 1 May 2026.

Manba turi va taqriz: Taqrizdan oʻtgan tadqiqot maqolasi; avtomobil CAE oldindan qayta ishlash, 3D nuqta buluti, chuqur oʻrganish va geometrik mesh rekonstruksiyasini birlashtiruvchi muhandislik usulini ishlab chiqish va tekshirish tadqiqoti.

Rasmiy nashr havolasi:MDPI rasmiy maqola sahifasi

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

Litsenziya: Creative Commons Attribution (CC BY).

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

Ma’lumotlardan foydalanish imkoniyati: Tadqiqot ma’lumotlari maxfiylik cheklovlari sabab mas’ul muallifdan soʻrov asosida olinishi mumkinligi koʻrsatilgan.

Manfaatlar toʻqnashuvi / korporativ aloqa: Hongbin Tang, Zehui Huang, Jingchun Wang, Jianjiao Deng va Shibin Wang FAW Global R&D Center xodimlari; Zhiguo Zhang va Zhenjiang Wu esa CATARC (Tianjin) Automotive Engineering Research Institute Co., Ltd. xodimlari ekanligi ochiqlangan. Mualliflar bundan tashqari tadqiqotga ta’sir qilishi mumkin boʻlgan boshqa tijoriy yoki moliyaviy aloqa yoʻqligini bildirgan.

Muallif hissalari: Konseptuallashtirish H.T. va Z.H.; usul H.T.; dasturiy ta’minot H.T. va J.D.; tekshirish J.W., S.W. va Z.Z.; formal tahlil H.T., J.W. va Z.Z.; tadqiqot J.W. va S.W.; resurslar Z.H. va Z.W.; ma’lumotlarni tartiblash H.T. va Z.W.; dastlabki qoralama H.T.; koʻrib chiqish va tahrirlash Z.H. va Z.Z.; vizualizatsiya J.D. va Z.W.; nazorat Z.H.; loyiha boshqaruvi va moliyalashtirishni olish Z.H.

Ilmiy mazmun qamrovi: Ushbu Verianla izohidagi PointNet++ parametrlari, ma’lumotlar toʻplami oʻlchamlari, nuqta bulutini roʻyxatga olish usuli, chegara qiymatlari, geometrik rekonstruksiya algoritmlari, mesh mezonlari, vaqtlar, sifat darajalari va statistik natijalar koʻrib chiqilgan tadqiqotga asoslanadi. Tashqi manba faqat bibliografik nashr identifikatsiyasini tasdiqlash uchun ishlatilgan; tashqi ilmiy natija qoʻshilmagan.

Asosiy metodologik cheklov: Tadqiqotdagi test nuqta bulutlari nominal CAD geometriyalaridan olingan va toza/toʻliq ma’lumot faraziga asoslangan. Xom 3D skaner ma’lumotlaridagi shovqin va deformatsiya hali baholanmagan. Yaralgan oʻrta-sirt meshlarining keyingi chekli elementlar tahlilida qoʻlda yaratilgan toʻrlar bilan bir xil fizik natijalarni berish-bermasligiga doir downstream FEA tekshiruvi ham kelajakdagi ish sifatida qoldirilgan.

Sonli qamrov qaydi: Annotatsiya va xulosa boʻlimidagi taxminan %52,27 dan %90,9 gacha mesh sifati muvofiqligi oshishi Case 1 va Case 2 dagi jami 44 klipsning birlashtirilgan natijasidir. Oʻn avtomobilli keng taqqoslashda avtomobil boshiga oʻrtacha muvofiqlik darajalari qoʻlda usul uchun %59,32, taklif etilgan usul uchun %91,67. Oʻrtacha vaqt xuddi shu 10 avtomobil taqqoslashida 4,01 soatdan 1,25 soatgacha tushgan.

Manba ichidagi terminologiya qaydi: Tadqiqotda 3D IoU oʻxshashligi va matching rate alohida ta’riflangan boʻlsa-da, 10-rasm va atrofidagi chegara muhokamasida “IoU threshold” hamda “matching-rate threshold” iboralari qisman aralash qoʻllangan. Qaror mexanizmidagi %95 va %75 chegaralari bu izohda manba matnining jarayon yoʻnaltirishida ishlatgan matching rate/moslik darajasi sifatida saqlangan.