一种新的、不依赖于特定材料特性的序列参数化方法，用于基于变压器的替代模型中的挤压模具设计

《Engineering Applications of Artificial Intelligence》：A new profile-agnostic sequential parametrisation method for extrusion die in transformer-based surrogate model

铝型材成型模具参数化方法及Transformer代理模型研究。提出分层序列化参数化方法，将模具分解为5层结构，通过顶底视图和CAD段序列保留完整几何信息。构建Transformer自动编码器模型，结合稀疏注意力机制和ViT解码器，在仅256个有限元仿真样本下实现流速偏差分布预测，较传统标量模型精度提升144%。研究突破传统参数化局限，为多型材模具智能化设计奠定基础

　　在制造业中，铝型材挤压是一项广泛应用的技术，尤其在建筑、包装和交通运输等行业中扮演着重要角色。然而，挤压模具的设计目前仍然高度依赖耗时且成本高昂的试错方法，这些方法通常基于经验知识进行调整。为了提高模具设计的效率，研究人员提出了一种创新的解决方案，即通过一种顺序参数化方法对挤压模具进行建模，并开发了一个基于Transformer的代理模型，用于预测材料流动速度的偏差。这一研究的核心目标是加速最耗时的阶段——有限元（FE）验证阶段，从而提高模具设计的效率和精度。

传统上，模具设计通常需要将复杂的设计参数转化为一组特定于型材的参数，这种做法虽然在一定程度上简化了模型，但往往忽略了模具整体的几何信息，导致设计过程中信息丢失。而本文提出的方法则不同，它将模具分解为多个层次，每个层次通过顶部和底部视图进行表示，能够全面记录模具的几何结构。这种方法不需要依赖于型材特定的参数，而是通过一种系统化的方式，将模具的每个部分抽象为多个段，这些段按照逆时针顺序排列，从而形成一个完整的、无信息丢失的表示。通过这种方式，模具的设计过程能够更高效地进行，同时保留了其完整的几何特征。

基于这种顺序参数化方法，研究人员进一步开发了一个基于Transformer的自编码器模型。与传统的响应曲面方法（RSM）或多层感知机（MLP）模型不同，该模型能够以顺序化的模具参数作为输入，预测材料流动速度的偏差图。这使得模型能够捕捉模具各部分之间的复杂相互作用，并生成与FE分析结果相似的预测图像。这种基于Transformer的代理模型在处理顺序数据方面表现出色，能够有效建模模具的复杂几何关系，从而实现对材料流动行为的高效预测。

在实际应用中，传统的FE分析过程需要大量计算资源，单次分析可能需要高达30个CPU小时。而基于代理模型的方法则显著降低了计算成本，能够在几秒钟内完成预测。例如，本文使用了一个仅有256个样本的紧凑数据集，训练了一个基于Transformer的代理模型，该模型能够对未见过的设计进行预测，且预测结果与FE分析高度一致。这一成果表明，基于顺序参数化和Transformer架构的代理模型在挤压模具设计中具有广阔的应用前景。

为了进一步提高模型的准确性，研究者采用了自适应的注意力机制，通过屏蔽某些注意力权重来减少计算复杂度。这种方法允许模型在保持关键信息的同时，降低训练所需资源。例如，在模型训练过程中，采用了稀疏注意力机制，其中每个注意力权重只与序列中相邻的某些元素相关，从而避免了不必要的计算。通过这种方式，模型能够在更短的时间内完成训练，并且保持较高的预测精度。

在数据收集和预处理方面，研究人员采用了一种系统化的方法，通过设计实验（DoE）生成多样化的模具设计数据。这些数据经过有限元模拟后，被转换为适合机器学习模型的格式，包括图像和张量。在数据预处理过程中，研究者对模具参数进行了标准化处理，以确保模型能够有效地学习和预测。此外，为了增强数据的多样性，研究者对数据进行了旋转处理，使得训练数据覆盖了更广泛的设计空间。

模型的训练过程采用了混合损失函数，包括感知损失和均方误差（MSE）损失。在训练初期，模型主要关注于捕捉整体趋势，而在训练后期，模型则进一步优化像素级的精度。这种分阶段的训练策略使得模型能够在不同阶段学习不同的特征，从而提高其预测能力。实验结果表明，该模型在验证集上的表现显著优于传统的基于标量的模型，其预测准确率提高了144%。

为了验证模型的泛化能力，研究者还测试了一些未用于训练的新设计。结果显示，模型能够准确预测这些设计的材料流动速度偏差，证明了其在实际应用中的可靠性。此外，研究者还探索了该方法在不同型材上的适用性，发现即使在几何结构略有变化的型材上，该模型仍然能够保持较高的预测精度，显示出其对不同型材的适应性。

最后，研究者提出了一种基于强化学习（RL）的优化方法，将模具设计过程转化为一个序列决策问题。通过这种方式，模型可以作为一种反馈机制，指导优化过程，从而减少对有限元模拟的依赖。虽然这种方法在目前的研究中仅应用于T型模具的入口部分，但其潜力在于可以扩展到更复杂的模具设计中，为实现自动化模具设计提供了新的思路。

总体而言，本文提出了一种创新的模具参数化方法和基于Transformer的代理模型，显著提高了挤压模具设计的效率和准确性。这种方法不仅适用于T型模具，还具有广泛的适用性，能够推广到其他型材的模具设计中。未来的研究可以进一步优化模型的性能，探索其在多材料挤压中的应用，并利用更丰富的实际数据来提升模型的泛化能力。