工业金属管件成形过程优化与三维形状推断的物理调制双分支框架

本研究针对工业金属管件成形过程中工艺参数优化与三维形状预测的耦合难题，提出物理调制双分支框架FP-3D。通过构建统一特征尺度下的几何潜在特征中间表示，创新性地融合物理增量调制层（PIM）与特征径向转移（FRT）模块，实现工艺属性与三维形状的交互映射。实验表明，该框架在6FBT（六轴自由弯曲扭转）系统管件数据集上达到SOTA性能，为复杂管件闭环制造提供新范式。

　　

在航空航天、船舶制造和汽车工业中，金属弯管作为流体输送的关键部件，其成形精度直接决定系统可靠性。然而，6FBT（六轴自由弯曲扭转）成形过程中摩擦、设备偏转等多物理场耦合效应，导致轴向回弹（springback）和截面畸变等缺陷难以同步控制。传统半解析模型依赖力学假设，计算成本高且缺陷信息不完整；现有数据驱动方法又因模态语义隔离，无法建立工艺-形状的动态响应关联。这一瓶颈使得复杂管件的闭环制造始终面临"工艺调参靠经验、形状预测缺依据"的困境。

浙江大学研究团队在《Engineering Applications of Artificial Intelligence》发表的研究，提出物理调制双分支框架FP-3D。该研究通过预训练几何自动编码器（AE）提取结构化嵌入的几何潜在特征F_g∈R^n×48作为中间表示，创新设计物理增量调制层（PIM）捕捉材料属性敏感的应变增量，开发特征径向转移（FRT）模块实现工艺属性对隐式骨架的干预。关键技术包括：基于有限元分析（FEA）和真实场景的6FBT管件数据集构建、几何潜在特征对比学习策略、点生成扩散（PGD）模型分解学习等。

【架构设计】
FP-3D采用双分支结构：工艺优化分支通过对比历史成形件X_m与目标件X_t的几何特征差异，学习稀疏应力增量来调整工艺参数P_m；形状推断分支则通过FRT将管壁特征向轴线转移，结合PGD模型实现从稀疏轴向点到精细化三维点云的条件生成。

【数据集准备】
研究整合了FEA仿真管件、真实6FBT管件、定制管件及ShapeNet基准数据集，其中6FBT-3D数据集包含轴向轨迹、截面畸变等多维度成形缺陷标注，为模型提供跨场景验证基础。

【工艺优化结果】
在6FBT-2D/3D数据集上，FP-3D的工艺参数预测MSE较ResUNet++降低37.2%，较物理信息神经网络PINN降低28.6%。PIM层通过嵌入Hill48各向异性屈服准则，使应变增量预测误差控制在5%以内。

【形状推断性能】
相比DiffFacto等扩散模型，FP-3D在Chamfer距离指标上提升19.8%，其FRT模块通过径向坐标变换将截面特征传递效率提高42%，实现管壁厚度分布的可控生成。

该研究突破传统方法中工艺与形状预测割裂的局限，通过物理机制与深度学习的深度融合，首次实现工艺参数到三维形状的端到端闭环优化。特别在航空发动机异形管路等定制场景中，框架仅需输入工艺属性即可生成毫米级精度的点云模型，将新产品开发周期缩短60%以上。研究建立的统一特征尺度理论，为多物理场耦合的智能制造系统提供普适性方法论，被同行评价为"金属塑性成形领域数字孪生技术的里程碑式进展"。