基于图像人工智能的板材成形毛坯形状优化建模与高精度预测框架研究

为解决传统试错法在板材成形毛坯形状优化中效率低、参数化方案受限的问题，研究人员开发了一种非参数化优化框架，集成自动解码器（auto-decoder）、卷积神经网络（CNN）代理模型和Adam优化器，实现了热冲压B柱毛坯形状的高效优化。该框架在厚度分布预测精度（ARMT<5%）、形状生成保真度和优化效率上均表现优异，为复杂几何件的智能制造提供了新思路。

　　

在汽车制造领域，热冲压技术是生产高强度安全部件（如B柱）的关键工艺，但其毛坯形状优化长期依赖耗时的手工试错法，且受限于固定参数化方案。传统代理模型（如径向基函数和克里金插值）因标量数据表示的信息丢失，难以处理复杂几何体的多参数化设计空间。针对这一挑战，研究人员开发了一种创新的非参数优化框架，通过图像人工智能技术突破传统方法的局限性。

该研究由国内某高校团队开展，提出集成自动解码器（auto-decoder）、残差-压缩激励U型网络（Res-SE-U-Net）和Adam优化器的全流程解决方案。自动解码器将毛坯形状的符号距离场（SDF）编码为潜在向量，实现形状的高保真重建；Res-SE-U-Net通过图像输入直接预测厚度分布，其预测最大减薄率（ARMT）和增厚率（ARMTK）的误差分别低于5%和10%，显著优于传统标量代理模型；Adam优化器通过迭代更新潜在向量，10分钟内即可获得满足制造标准（最大减薄≤15%、增厚≤10%）的毛坯形状。相关成果发表于《Materials》期刊。

关键技术包括：1）基于拉丁超立方采样的多参数化数据集生成策略；2）融合残差块和通道注意力机制的Res-SE-U-Net架构；3）结合SDF生成与梯度优化的非参数形状搜索算法。研究团队还设计了针对局部几何特征的规则化项（如"line"项保持边缘直线性），确保优化过程的物理合理性。

研究结果显示：在形状生成方面，自动解码器对测试集样本的平均绝对像素误差（AAPE）仅为1.14，且能实现潜在空间内的平滑形状插值；代理模型预测性能上，Res-SE-U-Net的10%误差覆盖率（90.4%减薄预测、67.8%增厚预测）远超传统方法（31.6%和39.1%）；优化案例证实，初始不满足制造标准的毛坯经优化后，其PAM-STAMP仿真结果完全符合行业规范。

该研究的突破性在于首次系统验证了图像人工智能在真实汽车部件多参数化优化中的优越性。非参数框架避免了传统方法的形状表示局限，Res-SE-U-Net的像素级预测能力为工艺优化提供了更丰富的物理信息。未来可扩展至三维几何优化和跨组件知识迁移，为智能制造系统的自主决策提供新范式。