《Materials & Design》：StampFormer: A physics-guided material-geometry-coupled multimodal model for rapid prediction of physical fields in sheet metal stamping
编辑推荐：
StampFormer融合了材料应力-应变曲线与部件几何形状。多尺度材料注入改善了成形场预测。该模型在不到1秒的时间内预测减薄率、应变和位移。预测场与有限元模拟结果高度吻合。该代理模型支持快速的早期阶段材料-几何筛选。
StampFormer融合了材料应力-应变曲线与部件几何形状。多尺度材料注入改善了成形场预测。该模型在不到1秒的时间内预测减薄率、应变和位移。预测场与有限元模拟结果高度吻合。该代理模型支持快速的早期阶段材料-几何筛选。
论文解读文章
研究背景与问题
在航空航天、医疗器械以及汽车制造等领域，板材冲压成形是生产复杂部件的关键工艺。随着对高性能和轻量化需求的提升，先进高强钢和铝合金等材料被广泛应用，但这些材料的成形过程常表现出复杂的减薄、有限延展性和回弹行为，给可制造性设计带来巨大挑战。传统的设计流程依赖有限元分析进行可行性验证，然而有限元分析计算成本高昂，每次迭代耗时数小时甚至数天，严重阻碍了设计构思与性能验证之间的快速交互，导致设计周期延长和开发成本增加。尽管人工智能技术已开始应用于制造领域，但现有的基于图像的代理模型主要聚焦于几何输入，忽略了材料属性对冲压响应的关键影响。因此，亟需一种能够同时考虑材料与几何耦合效应的快速预测方法。
研究内容与结论
为解决上述问题，研究人员提出了StampFormer——一种新颖的物理引导深度学习框架，旨在显式地结合部件几何形状与其材料本构响应（即应力-应变曲线），以预测冲压成形中的物理场（减薄率、应变和位移）。该模型通过在不到1秒的时间内提供高保真度的全场预测，有望替代重复性的有限元分析评估，从而加速早期的材料和几何设计探索。研究表明，StampFormer的预测结果与有限元模拟结果高度一致，证明了其在所研究的设计域内作为高效代理模型的可行性与重要价值。
关键技术方法
研究人员采用了以下关键技术方法：
- 1.
数据生成与预处理：通过拉丁超立方采样生成600种独特的几何参数组合，并结合从现有数据库获取并经受控增广处理的钢材（600条曲线）和铝合金（110条曲线）应力-应变曲线。利用PAM-STAMP软件对每种材料-几何配对进行有限元仿真，生成目标物理场。随后，将三维CAD模型投影为二维高度图作为几何输入，并将有限元结果映射回未变形空白网格作为目标图像。
- 2.
网络架构设计：StampFormer包含三个核心组件。首先，材料增强几何网络负责将一维应力-应变曲线经Transformer编码后与二维几何特征通过空间广播和卷积操作进行初始多模态融合。其次，分层材料嵌入注入单元作为一个并行塔结构，在主干网络的每一编码器层级注入相应尺度的材料嵌入。最后，物理引导Swin-UNet采用基于窗口多头自注意力机制的对称编码器-解码器结构，处理融合后的多尺度特征以预测最终物理场。
研究结果
6.1 定量分析：对于钢材和铝合金数据集，在五个预测物理场上计算了掩膜均方误差。结果显示，所有场次的误差均处于较低水平。对于四个二维物理场，代表最大值相对误差分布显示，钢材数据集的平均相对误差介于4.5%至7.2%之间，95百分位数大多低于15%；铝合金数据集的平均相对误差介于5.3%至8.3%之间，但尾部稍重，可能与极端响应采样稀疏有关。对于三维位移场，钢材的平均欧几里得位移误差为0.081毫米，铝合金为0.108毫米。
6.2 减薄场预测：通过可视化对比地面实况与预测的减薄场，并绘制顶部0.3%值的重叠图，展示了模型在定位最大减薄区域上的准确性。全测试集上的减薄临界区域召回率分析表明，钢材和铝合金的中位召回率均约为70%，意味着预测的候选区域捕获了大部分实际的关键减薄区域。
6.3 主次应变分布预测：通过绘制主次应变分布图（类似于成形极限图的坐标轴）进行比较，结果显示模型能够再现应变状态点云的总体形状、密度和散布范围，表明其成功捕捉了面板上耦合的主/次应变响应。
6.4 位移与塑性应变预测：通过重建由位移场驱动的成形后部件表面并叠加塑性应变场进行可视化比较，确认了模型在预测位移和塑性应变方面的高保真度。
讨论与结论
在讨论部分，研究人员指出，本文提出的物理引导多模态学习范式填补了现有代理模型在材料-几何耦合方面的空白。工程意义在于，StampFormer能够在极短时间内提供高精度的全场预测，从而将传统串行设计迭代转变为AI赋能的实时交互式工作流，显著缩短产品开发周期并降低成本。此外，研究还讨论了度量标准的选择，强调了掩膜均方误差、代表最大值相对误差和临界区域召回率等指标从不同维度评估模型性能的必要性。
研究结论：本研究介绍了StampFormer，这是一种物理引导的多模态深度学习框架，用于快速预测板材冲压中的物理场。通过显式地将部件几何形状与材料应力-应变曲线相结合，并在多个特征尺度上保持材料信息，StampFormer解决了现有几何中心代理模型的一个关键局限性。实验结果表明，该模型能够以高精度和高效率预测减薄率、应变和位移场，与有限元模拟结果高度吻合。这项工作为工程师提供了一种强大的工具，能够在设计早期快速探索材料和几何选择，从而推动更高效、更具创新性的冲压件设计。
