《Engineering Structures》：Automated finite element modeling method for steel structure shell element point cloud based on a "Segmentation-Reconstruction" framework
编辑推荐：
针对钢壳结构点云离散采样与连续有限元重建的矛盾，提出“分割-重建”两阶段智能建模框架。首先基于几何特征分割点云为FE友好区域，再通过三阶段优化算法生成高保真网格，验证表明该方法在分割精度和网格质量上优于现有方法，并成功应用于工程仿真。
滕文正|周旭红|刘杰鹏|齐洪托|尹航|刘晨旭|孙守望
教育部城市山区建设新技术重点实验室（重庆大学），中国重庆400045
摘要
现代土木工程中钢结构复杂性的不断增加，使得结构健康监测（SHM）需要先进的有限元建模技术。传统的将点云转换为有限元模型的手动方法效率低下且精度不高，尤其是在处理具有复杂几何特征的结构时。本研究开发了一种“分割-重构”两阶段框架，用于从钢壳元素点云自动生成高保真度的有限元网格。首先，基于几何特征的分割方法将点云分解为适合有限元处理的块，同时减少碎片化。其次，提出了一种三阶段网格优化算法，逐步生成高质量网格。使用ABC基准数据集和实际钢结构扫描数据的实验评估表明，与现有方法相比，我们的方法具有更高的分割精度，同时重构的网格保持了清晰的几何特征并降低了平均网格复杂度。在ABAQUS平台上对静态加载案例的验证确认了重构有限元网格的工程可靠性。本研究提出了一种系统化的方法，解决了离散采样与连续重构之间的固有冲突，推动了点云逆向工程在机械分析和结构健康监测中的应用。
引言
近年来，由于钢结构具有高强度、轻质特性和施工效率高等优点，在土木工程中的应用不断扩展[1]。随着钢结构系统复杂性的增加和大规模部署，实施有效的结构健康监测（SHM）已成为工程实践中的关键挑战。SHM通常需要多个传感器来收集结构响应数据（位移、应变、应力），以建立高保真度的有限元（FE）模型，然后通过FE数值模拟来分析机械行为[2]、[3]、[4]。值得注意的是，建筑物中的大多数钢结构部件由薄壁构件（如板、壳）组成。这些表面型结构通常使用壳元素模型在FE模拟中进行分析，以表征其机械性能[5]、[6]。
雷达和激光扫描技术的进步促进了通过3D点云生成的高精度表面形态获取，为结构健康监测开辟了新的技术途径[7]、[8]。特别是对于缺乏原始设计文档的现有结构，基于逆向工程的3D激光扫描已成为重构结构几何形状的重要方法[9]。通过激光或结构光扫描获得的高密度点云理论上可以精确重构薄壁钢结构中的复杂曲面，从而为有限元建模建立几何基础。有限元（FE）分析的基本要求是建立有效的计算模型。将空间点云数据直接转换为可操作的FE模型仍然是计算力学中的一个持续挑战。这一挑战体现在以下几个方面：
首先，缺乏自动化。目前3D点云在FE分析中的应用主要集中在几何参数提取上：工程师必须首先在CAD/BIM平台上重建点云模型，然后才能在专用软件中进行网格划分。尽管点云数据本身包含了构建精确FE模型所需的几何信息，但完整的建模工作流程仍然需要手动建模和网格划分操作[9]、[12]、[15]、[16]、[17]、[18]。
其次，应用场景有限。传统的3D点云方法主要捕捉结构表面形状，大多数监测分析仅限于评估主要变形和查找或分类损伤位置[10]。虽然从点云提取的几何特征可以补充有限元（FE）分析参数，但由于表面几何非线性，基于几何的近似在FE模型中会引入差异。更严重的是，表面几何数据与内部机械响应之间缺乏本构关系，阻碍了点云和FE分析之间有效闭环的建立，从而妨碍了机械参数的定量分析[8]、[11]、[14]。
第三，算法的泛化能力不足。以往的研究开发了基于几何特征提取的针对具有特殊几何特征的结构点云的直接网格划分方法。然而，这些方法仅适用于特定目标，需要根据结构属性定制标准，并且在复杂几何系统中缺乏通用性[11]、[19]、[20]。最后，建模精度与计算效率之间存在冲突。点云数据表示结构表面特征的离散分布，而表面网格便于连续特征重构。从点云生成的网格密度受到原始采样属性的限制，这在具有尖锐特征的结构建模时尤为明显。关键区域（如结构边缘）需要超高密度的点云来准确捕捉突然的几何变化，而同一组件的较平滑区域可以用稀疏点云表示，传统建模方法被迫采用全局统一的高密度采样以匹配边缘区域，以确保局部特征的保真度。低密度点云容易导致边缘几何信息的丢失，从而引起网格变形。然而，高密度点云虽然保持了几何保真度，但会产生大量三角形元素（通常数百万个），大幅增加有限元计算成本。此外，由于现有网格算法的技术限制，即使超高密度的点云也无法保证边缘区域的网格精度和完整性。
本研究创新性地提出了一种“分割-重构”两阶段智能网格框架，自动化地将钢结构壳元素的点云建模为高保真度的有限元网格。如图1所示，该方法包括四个连续阶段：首先，将ABC基准数据集和实际点云作为异构数据整合。实际数据的预处理遵循经典方法，包括但不限于切割、过滤和配准[43]、[44]（因非核心内容而未详细讨论）。其次，实现改进的几何原语检测网络，通过基于网络的划分和后处理细化实现FEA友好的分割。第三，提出了一种基于球旋转算法（BPA）[38]的三阶段网格优化算法，逐步提高网格质量，同时保持清晰的几何特征。最后，在ABAQUS有限元软件中进行静态加载分析，以验证网格模型的数值可行性。本文的主要贡献如下：
1.钢结构壳元素网格的端到端自动化建模。本研究提出了一种从无序点云自动生成可计算壳元素网格的方法。与传统的手动特征提取和建模方法相比，显著提高了建模效率，降低了劳动力成本和专业知识要求，并减少了对外部软件的依赖；
2.扩展了点云重建的应用范围。建立了一个专门为有限元网格生成优化的分割框架，促进了点云逆向工程在机械分析和结构健康监测中的实际应用；
3.高度泛化的算法框架。“分割-重构”框架可以直接从原始点云重建高质量模型，无需预先知识或特征提取；
4.高效且高保真的模型重建。开发了一种基于球旋转算法的三阶段网格优化算法。该方法在重构相邻块之间的共享边缘的同时保持整体网格稀疏性，并保持清晰的几何特征，实现了计算效率与特征保真度之间的平衡优化。
部分摘录
非学习型方法
区域生长方法基于局部几何相似性合并相邻点云，在形状原语提取中得到广泛应用[21]、[22]。基于霍夫变换的方法通过参数空间投票机制在检测平面和圆柱体时表现出强大的鲁棒性[23]、[24]。基于RANSAC的相关算法[25]、[26]通过迭代生成模型假设并验证它们，有效处理噪声数据。能量优化框架提取全局
点云分割
在“分割-重构”两阶段智能网格框架中，分割阶段的核心任务是将初始点云分解为具有明确定义的几何特征的表面块。本研究利用6D点云数据（包含3D坐标和法向量）作为输入，重新设计了HPNet几何原语分割网络的核心模块，以提高分割精度。通过重新分割和合并初始分割结果，
神经网络训练
神经网络使用NVIDIA RTX A6000 GPU在标准ABC数据集上进行了训练。ABC数据集包含一百万个计算机辅助设计（CAD）模型，旨在支持几何深度学习方法和应用的研究。每个模型都由显式参数化的曲线和表面组成，为计算微分量、块分割、几何特征检测和形状重建提供了真实数据[45]。该数据集中的大多数模型都是
结论
本研究通过提出一种两阶段“分割-重构”智能网格生成框架，解决了从无序点云自动生成钢结构壳元素有限元（FE）网格的挑战，并对其有效性和工程适用性进行了实验验证。主要结论如下：
(1)端到端自动化建模：所提出的方法实现了从无序点云直接生成可计算壳元素网格的自动化
局限性
尽管提出的“分割-重构”两阶段框架具有显著优势，但仍存在一些局限性。首先，当前的实验框架受到数据完整性和准确性的限制，需要大量的预处理工作。当原始数据质量较差时，实验效果会显著下降。其次，在算法适用性方面，现有解决方案主要集中在单个不规则组件的建模上，而
未来研究
未来的研究可以从三个方向深入进行。首先，提高算法的鲁棒性，使其能够在低质量点云中表现良好。其次，创建适用于桁架系统、空间框架和其他多组分复合结构的网格生成框架。最后，未来的研究将致力于开发几何驱动的网格生成算法，以生成具有规则拓扑和均匀元素质量的适合分析的网格，确保CRediT作者贡献声明
滕文正：撰写——原始草稿。刘杰鹏：资金获取。周旭红：资金获取。孙守望：资金获取。刘晨旭：数据管理。尹航：撰写——审阅与编辑。齐洪托：资金获取。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的竞争性财务利益或个人关系。
致谢
作者非常感谢深圳市科技计划（编号：KJZD20230923114114028）和国家重点研发计划（编号：2024YFC3809602）的财政支持。
