一种生成式设计框架，用于在增材制造的早期设计阶段自动化生成可行的设计方案并辅助决策制定

《Advanced Engineering Informatics》：A generative design framework for automated feasible design generation and decision-making in the early design process for additive manufacturing

生成设计框架融合隐式场生成对抗网络（IM-GAN）与三维卷积神经网络（3D-CNN），通过缺陷过滤与数据增强优化设计生成，基于TOPSIS多准则决策提取Pareto最优解集，验证其在喷气发动机支架案例中实现2.2%缺陷率与多目标权衡。

　　

Jungyoon Moon|Kijung Park|Sang-in Park|David W. Rosen

仁川国立大学工业与管理工程系，韩国仁川22012

摘要

生成式设计方法因能够利用增材制造（AM）的设计自由度而受到关注。然而，大多数现有研究主要侧重于自动化新设计的创建，而较少关注同时生成和评估设计的框架，以确定最适合AM的设计。本研究提出了一个针对AM的生成式设计框架，该框架通过同时考虑机械性能和操作性能来生成帕累托最优设计。该框架整合了自动化设计生成和设计决策阶段。设计生成阶段使用隐式场生成对抗网络模型进行3D形状生成。生成模型通过原始训练设计和新生成的设计进行迭代更新，并结合了有缺陷设计的过滤和数据增强。在设计决策阶段，采用3D卷积神经网络模型来预测每个生成设计的制造时间、支撑结构的材料消耗以及静态机械应力。然后，使用多标准决策方法根据不同的性能偏好来确定帕累托最优设计集。喷气发动机支架案例研究的结果表明，该框架不仅生成了高度可行的设计（即缺陷率为2.2%），而且还有效地提供了具有AM性能预测的帕累托最优设计集。此外，帕累托最优设计出现在不同的决策偏好区域内，表明决策者无需指定AM的精确决策偏好幅度。本研究为AM的设计信息学做出了贡献，可以将传统的手动设计过程转化为智能设计决策系统。

引言

增材制造（AM）是一种先进的制造技术，通过逐层沉积材料来制造三维（3D）设计[1]。这种方法提供了极大的设计自由度，使制造商能够生产出使用传统减材制造方法难以或无法实现的复杂3D几何形状[2]。因此，AM作为实现各种行业（包括医疗、航空航天和汽车行业）大规模定制的手段而受到了广泛关注，在这些行业中，创新和定制的最终用户设计提供了竞争优势[2]。

尽管设计阶段在探索AM的新可能性方面发挥着越来越重要的作用，但新设计的创造往往受到传统制造方法中根深蒂固的认知障碍的阻碍[3]。作为回应，出现了针对AM的机会主义设计（DfAM）概念，通过自动化设计生成技术充分利用AM提供的设计自由度[4]。其中，拓扑优化是最广泛采用的机会主义DfAM方法之一。它根据指定的机械性能和约束条件优化原始设计结构的材料布局[5]、[6]。基于数学算法和计算自动化的拓扑优化可以生成复杂且轻量级的设计结构，这与AM的设计灵活性高度契合[7]、[8]。然而，拓扑优化技术在结合各种AM相关可制造性约束方面面临挑战，主要是由于难以有效且快速地收敛到最优设计解决方案[6]、[9]。此外，大多数拓扑优化方法仅关注为给定的拓扑优化问题生成单一的最优设计，而没有考虑AM的多目标性质，而AM需要考虑多个目标之间的权衡和偏好以得出帕累托最优的设计替代方案集[10]。这些方法论上的限制不仅限制了充分利用AM设计自由度的能力，还阻碍了AM可行设计解决方案的识别。

最近在推进机会主义DfAM方法方面的努力越来越多地集中在生成式设计上——这是一系列算法、方法和系统，用于在早期设计阶段根据特定的性能偏好高效生成新的设计替代方案[11]、[12]、[13]。深度生成模型（如变分自编码器（VAE）和生成对抗网络（GAN）的发展进一步加速了生成式设计在工程设计领域的应用[14]。最近的生成式设计方法在解决AM的多目标设计决策问题方面显示出前景，在这些问题中，识别所有非支配解决方案对于选择最佳设计至关重要[6]、[10]。然而，这些方法大多侧重于探索新设计，缺乏在AM早期设计阶段判断整体可制造性的智能决策过程。此外，当在有限的计算机辅助设计（CAD）数据上训练时，深度生成模型往往难以生成几何上可行的3D结构[14]、[15]。这表明需要实用的产生式设计方法，能够在实际操作中有效处理有限的设计数据集。因此，显然需要一个新的AM生成式设计框架，该框架不仅能有效生成可行的3D设计，还能使用多标准决策方案提供帕累托最优设计集来评估生成设计的可制造性[6]、[11]、[14]。

为了提高AM早期阶段的设计智能，本研究提出了一个能够生成和推荐最可行且可制造的AM设计解决方案集的生成式设计框架。该框架包括两个主要阶段：设计生成阶段和设计决策阶段。在设计生成阶段，基于隐式场生成对抗网络（IM-GAN）[16]的深度生成设计模型通过使用之前生成设计的几何上可行的输出进行选择性训练数据增强来迭代改进。随后，在设计决策阶段，使用3D-CNN模型预测每个生成设计的操作性能（即制造时间和支撑结构的材料消耗）以及其机械性能（即静态机械应力）。然后，使用TOPSIS方法[17]和多标准决策方法根据操作性能和机械性能标准的相对重要性来确定AM的帕累托最优设计集。所提出的框架使用Whalen等人提供的喷气发动机支架设计集进行了实现和验证[18]。

本研究通过以下关键贡献推进了AM的生成式设计：(i) 将设计生成和决策阶段整合到一个自动化设计框架中；(ii) 开发了一个涉及有缺陷设计过滤和选择性数据增强的迭代模型更新过程，以提高生成3D设计的可行性；(iii) 通过基于预测的AM性能指标的多标准决策方法确定了一组全面的帕累托最优设计。

先验研究总结

生成式设计的先验研究总结

文献中提出了各种基于性能条件的自动化设计生成的深度生成模型。Chen和Fuge[19]开发了一个分层GAN（HGAN）来生成2D机翼形状，捕捉特征依赖性和变化。Yilmaz和German[20]引入了一个条件GAN（cGAN）框架，根据表示所需空气动力性能的条件向量生成机翼设计的坐标集。Nobari等人[21]提出了

方法论

本研究提出了一个针对AM的生成式设计框架，该框架在两个主要阶段实现自动化3D设计生成和设计决策（见图1）。使用包含开源CAD数据的模拟喷气发动机支架数据集（SimJEB）[18]来演示所提出框架内的自动化设计生成和评估。在设计生成阶段（见图1a），将IM-GAN[16]应用于原始喷气发动机支架设计，以生成多样化的设计集

自动化设计生成

图5展示了在模型训练过程中，根据增强比率（$L_{IM\text{-}A}$），IM-AE的验证损失（$=\alpha$）的变化，用于更新第3.1.3节描述的初始训练设计集。图5中的验证损失曲线使用每个时期的移动平均窗口大小为10进行了平滑处理，以提高清晰度。在所有训练案例中，随着训练时期的增加，训练后的IM-AE的验证损失始终有所下降

结论与讨论

本研究提出了一个由两个阶段组成的生成式设计框架：设计生成和设计决策。该框架不仅生成了可行的设计替代方案，还确定了AM的帕累托最优设计解决方案。最初，基于IM-GAN的3D设计生成模型使用SimJEB数据集进行了训练，以创建喷气发动机支架设计替代方案。在设计生成阶段，检测并

CRediT作者贡献声明

Jungyoon Moon：写作 – 审稿与编辑，撰写原始草稿，可视化，验证，方法论，调查，形式分析，数据管理，概念化。Kijung Park：写作 – 审稿与编辑，撰写原始草稿，验证，监督，资源管理，项目管理，方法论，调查，资金获取，概念化。Sang-in Park：写作 – 审稿与编辑，撰写原始草稿，验证，方法论，调查，概念化。

利益冲突声明

作者声明他们没有已知的可能会影响本文报告工作的财务利益或个人关系。

致谢

本工作得到了韩国政府（MSIT）资助的韩国国家研究基金会（NRF）（编号：RS-2022-NR072150）对Kijung Park的支持。