决定-适应-重用：针对新压铆接头设计的元模型重用或适应的决策框架

《Proceedings of the Design Society》：Decide-Adapt-Reuse: a decision framework to reuse or adapt metamodels for new clinch joint designs

　　

元模型正在取代压铆接头设计中昂贵的验证仿真和实验。如果材料或条件发生变化，现有的元模型可能不再可靠。本文提出了一种方法，利用模型不确定性、预测系数（Coefficient of Prognosis, CoP）和 R² 分数来决定一个模型是应该被重用、重新校准，还是需要微调。两个案例研究表明，该框架能够提供充分的建议，并且重用、重新校准和微调后的模型能够与全新模型的表现相匹配，同时减少了仿真和训练工作量。

**论文解读：压铆接头设计中元模型重用与适应的决策框架**

**一、 研究背景与问题**

在轻量化装配需求的驱动下，压铆等机械连接技术因其相较于传统焊接技术能耗更低而受到关注。然而，压铆接头的设计过程严重依赖专家知识和试错法，并包含通过仿真和实验进行的高成本设计验证。为应对这一挑战，基于元模型（Metamodel）的方法被开发出来，以替代昂贵的仿真。元模型，特别是人工神经网络（Artificial Neural Network, ANN），能够基于训练数据学习输入参数（如工具几何、材料）与输出几何属性（如颈部厚度（Neck Thickness, NE）、互锁量（Interlock, IL）、底部厚度（Bottom Thickness, BT））之间的复杂映射关系。

然而，当前研究存在一个关键缺口：当设计任务发生变化时（例如，使用新材料或超出原有参数范围），缺乏一个系统化的、面向设计人员的决策程序，来判断现有元模型是否可以直接重用，还是需要采用某种适应策略（如重新校准或迁移学习中的微调）。盲目重用可能导致预测不可靠，而总是训练全新模型则费时费力。因此，如何系统地为新设计任务选择最合适的元模型处理策略，成为亟待解决的问题。

本论文发表在《Proceedings of the Design Society》，旨在填补这一空白，提出了一个名为“决定-适应-重用”（Decide-Adapt-Reuse）的决策框架，帮助设计人员基于量化指标，决定对现有元模型是重用、重新校准还是微调。

**二、 关键技术方法概述**

研究人员为验证框架，以压铆接头设计为应用场景，主要采用了以下方法：
1. **数据生成与元模型构建**：使用LS-DYNA进行经过验证的二维仿真，结合LS-OPT中的流程链，生成初始数据集。通过拉丁超立方采样（Latin-Hypercube Sampling）在设计空间内生成250个样本，并过滤掉无效连接（NE和IL小于0.05 mm）的样本，最终得到170个样本。为每个几何属性（NE, IL, BT）分别训练一个基础元模型，这些模型是全连接神经网络，并集成了蒙特卡洛丢弃法（Monte Carlo Dropout, MC-Dropout）用于估计模型不确定性（认知不确定性）。使用5折交叉验证（5-fold Cross-Validation, CV）和预测系数（CoP）评估模型性能。
2. **分布内外（ID/OOD）识别**：框架首先判断新连接任务是否在训练数据分布内（In-Distribution, ID）或分布外（Out-of-Distribution, OOD）。判断基于两个阶段：一是直接比较新任务参数是否在训练集参数范围内；二是计算新任务样本与训练集之间的k近邻（k-Nearest Neighbour, kNN）距离，并与基于训练集计算的95%距离阈值比较。
3. **性能评估与决策指标**：对于ID任务，主要决策指标是基于MC-Dropout估计的模型不确定性，并与在初始数据集上校准的95%不确定性阈值（p95）比较。对于OOD任务，则需要在针对新任务生成的数据集上，评估基础元模型的预测系数（CoP）和R²分数。根据这些指标是否高于预设的0.95阈值，来决定是重用、重新校准（当CoP高但R²低时，表明存在系统性偏移）还是微调模型。

**三、 研究结果分析**

研究人员通过两个示例性连接任务（一个ID，一个OOD）来评估该决策框架。

**案例一：ID连接任务（同材料，参数在分布内）**
* **任务描述**：使用两块EN AW-6014板材，工具和工艺参数在训练集范围内。
* **框架决策过程**：kNN距离（3.304）低于阈值（3.787），且参数在范围内，故判定为ID。评估模型不确定性发现，IL和BT预测模型的不确定性低于阈值，可以重用；而NE预测模型的不确定性（0.254 mm）高于阈值（0.204 mm），需要微调。
* **结果**：仿真结果均落在所有模型预测的90%置信区间内。微调后的NE模型对均值的预测优于基础模型，但其不确定性（0.250 mm）仍高于阈值，表明该参数区域可能样本不足。

**案例二：OOD连接任务（新材料）**
* **任务描述**：工具和工艺参数同案例一，但材料改为HCT590X，该材料未出现在训练集中，故判定为OOD。
* **框架决策过程**：为新材料生成新数据集（143个有效样本）。评估基础元模型在新数据集上的性能：
* NE模型：CoP和R²均高于0.95，**建议重用**。
* IL模型：CoP和R²均低于0.95，**建议微调**。
* BT模型：CoP高但R²低于0.95，表明预测存在系统性偏移，**建议重新校准**（使用平均误差作为偏移量进行校正）。
* **结果**：重用、微调（仅使用60%新数据）和重新校准后的模型，其CoP和R²均提升至0.95以上。与在整个新数据集上训练的全新模型相比，适应后的模型在预测均值上表现相当甚至更好（如NE和IL），而重新校准的BT模型预测则略逊于全新模型。采用微调和重新校准策略，避免了生成完整新数据集和训练全新模型的时间成本（约节省3小时）。

**四、 讨论与结论**

**讨论部分总结**：
提出的Decide-Adapt-Reuse框架通过提供基于ID/OOD分类、模型不确定性、CoP和R²的量化建议，解决了缺乏系统化决策程序的问题。案例表明，该框架能提供有效的策略建议，且适应后的模型性能可媲美全新模型，同时节省资源。研究也指出了当前方法的局限性：框架依赖于现有模型和生成新数据的能力；元模型仅通过材料标识符区分材料，无法外推至未见材料；决策依赖于预设的阈值（不确定性、kNN距离、CoP/R²）和单一的微调策略；当前使用的MC-Dropout估计的模型不确定性高于相关研究中高斯过程回归（Gaussian Process Regression, GPR）方法的结果，且预测与仿真结果的偏差略大，这可能与样本量相对较小、参数空间较宽以及过滤掉边缘样本有关。

**研究结论翻译**：
在本研究中，提出了一种方法来评估现有元模型是否可用于预测新的连接任务。该方法结合使用kNN距离和与训练数据集的直接比较，来估计新任务属于分布内（ID）还是分布外（OOD）。对于ID任务，利用MC-Dropout计算模型不确定性，以评估元模型是否足以进行预测。如果新任务是OOD，则在新生成的数据集上使用CoP和R²评估元模型，这基于可理解的指标为重用、重新校准或微调基础元模型提供了明确的行动指南。该框架对产品开发的益处在于，它是一个基于指标的驱动框架，允许安全地评估现有元模型是否可重用于新的连接任务。这提高了决策的信心，并通过调整或重用现有元模型、避免了训练全新模型所需的大量新数据集，从而缩短了设计周期，因为微调或重新校准基础元模型可以提高预测精度。