《Computers & Structures》：Differentiable graph neural fields for manufacturable topology optimization under stress constraints
编辑推荐：
本文提出了一种基于机器学习的框架，用于自支撑结构的拓扑优化，特别针对增材制造（additive manufacturing, AM）进行定制。通过采用图神经网络（graph neural network, GNN）作为有限元网格上的神经场（neural fie
本文提出了一种基于机器学习的框架，用于自支撑结构的拓扑优化，特别针对增材制造（additive manufacturing, AM）进行定制。通过采用图神经网络（graph neural network, GNN）作为有限元网格上的神经场（neural field），该框架有效学习并预测连续的物料分布。一个集成的增材制造滤波器确保了可打印性，通过消除无支撑的悬垂部分，同时优化过程在体积和应力约束下最小化结构柔顺度。应力约束通过von Mises应力（von Mises stress）的可微p-范数（p-norm）聚合来强制执行，从而提升优化设计的机械可靠性。该方法的一个关键优势在于其完全可微的架构，在整个优化循环中利用自动微分（automatic differentiation），消除了对滤波器和应力约束的显式灵敏度推导的需求。数值实验表明，该框架能够在各种载荷和边界条件下生成应力约束的可制造拓扑，为减少后处理需求的增材制造就绪高性能设计提供了实用途径。
论文解读文章
**研究背景与问题**
增材制造（additive manufacturing, AM）凭借其逐层构建几何体的能力，为拓扑优化（topology optimization）提供了前所未有的设计自由度。然而，AM工艺中的悬垂结构（overhang）问题是一个关键挑战：当结构悬垂角度超过临界值（通常45°）时，需要额外支撑结构，这不仅增加材料消耗和成本，还导致后处理复杂和表面缺陷。传统拓扑优化方法（如SIMP）虽然能生成高效结构，但往往忽略制造约束，导致不可打印的悬垂特征。此外，为确保结构在服役载荷下的机械可靠性，应力约束（stress constraint）的引入至关重要，但现有方法通常需要手动推导灵敏度，计算成本高。近年来，机器学习（machine learning, ML）方法如生成对抗网络（GANs）和扩散模型被用于加速拓扑优化，但难以集成复杂的制造约束（如悬垂控制）。神经场（neural field）表示虽能预测材料分布，但基于坐标的多层感知机（MLP）方法缺乏邻域一致性，易产生孤立像素和棋盘格问题。因此，研究人员提出了一种基于图神经网络（graph neural network, GNN）的完全可微框架，将有限元网格表示为图，利用消息传递机制实现空间耦合，同时集成AM滤波器和全局应力约束，旨在生成可制造且应力合规的高性能设计。该论文发表在《Computers》。
**主要关键技术方法**
研究人员使用了以下关键技术方法：（1）图神经网络（GNN）作为神经场，采用Chebyshev图卷积（ChebConv）层，对有限元网格节点进行消息传递，并利用傅里叶特征映射（Fourier feature mapping）将节点坐标编码为多频正弦基，以增强高频表达；（2）可微的层状AM滤波器，基于Langelaar方法，通过平滑近似（参数M和ε）替代min/max函数，沿打印方向施加悬垂约束；（3）全局p-范数应力约束，基于von Mises应力（von Mises stress）的加权聚合，通过自动微分（automatic differentiation）实现梯度传播，无需手动推导灵敏度；（4）所有模块（包括滤波器、有限元分析、应力评估）均嵌入PyTorch的计算图，实现端到端优化。
**研究结果**
**7.1 简支梁分布载荷**：通过对比无AM滤波器、仅AM滤波器、AM滤波器加应力约束三种配置，发现无AM滤波器的设计存在水平悬垂结构，不可打印；加入AM滤波器后，水平构件被倾斜自支撑构件取代；再引入应力约束后，柔顺度略有增加，但机械可靠性提升。与标准SIMP和Heaviside投影SIMP对比，GNN方法在柔顺度收敛上与Heaviside增强SIMP接近（约33.61×103），且能通过重采样生成高分辨率（420×140网格）拓扑。
**7.2 端部载荷悬臂梁**：在悬臂梁端部载荷下，无AM滤波器设计包含长水平悬垂；AM滤波器产生倾斜载荷路径；应力约束强化了固定端附近区域。应力惩罚权重γ的实验表明，γ从0.00增至0.5时，von Mises应力峰值从约2降至1.5以下，同时柔顺度增加。与SIMP对比，GNN方法收敛到更低的柔顺度（约255 vs. SIMP的更高值）。
**7.3 中点载荷悬臂梁**：对称载荷下，无AM滤波器设计保持对称性但有水平悬垂；AM滤波器生成倾斜构件，大致保持对称；应力约束进一步优化了应力集中区域。柔顺度对比显示，无约束最低，AM滤波器次之，应力约束最高。与SIMP和Heaviside投影对比，GNN方法获得最精细的设计。
**7.4 L形梁**：L形梁内角处存在应力集中。无AM滤波器拓扑包含不可打印悬垂；AM滤波器消除了水平悬垂，生成倾斜肋；应力约束强化了内角和载荷点区域，有效缓解了应力集中。与SIMP对比，Heaviside投影和GNN方法均获得更低的柔顺度，其中Heaviside投影略优，GNN紧随其后。
**7.5 三维基准问题**：将框架扩展至三维，使用立方体有限元网格，打印方向沿z轴。桥型结构在无AM滤波器时包含水平悬垂；AM滤波器产生倾斜肋；应力约束进一步调整材料分布，控制高应力区。短梁结构类似，AM滤波器消除了不规则内部空腔，生成自支撑结构。三维结果验证了框架的通用性和可扩展性。
**总结讨论**
本研究提出了一种基于图神经网络的框架，该框架作为神经场用于增材制造定制的拓扑优化。通过将设计域视为有限元网格上的连续可学习表示，该方法预测材料分布，捕获空间相关性。框架集成了增材制造滤波器以强制执行可打印性，并使用von Mises应力的可微p-范数实现全局应力约束。该方法的一个关键优势在于其完全可微的设计；所有模块，包括增材制造滤波器和应力评估，都嵌入到利用自动微分的计算图中，消除了显式灵敏度推导的需求，简化了优化过程并提高了计算效率。尽管如此，所提出的GNN框架的计算时间比经典SIMP方法大约增加15%，这可以通过优化代码性能来减少。设计示例，包括简支梁和悬臂梁，证明了该框架在生成轻量化、可制造且应力合规的拓扑方面的多功能性。GNN的神经场特性确保了平滑过渡和一致的空间特征，而可微架构使得约束和滤波器的无缝集成成为可能。与传统方法相比，所提出的方法在自动化、适应性和增材制造就绪结构设计的实际相关性方面具有优势。本研究凸显了基于神经场的可微框架在推进下一代制造技术拓扑优化中的潜力。
