一種生成式設計框架，用于在增材制造的早期設計階段自動化生成可行的設計方案并輔助決策制定
《Advanced Engineering Informatics》：A generative design framework for automated feasible design generation and decision-making in the early design process for additive manufacturing
【字體：
大 中 小
時間：2026年03月03日
來源：Advanced Engineering Informatics 9.9
編輯推薦：
生成設計框架融合隱式場生成對抗網絡（IM-GAN）與三維卷積神經網絡（3D-CNN），通過缺陷過濾與數據增強優化設計生成，基于TOPSIS多準則決策提取Pareto最優解集，驗證其在噴氣發動機支架案例中實現2.2%缺陷率與多目標權衡。
Jungyoon Moon|Kijung Park|Sang-in Park|David W. Rosen
仁川國立大學工業與管理工程系，韓國仁川22012
摘要 生成式設計方法因能夠利用增材制造（AM）的設計自由度而受到關注。然而，大多數現有研究主要側重于自動化新設計的創建，而較少關注同時生成和評估設計的框架，以確定最適合AM的設計。本研究提出了一個針對AM的生成式設計框架，該框架通過同時考慮機械性能和操作性能來生成帕累托最優設計。該框架整合了自動化設計生成和設計決策階段。設計生成階段使用隱式場生成對抗網絡模型進行3D形狀生成。生成模型通過原始訓練設計和新生成的設計進行迭代更新，并結合了有缺陷設計的過濾和數據增強。在設計決策階段，采用3D卷積神經網絡模型來預測每個生成設計的制造時間、支撐結構的材料消耗以及靜態機械應力。然后，使用多標準決策方法根據不同的性能偏好來確定帕累托最優設計集。噴氣發動機支架案例研究的結果表明，該框架不僅生成了高度可行的設計（即缺陷率為2.2%），而且還有效地提供了具有AM性能預測的帕累托最優設計集。此外，帕累托最優設計出現在不同的決策偏好區域內，表明決策者無需指定AM的精確決策偏好幅度。本研究為AM的設計信息學做出了貢獻，可以將傳統的手動設計過程轉化為智能設計決策系統。
引言 增材制造（AM）是一種先進的制造技術，通過逐層沉積材料來制造三維（3D）設計[1]。這種方法提供了極大的設計自由度，使制造商能夠生產出使用傳統減材制造方法難以或無法實現的復雜3D幾何形狀[2]。因此，AM作為實現各種行業（包括醫療、航空航天和汽車行業）大規模定制的手段而受到了廣泛關注，在這些行業中，創新和定制的最終用戶設計提供了競爭優勢[2]。
盡管設計階段在探索AM的新可能性方面發揮著越來越重要的作用，但新設計的創造往往受到傳統制造方法中根深蒂固的認知障礙的阻礙[3]。作為回應，出現了針對AM的機會主義設計（DfAM）概念，通過自動化設計生成技術充分利用AM提供的設計自由度[4]。其中，拓撲優化是最廣泛采用的機會主義DfAM方法之一。它根據指定的機械性能和約束條件優化原始設計結構的材料布局[5]、[6]。基于數學算法和計算自動化的拓撲優化可以生成復雜且輕量級的設計結構，這與AM的設計靈活性高度契合[7]、[8]。然而，拓撲優化技術在結合各種AM相關可制造性約束方面面臨挑戰，主要是由于難以有效且快速地收斂到最優設計解決方案[6]、[9]。此外，大多數拓撲優化方法僅關注為給定的拓撲優化問題生成單一的最優設計，而沒有考慮AM的多目標性質，而AM需要考慮多個目標之間的權衡和偏好以得出帕累托最優的設計替代方案集[10]。這些方法論上的限制不僅限制了充分利用AM設計自由度的能力，還阻礙了AM可行設計解決方案的識別。
最近在推進機會主義DfAM方法方面的努力越來越多地集中在生成式設計上——這是一系列算法、方法和系統，用于在早期設計階段根據特定的性能偏好高效生成新的設計替代方案[11]、[12]、[13]。深度生成模型（如變分自編碼器（VAE）和生成對抗網絡（GAN）的發展進一步加速了生成式設計在工程設計領域的應用[14]。最近的生成式設計方法在解決AM的多目標設計決策問題方面顯示出前景，在這些問題中，識別所有非支配解決方案對于選擇最佳設計至關重要[6]、[10]。然而，這些方法大多側重于探索新設計，缺乏在AM早期設計階段判斷整體可制造性的智能決策過程。此外，當在有限的計算機輔助設計（CAD）數據上訓練時，深度生成模型往往難以生成幾何上可行的3D結構[14]、[15]。這表明需要實用的產生式設計方法，能夠在實際操作中有效處理有限的設計數據集。因此，顯然需要一個新的AM生成式設計框架，該框架不僅能有效生成可行的3D設計，還能使用多標準決策方案提供帕累托最優設計集來評估生成設計的可制造性[6]、[11]、[14]。
為了提高AM早期階段的設計智能，本研究提出了一個能夠生成和推薦最可行且可制造的AM設計解決方案集的生成式設計框架。該框架包括兩個主要階段：設計生成階段和設計決策階段。在設計生成階段，基于隱式場生成對抗網絡（IM-GAN）[16]的深度生成設計模型通過使用之前生成設計的幾何上可行的輸出進行選擇性訓練數據增強來迭代改進。隨后，在設計決策階段，使用3D-CNN模型預測每個生成設計的操作性能（即制造時間和支撐結構的材料消耗）以及其機械性能（即靜態機械應力）。然后，使用TOPSIS方法[17]和多標準決策方法根據操作性能和機械性能標準的相對重要性來確定AM的帕累托最優設計集。所提出的框架使用Whalen等人提供的噴氣發動機支架設計集進行了實現和驗證[18]。
本研究通過以下關鍵貢獻推進了AM的生成式設計：(i) 將設計生成和決策階段整合到一個自動化設計框架中；(ii) 開發了一個涉及有缺陷設計過濾和選擇性數據增強的迭代模型更新過程，以提高生成3D設計的可行性；(iii) 通過基于預測的AM性能指標的多標準決策方法確定了一組全面的帕累托最優設計。
先驗研究總結 生成式設計的先驗研究總結 文獻中提出了各種基于性能條件的自動化設計生成的深度生成模型。Chen和Fuge[19]開發了一個分層GAN（HGAN）來生成2D機翼形狀，捕捉特征依賴性和變化。Yilmaz和German[20]引入了一個條件GAN（cGAN）框架，根據表示所需空氣動力性能的條件向量生成機翼設計的坐標集。Nobari等人[21]提出了
方法論 本研究提出了一個針對AM的生成式設計框架，該框架在兩個主要階段實現自動化3D設計生成和設計決策（見圖1）。使用包含開源CAD數據的模擬噴氣發動機支架數據集（SimJEB）[18]來演示所提出框架內的自動化設計生成和評估。在設計生成階段（見圖1a），將IM-GAN[16]應用于原始噴氣發動機支架設計，以生成多樣化的設計集
自動化設計生成 圖5展示了在模型訓練過程中，根據增強比率（L I M - A = α
結論與討論 本研究提出了一個由兩個階段組成的生成式設計框架：設計生成和設計決策。該框架不僅生成了可行的設計替代方案，還確定了AM的帕累托最優設計解決方案。最初，基于IM-GAN的3D設計生成模型使用SimJEB數據集進行了訓練，以創建噴氣發動機支架設計替代方案。在設計生成階段，檢測并
CRediT作者貢獻聲明 Jungyoon Moon： 寫作 – 審稿與編輯，撰寫原始草稿，可視化，驗證，方法論，調查，形式分析，數據管理，概念化。Kijung Park： 寫作 – 審稿與編輯，撰寫原始草稿，驗證，監督，資源管理，項目管理，方法論，調查，資金獲取，概念化。Sang-in Park： 寫作 – 審稿與編輯，撰寫原始草稿，驗證，方法論，調查，概念化。
利益沖突聲明 作者聲明他們沒有已知的可能會影響本文報告工作的財務利益或個人關系。
致謝 本工作得到了韓國政府（MSIT ）資助的韓國國家研究基金會 （NRF）（編號：RS-2022-NR072150 ）對Kijung Park的支持。
生物通微信公眾號
生物通新浪微博
今日動態 |
人才市場 |
新技術專欄 |
中國科學人 |
云展臺 |
BioHot |
云講堂直播 |
會展中心 |
特價專欄 |
技術快訊 |
免費試用
版權所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
聯系信箱：
粵ICP備09063491號
