一种基于图神经网络的复合材料成型仿真方法及装置

本技术涉及复合材料成型及制造工艺仿真，尤其涉及一种基于图神经网络的复合材料成型仿真方法及装置。

背景技术：

1、复合材料成型过程中的纤维取向的分布以及起皱、错位等制造缺陷的形成，直接影响到部件的刚度与强度。且此类制造缺陷的产生机理具备强耦合、多变量、非线性的复杂特征，缺陷演化过程并非由单一变量主导，而是材料属性（如弯曲刚度、面内剪切刚度及拉伸性能）、成型工艺参数（如成型压力、成型速率、合模方式等）、模具几何结构复杂度三类核心因素相互耦合、共同作用的结果。为抑制这些缺陷，行业内广泛采用高保真有限元仿真技术来复现复合材料的成型全过程，精准获取复合材料面内剪切分布、大变形响应、摩擦接触状态等关键物理场数据，以此预判成型缺陷的分布规律，用来指导工艺与模具结构优化。但这种方法的计算成本极高，尤其当部件尺寸增大时，计算负担显著上升。这一效率瓶颈严重限制了该方法在实时工艺优化及数字孪生等对响应速度要求苛刻的场景中的工程实用价值。为缓解此问题，已有研究尝试引入深度学习代理模型，例如基于卷积神经网络（cnn）的替代方法，通过数据驱动方式实现更快的响应预测。

2、尽管上述引入深度学习代理模型的方法在一定程度上提升了仿真速度，但其固有的缺陷仍十分明显。首先，该类模型依赖于规则的网格化输入，因而对网格分辨率及拓扑结构高度敏感，难以适应几何形状多变或不规则的实际复合材料构件，泛化能力受限。其次，这种方法通常需要大规模且精心标注的训练数据集，数据获取成本高昂，且在面对新的尺度或几何构型时，往往需重新进行繁琐的前处理甚至完全重新训练，缺乏灵活性。

3、除此之外，图神经网络（gnn）作为新一代面向非规则网格、图结构数据的深度学习框架，在多类物理仿真场景中表现出优异的非规则数据处理能力，但目前该技术尚未落地应用于复合材料成型工艺快速仿真领域，存在多项亟待攻克的技术难点。第一，复合材料具备极强的材料各向异性特征，现有通用图神经网络无法精准拟合该类特殊材料的变形响应规律；第二，复合材料成型过程存在多部件动态摩擦接触行为，现有网络模型难以精准捕捉多界面复杂摩擦力学演化过程；第三，面向不同的材料、不同模具结构、不同工艺工况的模型跨场景泛化能力与迁移能力缺乏系统性研究，暂无成熟方案支撑图神经网络在复合材料成型仿真工程场景的落地应用。

技术实现思路

1、本技术实施例通过提供一种基于图神经网络的复合材料成型仿真方法及装置，解决了现有技术中存在跨工况泛化能力不足、模型迁移性较差的缺陷，导致其无法高效适配复合材料多变、不规则的成型几何结构以及复杂的材料与接触工况，难以满足复合材料成型仿真工程化、通用化的快速预测需求的问题。

2、第一方面，本技术实施例提供了一种基于图神经网络的复合材料成型仿真方法，包括：

3、迭代执行形变模拟步骤，直至所述形变模拟步骤的迭代步数满足迭代阈值，整合每次迭代输出的瞬时成型状态，得到复合材料的完整时序变形轨迹；

4、其中，所述形变模拟步骤，包括：

5、以复合材料有限元网格与模具有限元网格的网格节点以及网格节点之间的空间关系构建双向图，并对所述双向图中的图节点与边分别进行物理特征编码，得到携带物理特征的图样本；

6、将携带物理特征的所述图样本输入图神经网络，经特征转换与多轮图节点交互推演后，输出复合材料对应的各图节点的三维位移增量；

7、基于所述三维位移增量更新复合材料有限元网格，得到复合材料的瞬时成型状态；

8、基于更新后的复合材料有限元网格执行所述形变模拟步骤。

9、结合第一方面，在一种可能的实现方式中，所述以复合材料有限元网格与模具有限元网格的网格节点以及网格节点之间的空间关系构建双向图，包括：

10、将复合材料有限元网格的所有网格节点与模具有限元网格的所有网格节点作为图节点；

11、以复合材料有限元网格内网格节点之间的空间邻接关系生成结构边；

12、以复合材料有限元网格的网格节点与模具有限元网格的网格节点之间的空间近邻匹配关系生成接触边；

13、根据所述图节点、所述结构边与所述接触边构建双向图。

14、结合第一方面，在一种可能的实现方式中，所述对所述双向图中的图节点与边分别进行物理特征编码，得到携带物理特征的图样本，包括：

15、根据复合材料有限元网格与模具有限元网格提取所述双向图中各图节点的物理特征，通过节点特征编码器将其编码为对应图节点的节点隐特征；

16、根据复合材料有限元网格与模具有限元网格分别提取所述双向图中各边的物理特征，通过边特征编码器将其编码为对应边的边隐特征；

17、将所述节点隐特征、所述边隐特征绑定至双向图中对应的图节点或边，生成携带物理特征的图样本。

18、结合第一方面，在一种可能的实现方式中，所述图节点的物理特征包括法线方向向量、节点类型；

19、所述边的物理特征包括节点相对位置变量、间隙变形物理量。

20、结合第一方面，在一种可能的实现方式中，所述将携带物理特征的所述图样本输入图神经网络，经特征转换与多轮图节点交互推演后，输出复合材料对应的各图节点的三维位移增量，包括：

21、所述图神经网络为编码器、处理器、解码器三段式架构；

22、所述编码器用于对图样本携带的所述节点隐特征、所述边隐特征进行特征嵌入转换，得到量纲与维度相同的节点嵌入向量与边嵌入向量；

23、所述处理器用于接收所述节点嵌入向量与所述边嵌入向量，根据双向图的拓扑约束，执行多轮双向消息传递步骤，完成图节点之间的力学交互推演；其中，所述双向消息传递步骤，包括：将每条边自身的边嵌入向量向边两端的图节点传递消息；每个图节点聚合其相邻边传递的消息后，结合自身的节点嵌入向量进行状态更新；

24、所述解码器基于力学交互推演后的图节点的节点隐状态，输出复合材料对应的图节点的三维位移增量。

25、结合第一方面，在一种可能的实现方式中，所述得到复合材料的完整时序变形轨迹后，还包括：

26、迭代模型训练步骤，直至损失收敛，得到训练完成的图神经网络，以用于预测复合材料的完整时序变形轨迹；

27、其中，所述模型训练步骤，包括：

28、基于损失函数，计算图神经网络输出的所述完整时序变形轨迹与真实成型结果之间的预测偏差；

29、通过解码器的输出端向编码器的输入端反向传导所述预测偏差对应的误差梯度；

30、利用所述误差梯度依次修正解码器、处理器、编码器内部的网络权重参数；

31、基于修正后的网络权重参数再次执行所述模型训练步骤。

32、结合第一方面，在一种可能的实现方式中，所述损失函数由节点位移增量损失、单元应变损失与网格弯曲角损失加权得到。

33、结合第一方面，在一种可能的实现方式中，所述迭代模型训练步骤，还包括：

34、向复合材料有限元网格中添加预设幅值的随机噪声；

35、基于添加随机噪声后的复合材料有限元网格执行所述形变模拟步骤，以抑制迭代推演过程中的预测误差累积。

36、第二方面，本技术实施例提供了一种基于图神经网络的复合材料成型仿真装置，包括：

37、迭代模拟模块，用于迭代执行形变模拟步骤，直至所述形变模拟步骤的迭代步数满足迭代阈值，整合每次迭代输出的瞬时成型状态，得到复合材料的完整时序变形轨迹；

38、其中，所述形变模拟步骤由所述迭代模拟模块中集成的编码模块、推演模块、修正模块与更新模块执行；

39、编码模块，用于以复合材料有限元网格与模具有限元网格的网格节点以及网格节点之间的空间关系构建双向图，并对所述双向图中的图节点与边分别进行物理特征编码，得到携带物理特征的图样本；

40、推演模块，用于将携带物理特征的所述图样本输入图神经网络，经特征转换与多轮图节点交互推演后，输出复合材料对应的各图节点的三维位移增量；

41、修正模块，用于基于所述三维位移增量更新复合材料有限元网格，得到复合材料的瞬时成型状态；

42、更新模块，用于基于更新后的复合材料有限元网格执行所述形变模拟步骤。

43、第三方面，本技术实施例提供了一种设备，所述设备包括：处理器；用于存储处理器可执行指令的存储器；所述处理器执行所述可执行指令时，实现如第一方面或第一方面任一种可能实现的方式所述的方法。

44、本技术实施例中提供的一个或多个技术方案，至少具有如下技术效果或优点：

45、本技术实施例通过构建双向图作为图神经网络的输入，能够适配复合材料有限元网格与模具有限元网格这类不规则的拓扑结构数据，无需对原始有限元网格进行规则化重采样处理，能够更好地适配不同尺度、不同几何构型的复合材料构件，泛化能力更强；其次，通过对双向图的图节点与边分别编码物理特征，可精准承载复合材料各向异性属性与多部件动态接触的力学信息，解决了通用图神经网络难以适配复合材料特殊变形规律与复杂接触工况的问题，大幅提升了预测精度；此外，基于三维位移增量更新复合材料有限元网格，并将其作为新一轮迭代的输入，能够实现对完整成型过程的快速预测，无需大规模标注数据集，降低了数据获取成本，且每一步仅对发生接触与变形的局部有限元网格进行更新，计算效率远高于传统的全量重计算的仿真方案。有效解决了现有技术中存在跨工况泛化能力不足、模型迁移性较差的缺陷，导致其无法高效适配复合材料多变、不规则的成型几何结构以及复杂的材料与接触工况，难以满足复合材料成型仿真工程化、通用化的快速预测需求的问题。本技术能够高效满足复合材料成型仿真工程化、通用化的快速预测需求。可为航空航天、新能源汽车等领域的先进复合材料成型工艺设计提供高效、精准、低耗的仿真支撑，大幅缩短工艺研发与仿真迭代周期，具备较高的实用价值和应用前景。