LG-HoleNet:一种基于微分几何属性的轻量级图神经网络,用于通孔识别

《Computer Aided Geometric Design》:LG-HoleNet: A lightweight graph neural network for through-hole recognition via differential geometric attributes

【字体: 大 中 小 】 时间:2026年05月12日 来源:Computer Aided Geometric Design 1.7

编辑推荐:

  刘涛然|高嘉莉|刘晓文|周恒宇|叶宏伟|陈建军 中国浙江大学航空航天学院,杭州,310027 **摘要** 自动识别通孔特征是实现无缝CAD/CAE集成和加快工程分析预处理(如网格生成和特征抑制)的关键步骤。然而,传统的基于规则或提示的方法难以处理复杂的拓扑结构。同

  刘涛然|高嘉莉|刘晓文|周恒宇|叶宏伟|陈建军
中国浙江大学航空航天学院,杭州,310027

**摘要**
自动识别通孔特征是实现无缝CAD/CAE集成和加快工程分析预处理(如网格生成和特征抑制)的关键步骤。然而,传统的基于规则或提示的方法难以处理复杂的拓扑结构。同时,现有的深度学习方法往往受到训练数据多样性不足、模型规模庞大以及缺乏针对通孔几何特性的优化的影响,导致泛化能力有限。为了解决这些问题,本文提出了LG-HoleNet,这是一种基于微分几何属性的轻量级图神经网络框架,专为复杂B-Rep模型中的通孔特征识别而设计。该方法将B-Rep模型转换为带属性的图结构,并创新性地引入了高斯曲率和平均曲率等微分几何量作为核心特征。通过将这些特征与面积比和环数等工程语义属性结合,该方法构建了一个对刚性变换不变的节点特征表示。此外,为了解决现有数据集的多样性问题,我们构建并发布了一个包含9273个CAD模型的大规模多样化数据集。该数据集涵盖了球体和扫掠体等复杂基本形状,以及椭圆柱体等非标准通孔特征。实验结果表明,LG-HoleNet仅使用0.03 M参数即可达到99.88%的识别准确率和99.89%的召回率。与Hierarchical CADNet和AAGNet等现有先进模型相比,我们的方法在跨数据集测试中显示出更强的泛化能力。与商业软件SolidWorks相比,在处理复杂和不规则通孔时,它在速度和准确性方面具有显著优势。源代码和数据集将在接受后发布。

**引言**
几何特征作为连接几何设计与工程分析的关键语义单位(Shi等人,2020c)。在现代产品开发过程中,计算机辅助设计(CAD)和计算机辅助工程(CAE)的无缝集成是缩短开发周期和提高产品性能的关键。然而,直接从CAD系统导出的几何模型通常包含许多特定于制造过程的细节。对于有限元分析(FEA),这些细节常常导致网格生成困难、计算规模增大,甚至解决方案发散(Song等人,2019)。因此,在CAE预处理阶段对模型进行智能几何处理是不可或缺的步骤。这一过程严重依赖于自动特征识别(AFR)(Madurai和Lin,1992)技术,它从几何数据中提取具有明确工程语义的特征,以促进后续的针对性处理。在机械产品的几何建模和工程分析中,孔特征代表了最基本和关键的拓扑结构。如图1所示,根据拓扑连通性和几何形态,孔特征通常分为三类:埋孔、盲孔和通孔。埋孔完全封闭在固体内部,不与外部表面连接;它们常见于减重用的增材制造结构中。盲孔只在一端开口,另一端保持封闭;它们是机械结构中的标准特征,用于螺纹连接或局部定位。相反,通孔穿透固体表面,形成完全连接的拓扑结构,具有多种功能,包括机械连接、流体传输和热 dissipation。在这三类中,通孔是航空航天、汽车和电子行业结构连接和组装的基本几何特征。此外,在计算机辅助工程(CAE)的仿真预处理中,通孔的识别具有特殊意义。一方面,对于非关键区域的通孔(如装饰性孔),它们的存在会增加网格规模或生成扭曲的元素,严重影响计算效率和收敛性。在这种情况下,识别通孔对于特征抑制(去特征化)至关重要,这涉及自动删除这些孔以简化模型拓扑。Song等人(2019)指出,在模流分析中,保留所有孔特征会使网格规模失控;因此,必须识别并抑制非必要的孔结构。另一方面,对于关键区域的通孔(如涡轮叶片表面的薄膜冷却孔),它们周围的物理场梯度是分析的重点。在这里,识别通孔对于指导各向异性网格生成以平衡计算精度和效率是必要的。因此,自动且精确地识别通孔特征是实现CAD/CAE集成工作流程和促进智能工程仿真的关键技术,对于缩短开发周期和降低分析成本具有重要意义。

然而,传统的非学习基通孔识别方法在处理复杂的CAE分析模型时面临诸多挑战。基于规则的方法(Ibrahim等人,2021)依赖于手动定义的几何和拓扑启发式规则。尽管逻辑直观,但它们难以涵盖工业模型中孔形状的众多变化,并且在复杂拓扑下容易出错。基于拓扑遍历和逻辑推理的方法在特定领域显示出有效性;例如,Song等人(2019)提出了一种基于B-Rep边界环信息的识别算法,通过分析面的内环和相邻面的几何属性来推断孔类型。然而,这些方法本质上依赖于复杂的程序逻辑和预设的拓扑模板。当模型表现出超出算法预设的复杂拓扑配置时,其鲁棒性显著下降,将这些方法扩展到新的孔类型也变得困难。基于提示的方法(Gong等人,2022)依赖于预定义的局部几何线索(如圆柱表面、孔轴方向)。尽管它们在特定场景中表现优异,但缺乏泛化能力,难以适应孔类型的变化或复杂的拓扑配置。

深度学习技术的出现为解决上述问题提供了新的范式(Colligan等人,2022;Wu等人,2024)。它可以从大量数据中自动学习高维特征表示,避免了繁琐的手动规则设计(Ning等人,2023)。特别是图神经网络(GNNs)与CAD模型的输入形式天然契合,因为边界表示(B-Rep)本质上构成了“几何实体和拓扑关系”的图结构。通过对属性图进行消息传递和聚合,GNNs有望捕捉通孔特征的内在几何模式。尽管具有这种潜力,但直接将现有的通用特征识别神经网络模型应用于通孔识别任务仍然存在局限。首先,现有方法大多旨在同时识别多种制造特征,缺乏针对通孔这种拓扑关键特征的优化,导致在区分复杂通孔与其他特征时精度不足。其次,现有公共数据集中的通孔样本在形态上较为单调,限制了模型在实际工程应用中的泛化能力。

为了解决传统方法和现有数据驱动模型的局限性,本文提出了一种专门用于此任务的方法。首先,为了解决现有数据集中通孔样本的稀缺性和多样性不足的问题,我们构建了一个大规模、多样化的通孔特征数据集。基于此,我们设计了一个名为LG-HoleNet的轻量级图神经网络。该网络创新地利用了通孔特征的微分几何特性,将属性信息与拓扑关系结合起来,使其能够直接学习特征的内在几何规律。

**本文的主要贡献如下:**
1. 构建并发布了一个包含9273个CAD模型的大规模、多样化通孔特征数据集,这些模型具有精确的面级标签。该数据集不仅包含了更多种类的通孔样本(如椭圆柱通孔),还包含了球体、圆柱体和扫掠体积等丰富的基本体形态。
2. 设计了一个基于微分几何属性的轻量级图神经网络(LG-HoleNet,仅包含0.03 M参数)。通过整合曲率等微分几何信息、工程语义属性信息和B-Rep模型中的拓扑关系,我们的模型能够学习通孔特征的本质几何模式,从而在复杂模型上实现高精度识别。

**传统特征识别方法**
传统的非学习基通孔特征识别方法主要分为基于B-Rep模型的方法和基于点云的方法,这取决于输入数据的格式。

**基于B-Rep模型的识别:**对于用B-Rep表示的CAD模型,通孔特征的识别主要依赖于其精确的几何和拓扑信息。Ansaldi等人(1985)引入了面邻接图的概念,其中包含了槽、凸台和通孔等特征。

**提出的轻量级图神经网络框架LG-HoleNet**
本节详细介绍了所提出的轻量级图神经网络框架LG-HoleNet。该框架将3D CAD模型的通孔特征识别任务建模为B-Rep拓扑图上的节点级二分类问题。方法的总体架构如图2所示。以下小节介绍了输入数据的图结构表示(第3.1节)和具体的网络架构(第3.2节)。

**现有加工特征数据集的局限性**
现有的加工特征数据集在特征多样性和几何复杂性方面存在显著局限性。例如,尽管Colligan等人(2022)提出的MFCAD++数据集及其由Wu等人(2024)开源的实现定义了24种加工特征(包括台阶、槽和通孔),但生成的样本通常基于规则的长方体基体。此外,这些数据集中的通孔特征大多限于标准类型。

**评估指标**
为了全面评估模型的性能,本文采用准确率、精确率、召回率和F1分数作为评估指标。每个指标的计算公式如下:
准确率 = TP + TN / (TP + TN + FP + FN)
精确率 = TP / (TP + FP)
召回率 = TP / (TP + FN)

**下游应用**
为了验证LG-HoleNet在集成CAD/CAE工作流中的实际应用价值,本节讨论了两种典型的下游应用场景:自动特征抑制以简化模型,以及基于特征的各向异性网格生成。

**局限性**
尽管本文提出的方法在通孔特征识别任务中取得了显著成功,并在复杂模型上显示出极高的识别准确率,但本研究仍存在某些局限性。首先,尽管LG-HoleNet实现了出色的识别准确率,该模型在特征识别方面仍存在一些瑕疵。具体来说,模型倾向于将圆形盲槽误识别(如图14的案例1和案例2所示)。

**结论与未来工作**
本文提出了LG-HoleNet,这是一个基于微分几何属性的轻量级图神经网络框架,旨在解决CAD/CAE集成工作流中复杂B-Rep模型自动通孔特征识别的问题。为了解决现有数据驱动方法在训练数据多样性、模型紧凑性和几何特征表示鲁棒性方面的局限性,本研究做出了以下贡献:

**作者贡献声明**
刘涛然:撰写 – 审稿与编辑、撰写 – 原稿、可视化、软件、方法论、调查、形式分析、数据管理、概念化。
高嘉莉:撰写 – 审稿与编辑、撰写 – 原稿、可视化、软件、方法论、调查、形式分析、数据管理、概念化。
刘晓文:验证、软件、资源。
周恒宇:验证、软件、资源。
叶宏伟:监督、资源、项目管理、资金支持。

**利益冲突声明**
作者声明没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

**致谢**
作者感谢国家自然科学基金(授权号12572336)的支持,以及匿名审稿人的建设性建议和评论。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号