StampFormer: 一种物理引导的材料-几何耦合多模态模型，用于快速预测板料冲压中的物理场

arXiv:2605.18835v1 公告类型：新 摘要：传统的金属板材成形依赖耗时且昂贵的有限元分析（FEA）进行设计验证，这一过程显著延长了设计周期。尽管代理模型提供了更快的迭代，但当前方法存在局限性：基于标量的方法无法捕获全面的基于场的FEA结果，而现有的基于图像的模型往往仅关注几何形状，忽略了材料属性的关键作用。为弥补这一不足，我们开发了一种物理引导的深度学习框架，即StampFormer，它同时利用零件几何和材料应力-应变响应来预测FEA结果。StampFormer框架使用三个核心组件处理数据。材料增强几何网络（MAGN）首先融合几何和材料数据。然后，分层材料嵌入注入单元（HMEIU）在不同层级上整合这些信息，再交由主网络骨干——一个改进的Swin-UNet——进行处理。我们在一个横梁面板的冲压任务上评估了我们的模型，使用了钢和铝面板的两个仿真数据集。结果表明，StampFormer能在不到一秒内对关键物理场（包括减薄、主应变、次应变、塑性应变和位移）提供高保真预测。与真实FEA结果相比，我们的模型在四个二维场上实现了平均相对误差低于8.5%，在三维位移场上均方误差低于1.2 mm²。总之，我们提出了一种实用且高效的框架，它融合了多模态信息（即几何和材料属性），以提供快速准确的预测，使设计人员能够进行实时可制造性评估。