[論文レビュー] Integrating Deep Learning into CAD/CAE System: Case Study on Road Wheel Design Automation.

Soyoung Yoo, Sung‐Hee Lee+4 more|arXiv (Cornell University)|May 25, 2020

Manufacturing Process and Optimization参考文献 45被引用数 5

ひとこと要約

本論文では、2次元スケッチから3次元道路ホイールモデルを生成し、即座にCAE結果を予測し、リアルタイムでの性能フィードバックを可能にする、深層学習に基づくCAD/CAEフレームワークを提案する。このフレームワークは、潜在空間におけるデザインエクplorationから可視化まで7段階の統合を実現し、初期段階の製品開発における実用的なAI統合を示している。

ABSTRACT

Research regarding design automation that integrates artificial intelligence (AI) into computer-aided design (CAD) and computer-aided engineering (CAE) is actively being conducted. This study proposes a deep learning-based CAD/CAE framework that automatically generates three-dimensional (3D) CAD models, predicts CAE results immediately, explains the results, and verifies the reliability. The proposed framework comprises seven stages: (1) two-dimensional (2D) generative design, (2) dimensionality reduction, (3) design of experiment in latent space, (4) CAD automation, (5) CAE automation, (6) transfer learning, and (7) visualization and analysis. The proposed framework is demonstrated through a road wheel design case study and indicates that AI can be practically incorporated into end-use product design. Using this framework, it is expected that industrial designers and engineers can jointly review feasible engineering 3D CAD models created by AI and select the best design for the market in the early stages of product development. In addition, because the proposed deep learning model can predict CAE results based on 2D disc-view design, industrial designers can obtain instant feedback regarding the engineering performance of 2D concept sketches.

研究の動機と目的

• 従来のCAD/CAEワークフローに人工知能を統合する課題に対処し、製品設計のスピードアップを図ること。
• AIによって生成されたデザインを活用して、工業デザイナーとエンジニアが早期段階で実現可能な3次元CADモデルを共同で作成できるようにすること。
• 完全なCAEシミュレーションを実施せずに、2次元コンセプトスケッチに基づいて、応力や変形などの工学的性能に関する即時のフィードバックを提供すること。
• 転移学習とAI予測の説明可能な可視化を活用して、設計の信頼性を向上させること。
• 2次元スケッチから検証済みの3次元モデルへの移行を自動化することで、コンセプトデザインと工学的検証のギャップを埋めること。

提案手法

• 2次元の生成的デザインと次元削減のための変分オートエンコーダー（VAE）を用い、低次元の潜在空間を構築する。
• 潜在空間における実験計画法（DoE）を実施し、完全なシミュレーションを伴わずに、多様で実現可能な2次元デザインのバリエーションを効率的に探索する。
• 潜在空間からパラメトリックCADジオメトリに至る学習済みマッピングを用いて、最適化された2次元デザインから3次元CADモデルの自動生成を実現する。
• 2次元デザイン入力を深層学習モデルを用いて直接構造的性能（例：応力、変形）を予測することで、CAEの自動化を実現する。
• 異なる設計構成にわたる予測精度と一般化性能の向上を図るために、転移学習を適用する。
• 説明可能なAI技術を用いて結果を可視化・分析し、デザイン意思決定と検証を支援する。

実験結果

リサーチクエスチョン

• RQ1 深層学習フレームワークは、道路ホイール設計の文脈において、2次元デザインスケッチから3次元CADモデルの生成を自動化できるか？
• RQ2 2次元入力デザインのみを用いて、高い精度と低遅延でCAE結果を予測できるか、その程度はどの程度か？
• RQ3 潜在空間におけるDoEと転移学習の統合は、デザインエクスプロレーションと予測信頼性の向上にどの程度効果的か？
• RQ4 工業デザイナーは、初期段階のデザイン段階で2次元コンセプトスケッチに基づいて、工学的性能に関するリアルタイムフィードバックを受けることができるか？
• RQ5 提案されたフレームワークは、初期製品開発段階におけるデザイナーとエンジニアの協働をどのように向上させるか？

主な発見

• 本フレームワークは、2次元デザイン入力から3次元CADモデルの生成を成功裏に自動化し、手作業によるモデリング作業を大幅に削減した。
• 応力や変形といったCAE結果が、高速かつ高精度に予測可能となり、コンセプトデザイン段階でのリアルタイムフィードバックが可能になった。
• 潜在空間におけるDoEの活用により、完全なシミュレーションを伴わず、多様で実現可能なデザインバリエーションの効率的探索が可能となった。
• 転移学習により、異なる設計構成にわたるモデルの一般化性能と予測信頼性が向上した。
• 説明可能な可視化の統合により、エンジニアとデザイナーが共同でAI生成デザインの評価と検証が行えるようになった。
• 事例研究により、AIが産業用CAD/CAEワークフローに実用的に統合され、初期段階の製品開発のスピードアップが実現可能であることが示された。