[论文解读] 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 5

一句话总结

本文提出了一种基于深度学习的CAD/CAE框架，通过从2D草图生成3D模型、即时预测CAE结果并实现实时性能反馈，实现了3D道路轮毂设计的自动化。该框架整合了七个阶段——从潜在空间设计探索到可视化——展示了人工智能在早期产品开发阶段的实际应用。

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.

研究动机与目标

• 解决将人工智能集成到传统CAD/CAE工作流程中的挑战，以加速产品设计。
• 使工业设计师和工程师能够利用AI生成的设计，在开发早期共同创建可行的3D CAD模型。
• 基于2D概念草图，无需完整CAE仿真，即时提供工程性能（如应力、变形）的反馈。
• 通过迁移学习和AI预测结果的可解释性可视化，提升设计可靠性。
• 通过自动化实现从2D草图到验证后的3D模型的转换，弥合概念设计与工程验证之间的差距。

提出的方法

• 利用变分自编码器（VAE）进行2D生成式设计和降维，以创建低维潜在空间。
• 在潜在空间中执行实验设计（DoE），以高效探索多样化且可行的2D设计变体。
• 通过从潜在空间到参数化CAD几何的已学习映射，自动化生成3D CAD模型。
• 通过深度学习模型直接从2D设计输入预测结构性能（如应力、变形），实现CAE自动化。
• 应用迁移学习以提高不同设计配置下的预测准确性和泛化能力。
• 使用可解释性AI技术进行结果的可视化与分析，以支持设计决策与验证。

实验结果

研究问题

• RQ1 在道路轮毂设计背景下，深度学习框架能否自动化地从2D设计草图生成3D CAD模型？
• RQ2 仅使用2D输入设计，能否以高精度和低延迟准确预测CAE结果？
• RQ3 潜在空间DoE与迁移学习的整合在提升设计探索效率和预测可靠性方面有多有效？
• RQ4 工业设计师在早期设计阶段能否从2D概念草图中获得工程性能的实时反馈？
• RQ5 所提出的框架如何增强设计师与工程师在早期产品开发阶段的协作？

主要发现

• 该框架成功实现了从2D设计输入到3D CAD模型的自动化生成，显著减少了手动建模的工作量。
• 对如应力和变形等CAE结果的预测具有高速度和高精度，支持在概念设计阶段实现实时反馈。
• 潜在空间DoE的使用使得无需完整仿真即可高效探索多样化且可行的设计变体。
• 迁移学习提高了模型在不同设计配置下的泛化能力和预测可靠性。
• 可解释性可视化技术的整合使工程师和设计师能够共同评估和验证AI生成的设计。
• 案例研究证明，AI可实际嵌入工业CAD/CAE工作流程中，以加速早期阶段的产品开发。