論文の概要: StampFormer: A Physics-Guided Material-Geometry-Coupled Multimodal Model for Rapid Prediction of Physical Fields in Sheet Metal Stamping
- arxiv url: http://arxiv.org/abs/2605.18835v1
- Date: Wed, 13 May 2026 01:13:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-20 15:03:08.651859
- Title: StampFormer: A Physics-Guided Material-Geometry-Coupled Multimodal Model for Rapid Prediction of Physical Fields in Sheet Metal Stamping
- Title(参考訳): StampFormer: 物理誘導材料-幾何結合多モードモデルによる薄板金属スタンピングにおける物理場の迅速予測
- Abstract要約: StampFormerはコンポーネントジオメトリとマテリアルストレス-制約応答を同時に使用してFAA結果を予測するフレームワークである。
FEAと比較すると, 4つの2次元場の平均相対誤差は8.5%以下であり, 3次元変位場の平均2乗誤差は1.2mm2以下であった。
- 参考スコア(独自算出の注目度): 9.998824681546477
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traditional sheet metal forming relies on time-consuming and expensive Finite Element Analysis (FEA) for design validation, a process that significantly prolongs design cycles. While surrogate models offer faster iteration, current approaches have limitations: scalar-based methods cannot capture comprehensive field-based FEA results, while existing image-based models often ignore the critical role of material properties by focusing solely on geometry. To address this gap, we develop a physics-guided deep learning framework, namely StampFormer, which simultaneously uses component geometry and material stress-strain responses to predict FEA outcomes. The StampFormer framework uses three core components to process data. A Material-Augmented Geometric Network (MAGN) first fuses geometric and material data. This information is then integrated at various levels by a Hierarchical Material Embedding Injection Unit (HMEIU) before being processed by the primary network backbone, an adapted Swin-UNet. We evaluated our model on the stamping of a crossmember panel with two simulation datasets for steel and aluminium panels, and results demonstrate that StampFormer provides high-fidelity predictions of critical physical fields - including thinning, major strain, minor strain, plastic strain, and displacement - in under a second. Compared with ground truth FEA, our model achieved an average relative error of less than 8.5% on the four 2D fields and a mean squared error of less than 1.2 mm2 for the 3D displacement field. In summary, we introduce a practical and efficient framework that integrates multimodal information, namely geometry and material properties, to provide fast and accurate predictions, enabling designers to perform real-time manufacturability assessments.
- Abstract(参考訳): 伝統的な金属板の成形は、設計サイクルを大幅に延長するプロセスである設計検証に、時間を要する高価な有限要素分析(FEA)に依存している。
スカラーベースの手法は、包括的なフィールドベースのFAA結果をキャプチャすることはできないが、既存の画像ベースのモデルは、幾何学にのみ焦点をあてることで、物質的特性の重要な役割を無視することが多い。
このギャップに対処するため、我々は物理誘導型ディープラーニングフレームワークであるStampFormerを開発し、コンポーネント幾何学と材料応力-ひずみ応答を同時に利用してFAA結果を予測する。
StampFormerフレームワークは3つのコアコンポーネントを使ってデータを処理する。
Material-Augmented Geometric Network (MAGN)は、まず幾何学的および物質的データを融合する。
この情報は、主要なネットワークバックボーンであるSwin-UNetによって処理される前に、階層的な材料埋め込み注入ユニット(HMEIU)によって様々なレベルで統合される。
鋼板とアルミニウム板の2つのシミュレーションデータセットを用いた断面パネルの切削実験の結果,StampFormerは, 切削, 主要ひずみ, 微ひずみ, 塑性ひずみ, 変位などの臨界場を1秒未満で高精度に予測できることを示した。
FEAと比較すると, 4つの2次元場の平均相対誤差は8.5%以下であり, 3次元変位場の平均2乗誤差は1.2mm2以下であった。
要約すると、我々は、幾何や材料特性といったマルチモーダル情報を統合する実用的で効率的なフレームワークを導入し、高速かつ正確な予測を提供し、デザイナーがリアルタイムな製造可能性評価を行うことを可能にする。
関連論文リスト
- Influence of Extruded Filament Shape on Buildability in 3D Concrete Printing: A Geometry-Informed Deep Learning-FEM Approach [0.601977707672242]
堆積フィラメントの幾何学的形態は3次元コンクリート造構造物の構造性能と安定性に大きな影響を及ぼす可能性がある。
FEMベースのビルド可能性評価アプローチは、印刷されたレイヤを単純化し、予測精度を制限している。
本研究では,深層学習に基づくフィラメント形状予測ツールShapeGen3DCPを統合した形状インフォームドモデリングフレームワークを提案する。
論文 参考訳(メタデータ) (2026-09-03T16:08:19Z) - Robust and Interpretable Adaptation of Equivariant Materials Foundation Models via Sparsity-promoting Fine-tuning [48.04423567569116]
そこで本研究では,モデルパラメータを選択的に更新するスポーシティ・プロモーティング・ファインチューニング手法を提案する。
エネルギーおよび力の予測タスクにおいて、本手法は完全な微調整および等変低ランク適応に適合するか、超越する。
本研究は, 同種材料基盤モデルのドメイン特殊化のためのフレキシブルかつ解釈可能な手法として, 疎性促進ファインタニングを確立した。
論文 参考訳(メタデータ) (2026-06-17T05:10:18Z) - CatalyticMLLM: A Graph-Text Multimodal Large Language Model for Catalytic Materials [61.546562658308005]
触媒材料のためのグラフテキスト多モード大言語モデルQE-Catalytic-V2を提案する。
プロパティ予測と逆設計を同じモデルと共有表現空間に統合する。
この統合フレームワークでは、QE-Catalytic-V2は信頼性の高いプロパティ予測を行うだけでなく、物理的に実現可能なCIF候補を生成し、表示することができる。
論文 参考訳(メタデータ) (2026-05-17T04:31:46Z) - SLAT-Phys: Fast Material Property Field Prediction from Structured 3D Latents [55.26273954022457]
物理に基づくシミュレーション、ロボット工学、デジタルツインジェネレーションにおいて、3Dアセットの材料特性場を推定することが重要である。
本稿では,1枚のRGB画像から空間的に変化する3次元資産の材料特性場を,明示的な3次元再構成なしに直接予測するSLAT-Physを提案する。
論文 参考訳(メタデータ) (2026-03-25T06:14:03Z) - AutoHood3D: A Multi-Modal Benchmark for Automotive Hood Design and Fluid-Structure Interaction [0.0]
このデータセットは,ロータリーディップ塗装時の流体巻き込みおよび慣性負荷による実用的多物理問題フード変形を中心に構築されている。
各フードは、合計1.2Mセルを用いたLES(Large-Eddy Simulation)-Finite Element Analysis(FEA)で数値モデル化される。
データセットは、STLメッシュと構造化された自然言語プロンプトとともに、時間分解された物理フィールドを提供する。
論文 参考訳(メタデータ) (2025-11-05T14:09:03Z) - A Foundation Model for Material Fracture Prediction [37.06207593775499]
フラクチャー予測のためのデータ駆動基礎モデルを提案する。
シミュレーター、幅広い材料、様々な負荷条件で作動する。
さまざまな下流タスクに関する最小限のデータで微調整できる。
論文 参考訳(メタデータ) (2025-07-30T20:23:36Z) - MatDecompSDF: High-Fidelity 3D Shape and PBR Material Decomposition from Multi-View Images [20.219010684946888]
MatDecompSDFは、高忠実度3D形状を復元し、その物理的特性を多視点画像から分解するフレームワークである。
本手法は,標準のグラフィックスパイプラインにシームレスに統合可能な,編集可能で再生可能なアセットを生成する。
論文 参考訳(メタデータ) (2025-07-07T08:22:32Z) - Text to Band Gap: Pre-trained Language Models as Encoders for Semiconductor Band Gap Prediction [9.325818199739759]
本稿では,半導体材料のバンドギャップを予測するために,RoBERTa,T5,Llama-3,MatSciBERTなどのトランスフォーマーベース言語モデルについて検討する。
入力は、化学組成、結晶系、空間群、その他の構造的および電子的性質などの重要な材料特性を符号化する。
論文 参考訳(メタデータ) (2025-01-07T00:56:26Z) - IDArb: Intrinsic Decomposition for Arbitrary Number of Input Views and Illuminations [64.07859467542664]
画像から幾何学的および物質的情報をキャプチャすることは、コンピュータビジョンとグラフィックスの基本的な課題である。
従来の最適化に基づく手法では、密集した多視点入力から幾何学、材料特性、環境照明を再構築するために数時間の計算時間を必要とすることが多い。
IDArbは、様々な照明条件下で、任意の画像に対して本質的な分解を行うために設計された拡散モデルである。
論文 参考訳(メタデータ) (2024-12-16T18:52:56Z) - PhyRecon: Physically Plausible Neural Scene Reconstruction [81.73129450090684]
PHYRECONは、微分可能なレンダリングと微分可能な物理シミュレーションの両方を利用して暗黙的な表面表現を学習する最初のアプローチである。
この設計の中心は、SDFに基づく暗黙の表現と明示的な表面点の間の効率的な変換である。
また,物理シミュレータの安定性も向上し,全データセットに対して少なくとも40%の改善が得られた。
論文 参考訳(メタデータ) (2024-04-25T15:06:58Z) - FAENet: Frame Averaging Equivariant GNN for Materials Modeling [123.19473575281357]
データ変換による任意のモデルE(3)-同変や不変化を実現するために,フレームアラグリング(SFA)に依存したフレキシブルなフレームワークを導入する。
本手法の有効性を理論的および実験的に証明し, 材料モデリングにおける精度と計算スケーラビリティを実証する。
論文 参考訳(メタデータ) (2023-04-28T21:48:31Z) - Machine-learning accelerated identification of exfoliable
two-dimensional materials [0.0]
2次元(2D)材料は、様々な特性を持つため、最近の研究の中心となっている。
バルク3次元(3D)材料が弱い結合エネルギーで保持された層によって形成される場合、正確かつ効率的に識別できることが重要である。
我々は、高速な幾何学的スクリーニングと組み合わせて、潜在的に剥離可能な材料を効率的に識別できる機械学習(ML)アプローチを開発した。
論文 参考訳(メタデータ) (2022-07-18T14:48:53Z) - How to See Hidden Patterns in Metamaterials with Interpretable Machine
Learning [82.67551367327634]
我々は,材料単位セルのパターンを見つけるための,解釈可能な多分解能機械学習フレームワークを開発した。
具体的には、形状周波数特徴と単位セルテンプレートと呼ばれるメタマテリアルの2つの新しい解釈可能な表現を提案する。
論文 参考訳(メタデータ) (2021-11-10T21:19:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。