基于深度學習的板殼結構網格智能劃分技術研究

【摘要】為解決板殼結構網格劃分效率低、合格率低等問題，提出了一種基于深度學習的板殼結構有限元網格智能劃分技術。首先，對板殼結構典型特征進行分類，并為每類特征開發網格劃分策略；其次，基于卷積神經網絡訓練特征識別模型，自動調用策略完成特征區域網格劃分；最后，對非特征區域進行幾何清理及網格優化。經某乘用車白車身驗證，與主流batchmesh方法相比，該方法將網格自動劃分合格率從82.1%提升至92.6%，總工時減少66.7%，顯著改善了網格質量與效率。該技術通過AI模型與預定義策略的結合，減少了人工干預，為板殼結構網格劃分提供了智能化解決方案。

主題詞：深度學習 板殼結構 有限元分析 網格劃分

中圖分類號：TP181；O316" "文獻標志碼：A" "DOI： 10.19620/j.cnki.1000-3703.20241025

Research on Intelligent Meshing Technology for Plate and Shell Structures Based on Deep Learning

Huang Zehui， Tang Hongbin， Fan Yang， Wang Shibin

（Global Ramp;D Center， China FAW Corporation Limited， Changchun 130013）

【Abstract】To address the issues of low efficiency and low qualification rates in mesh generation for plate and shell structures， this paper proposes an intelligent finite element meshing technology based on deep learning. First， typical features of plate and shell structures are classified， and meshing strategies are developed for each feature type. Second， a feature recognition model is trained using convolutional neural networks to automatically invoke the corresponding strategies for meshing in feature regions. Finally， geometry cleanup and mesh optimization are performed for non-feature regions. Verified by the white body of a passenger car， this method increases the automatic meshing qualification rate from 82.1% to 92.6% and reduces total working hours by 66.7% compared with the mainstream batchmesh approach， significantly improving both mesh quality and efficiency. By combining AI models with predefined strategies， this technology minimizes manual intervention and provides an intelligent solution for meshing in plate and shell structures.

Key words： Deep learning， Plate and shell structures， Finite element analysis， Mesh generation

【引用格式】 黃澤輝， 唐洪斌， 范陽， 等. 基于深度學習的板殼結構網格智能劃分技術研究[J]. 汽車技術， 2025（4）： 47-55.

HUANG Z H， TANG H B， FAN Y， et al. Research on Intelligent Meshing Technology for Plate and Shell Structures Based on Deep Learning[J]. Automobile Technology， 2025（4）： 47-55.

1 前言

隨著有限元分析（Finite Element Analysis，FEA）在工程領域的廣泛應用，高效生成高質量網格成為縮短項目周期的關鍵。傳統人工網格劃分方法在處理汽車白車身等復雜板殼結構時，存在效率低、易出錯等問題；而現有商業軟件如ANSA和Hypermesh的批量網格劃分方法（batchmesh）雖能實現自動化，但其網格合格率低、流向控制差、特征區域質量不足，仍需大量人工干預。

近年來，隨著人工智能技術的進步，特別是深度學習在圖像識別、模式識別等方面的廣泛應用[1]，研究人員開始探索其在網格劃分領域的潛在應用。Carlos等[2]利用特征識別技術在關鍵區域進行局部網格細化，提高有限元求解精度；He等[3]基于深度神經網絡模型在關鍵區域進行局部網格細化，提高有限元求解精度。Lu等[4]基于卷積神經網絡處理復雜結構化網格邊界條件和材料屬性變化問題，有效處理高維數據。Xu等[5]基于數據驅動的網格密度提升模型Super-Meshing-Net，縮短有限元計算時間和成本。Xu[6]將SuperMeshing方法與傳統的網格生成方法比較顯示，SuperMeshing方法在處理復雜幾何形狀和邊界條件時具有更好的適應性和靈活性。Jaeho等[7]利用深度學習技術改進有限元網格劃分過程，在保證計算精度的同時提高計算效率。劉翰林等[8]利用深度學習技術對生成的網格分類篩選，在保證網格質量不下降的前提下提升工作效率。張偉等[9]基于深度學習技術對三角形網格占比過多的曲面進行網格重建，提高有限元求解精度。

基于上述研究，本文提出一種基于深度學習的板殼結構網格智能劃分技術。首先，分類典型特征并預定義對應網格劃分策略；其次，訓練卷積神經網絡模型實現特征自動識別與策略調用；最后，對非特征區域進行幾何清理與網格優化。該方法通過AI模型與預定義策略協同，顯著降低人工干預，為板殼結構高效劃分提供新方案。

2 深度學習模型架構適用性分析

在本研究中，為了識別出典型特征的類別，進而實現板殼結構網格的智能劃分，采用卷積神經網絡（Convolutional Neural Network，CNN）作為主要的模型架構。CNN通過局部連接與權重共享機制有效捕捉局部信息，同時減少模型參數數量，提高泛化能力。此外，CNN的層次化特征提取能力允許模型從低級特征，如邊緣和紋理，逐步學習到更高級別的特征，如形狀和對象，這對于復雜結構的識別至關重要。池化層的應用不僅有助于降低輸出維度，還能夠保持重要的特征信息，進一步提升模型的計算效率和抗過擬合能力。

針對識別典型特征類別的具體需求，選擇4種典型的CNN模型：ResNet-50[10]、VGG-16[11]、DenseNet-121[12]和 MobileNet-v2[13]。ResNet-50通過引入殘差塊解決了深層網絡訓練過程中的梯度消失問題，擁有50層的深度，能夠在保持模型復雜度的同時大幅提升性能，適用于需要高精度的任務。VGG-16是一個經典且高效的深度卷積神經網絡，通過堆疊多個3×3的小卷積核構建深層網絡，能夠有效提取圖像的多層次特征；其結構簡單、易于實現，適合作為基準模型進行性能對比。DenseNet-121通過密集連接每一層與其后所有層，促進了特征的重用和信息流的傳遞，有助于緩解梯度消失問題，同時減少了參數量。DenseNet-121版本具有較深的網絡結構，適用于需要強大表達能力的任務。最后，MobileNet-v2通過引入倒殘差結構和線性瓶頸層，在保持模型輕量化的同時提升了準確率，適用于資源受限環境下的板殼結構網格劃分任務。通過對比這4種不同架構的CNN模型，本研究旨在探索其在板殼結構網格智能劃分任務中的表現差異，為實際應用提供理論依據和技術支持。

3 研究方法

本研究進行基于深度學習的板殼結構有限元網格智能劃分。首先，使用深度學習技術對板殼結構典型特征進行識別并對不同AI模型進行對比；然后，根據AI模型識別結果調用相應的典型特征網格劃分策略，實現典型特征網格劃分；最后，對典型特征以外的結構進行幾何清理、網格劃分及質量優化。

3.1 特征識別

3.1.1 數據收集

本文選擇40款典型的汽車白車身作為數據源，這些白車身涵蓋了多種不同的設計風格和制造工藝。為了確保數據集的多樣性和代表性，選取不同車型、不同年代的車輛。從這些白車身中，提取板殼結構的典型特征，包括各種類型的沖壓起筋，數據收集結果如圖1所示。

3.1.2 數據整理與預處理

首先，對原始數據進行清洗，去除冗余的信息和不必要的噪聲。此外，由于原始數據可能存在格式上的差異，本文將其統一轉換為適合深度學習模型處理的jpg圖像格式。最后，對數據進行標注工作，為每一種典型特征指定標簽。初始樣本統計如表1所示。

3.1.3 數據增強

本研究的典型特征識別分為10類任務，數據集的合理劃分對于模型訓練、驗證和最終評估至關重要。本文借鑒了FashionMNIST數據集的劃分方法，將數據集劃分為訓練集、驗證集和測試集，具體比例為60 000個訓練樣本、10 000個驗證樣本和10 000個測試樣本，每個類別典型特征的樣本量至少為8 000個。

根據工程經驗，同一類別的典型特征存在以下常見場景：形狀一致，但角度不同；形狀相似，但大小不同。因此，對于樣本量不足8 000個的類別，本文采用旋轉、翻轉、縮放等數據增強方法生成額外的樣本；雖然經過上述變換，但是圖像的核心特征仍然保留，即變換后的樣本與原始樣本屬于同一類別。數據增強后樣本統計如表2所示，所有類別的最終樣本量至少為8 000個，增加了模型接觸到的數據量；每個類別各取8 000個樣本建立數據集，提高了模型對輸入變化的魯棒性。

數據增強可以使AI識別模型不會過度依賴于訓練集中的特定類別，減少過擬合，幫助AI識別模型更好地泛化到新的未見數據上；但是，可能會引入不屬于工程實際的樣本，導致AI識別模型學到錯誤的模式。數據增強對本文的影響需要根據AI識別模型的精度進行調整優化。

3.1.4 數據劃分與管理

為了保證模型訓練的有效性和評估的公正性，從數據增強后的樣本中，按典型特征類別各取8 000個樣本，共80 000個樣本建立數據集。即每個類別各6 000個樣本用于訓練，每個類別各1 000個樣本用于驗證，每個類別各1 000個樣本用于最終的模型測試，數據分類結構如圖2所示。

3.1.5 AI識別模型訓練

使用遷移學習（Transfer Learning）的方法，分別基于ResNet-50、VGG-16、DenseNet-121、MobileNet-v24共4種卷積神經網絡架構訓練典型特征AI識別模型。實施模型遷移的流程如圖3所示：首先，使用PyTorch深度學習框架加載預訓練模型及其權重；然后，修改模型結構，凍結特征提取器結構及權重，修改分類器結構，將最后一層替換為10個輸出節點的全連接層；最后，進行AI識別模型訓練，學習分類器權重。

訓練環境及參數設置如表3所示。

ResNet-50模型訓練結果如圖4所示。模型訓練過程中，損失函數在訓練集、驗證集上迅速減小然后逐漸收斂到一個較小的區間，精度在訓練集、驗證集不斷增大并收斂到一個很小的區間，說明模型已經穩定；類別10的識別準確度最高，為99.7%，類別05、06的識別準確度最低，為91.3%，所有類別平均識別準確度為94.4%。

VGG-16模型訓練結果如圖5所示。模型訓練過程中，損失函數在訓練集、驗證集上迅速減小然后逐漸收斂到一個較小的區間，精度在訓練集、驗證集不斷增大并收斂到一個較小的區間，說明模型已經穩定；類別10的識別準確度最高，為99.6%，類別05的識別準確度最低，為90.8%，所有類別平均識別準確度為94.57%。

DenseNet-121模型訓練結果如圖6所示。模型訓練過程中，損失函數在訓練集、驗證集上迅速減小然后逐漸收斂到一個較小的區間，精度在訓練集、驗證集不斷增大并收斂到一個很小的區間，說明模型已經穩定；類別09的識別準確度最高，為99.5%，類別06的識別準確度最低，為90.6%，所有類別平均識別準確度為95%。

MobileNet-v2模型訓練結果如圖7所示。模型訓練過程中，損失函數在訓練集、驗證集上迅速減小然后逐漸收斂到一個較小的區間，精度在訓練集、驗證集不斷增大并收斂到一個較小的區間，說明模型已經穩定；類別10的識別準確度最高，為99.5%，類別03、05的識別準確度最低，為91.2%，所有類別平均識別準確度為94.09%。

綜上，基于ResNet-50、VGG-16、DenseNet-121、MobileNet-v2這4種卷積神經網絡架構的AI識別模型中，所有模型的最低識別精度類別均未出現類別08（數據增強前初其始樣本量僅為1 189個，后通過旋轉、翻轉等數據增強擴充至8 000個）。這一現象表明，數據增強有效緩解了類別08因原始樣本不足導致的模型欠擬合問題，使其分類精度顯著提升。相比之下，最低識別精度集中于類別03、05、06，可能是類別之間差異較小、類別內部差異較大、模型能力不足、超參數設置不當等原因造成的。

3.1.6 AI識別模型對比

AI識別模型對比結果如表4所示。MobileNet-v2模型訓練時間最短，為9.2 h，VGG-16模型訓練時間最長，為10.8 h；DenseNet-121模型識別準確度最高，為95.00%，MobileNet-v2模型識別準確度最低，為94.09%。

3.2 典型特征網格劃分

3.2.1 典型特征網格劃分策略

針對10類典型特征，制定10種典型特征網格劃分策略，實現典型特征網格劃分合格率100%。典型特征網格劃分流程如圖8所示，AI識別模型識別典型特征類別后，自動選擇典型特征網格劃分策略進行典型特征網格劃分。其中，10類典型特征網格劃分流程一致，為特征線清理、特征切割、網格生成、質量檢查、網格調整、結果輸出，子流程略有不同，可基于商業軟件的二次開發功能實現流程自動化。

3.2.2 典型特征網格劃分結果

典型特征網格劃分結果如表5所示，網格合格率須達到100%，以提升整體結構網格劃分質量。

3.3 幾何清理

對典型特征以外的結構進行幾何清理，保留輪廓特征線，刪除非輪廓特征線。圖9為某乘用車車門內板幾何清理過程：首先，讀取剔除典型特征后的車門內板結構；然后，遍歷并判斷每條特征線是否與其他特征線閉合，若特征線可以與其他特征線閉合，則為輪廓特征線，須保留，若特征線無法與其他特征線閉合，則為非輪廓特征線，需刪除；最后，得到清理后的車門內板幾何結構。

3.4 網格劃分及優化

3.4.1 網格劃分

基于商業軟件的二次開發功能對清理后的幾何結構進行網格劃分，本文使用ANSA軟件實現該功能，可實現網格劃分自動化，主要參數設置如下：網格目標尺寸為5 mm，扭曲距離為20%，扭曲角度為0°，最小網格尺寸為3.05 mm，倒角尺寸為最小網格尺寸的0.667倍。

3.4.2 網格優化

網格自動劃分后的合格率無法達到100%，主要原因如下：首先，雖然每個典型特征網格劃分策略都可以實現合格率100%的網格劃分，但是由于典型特征識別準確度無法達到100%，導致AI識別模型無法100%調用正確的典型特征網格劃分策略，以致典型特征網格自動劃分合格率無法達到100%；其次，清理后的幾何使用商業軟件進行網格自動劃分時，因技術原因無法保證合格率達到100%。因此，為了獲得用于有限元仿真的網格，需要對自動劃分后的網格進行手動網格優化，提升網格合格率至100%。

4 基于深度學習的板殼結構網格智能劃分流程

某板殼結構零件如圖10所示，以該零件為例介紹基于深度學習的板殼結構網格智能劃分流程，如圖11所示。首先，使用AI識別模型對該零件的典型特征進行識別，得到典型特征類別；其次，根據典型特征類別調用對應的網格劃分策略，進行典型特征網格劃分；再次，對典型特征以外的結構進行幾何清理，保留輪廓特征線、刪除非輪廓特征線；然后，基于商業軟件的二次開發功能對清理后的幾何結構進行網格劃分；最后，根據網格質量標準進行網格優化，得到用于有限元仿真的網格。

5 網格劃分結果對比

某乘用車白車身如圖12所示，以該白車身為例，分別使用本文方法與batchmesh法進行網格自動劃分并進行結果對比，網格質量標準如表6所示。

網格自動劃分合格率對比如表7所示，batchmesh法網格自動劃分合格率為82.1%，本文方法網格自動劃分合格率為92.6%，說明本文方法可以顯著提升網格自動劃分合格率。

網格劃分工時對比如表8所示，batchmesh法網格劃分及優化總工時為24人日，本文方法網格劃分及優化總工時為8人日，說明本文方法可以顯著提升工作效率，周期縮短66.7%。

局部網格劃分質量對比如表9所示，batchmesh法存在三角形殼單元聚集、網格流向差、典型特征網格質量差、局部單元畸變等不足，本文方法可以有效彌補以上不足，說明本文方法可以顯著提升網格自動劃分質量。

6 結束語

本文提出了一種基于深度學習的板殼結構有限元網格智能劃分技術。首先，結合深度學習技術和網格劃分策略實現了板殼結構典型特征自動識別與網格劃分，然后，通過幾何清理、網格劃分及優化實現了板殼結構主體結構網格劃分。試驗結果表明，與當前主流的網格劃分方法（batchmesh法）相比，本文方法可以顯著提升網格自動劃分合格率、工作效率及網格質量。

基于深度學習的板殼結構有限元網格智能劃分技術的應用顯著減少了人工干預，為板殼結構有限元網格劃分提供了一種新的智能化解決方案，為未來的智能化工程設計奠定了堅實的基礎。下一步，將優化識別算法和網格生成技術，進一步提升基于深度學習的板殼結構網格劃分技術的應用價值。

參 考 文 獻

[1] 弗朗索瓦·肖萊. Python深度學習[M]. 北京： 人民郵電出版社， 2018.

FRANCOIS C. Deep Learning with Python[M]. Beijing： Posts amp; Telecom Press， 2018.

[2] URIARTE C， PARDO D， JAVIER A， et al. A Finite Element Based Deep Learning Solver for Parametric PDEs[J]. Computer Methods in Applied Mechanics and Engineering， 2022， 391.

[3] HE J， ABUEIDDA D， RAAL R， et al. A Deeplearning Energy-Based Methd for Classical Elasticity[J]. International Journal of Plasticity， 2023， 162.

[4] LU Y， LI H， ZHANG L， et al. Convolution Hierarchical Deep-Learning Neural Networks（C-HIDeNN）： Finite Elements， Isogeometric Analysis， Tensor Decomposition， and Beyond[J]. Computational Mechanics， 2023， 72： 333-362.

[5] XU Q F， NIE Z G， XU H D， et al. SuperMeshing： A New Deep Learning Architecture for Increasing the Mesh Density of Physical Fields in Metal Forming Numerical Simulation[J]. Journal of Applied Mechanics： Transactions of the ASME， 2022， 1（89）： 1-10.

[6] XU H， NIE Z， XU Q， et al. SuperMeshing： Boosting the Mesh Density of Stress Field in Plane-Strain Problems Using Deep Learning Method[J]. Journal of Computing and Information Science in Engineering， 2023， 23（3）： 1-12.

[7] JAEHO J， HYUNGMIN J， PHILL-SEUNG L， et al. Self-Updated Four-Node Finite Element Using Deep Learing[J]. Computational Mechanics， 2022， 69： 23-44.

[8] 劉翰林， 崔會敏， 張珍， 等. 基于BP算法的二維陣面推進網格劃分方法的優化與應用[J]. 計算力學學報， 2023， 8（30）： 1-8.

LIU H L， CUI H M， ZHANG Z， et al. Optimization and Application of 2D Front Advancing Mesh Generation Method Based on BP Algorithm[J]. Chinese Journal of Computational Mechanics， 2023， 8（30）： 1-8.

[9] 張偉， 姜獻峰， 陳麗能， 等. 基于神經網絡的三角形網格智能重建[J]. 工程圖學學報， 2004， 25（1）： 71-75.

ZHANG W， JIANG X F， CHEN L N， et al. Intelligent Reconstruction of Triangular Meshes Based on Neural Networks [J]. Journal of Engineering Graphics， 2004， 25（1）： 71-75.

[10] HE K， ZHANG X， REN S， et al. Deep Residual Learning for Image Recognition[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas， Nevada， USA， 2016： 770-778.

[11] SIMONYAN K， ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition[EB/OL]. （2015-04-10）[2024-12-17]. https：//arxiv.org/abs/1409. 1556.

[12] HUANG G， LIU Z， VAN DER MAATEN L， et al. Densely Connected Convolutional Networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu， Hawaii， USA， 2017： 4700-4708.

[13] SANDLER M， HOWARD A， ZHU M， et al. MobileNetV2： Inverted Residuals and Linear Bottlenecks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City， UT， USA， 2018： 4510-4520.

（責任編輯 王 一）

修改稿收到日期為2024年12月17日。