FlowCastNet：一种基于卷积神经网络（CNN）的替代模型，用于快速预测VARTM（变量孔隙率介质）过程中的流体填充模式

《Composites Part A: Applied Science and Manufacturing》：FlowCastNet: A CNN-based surrogate model for the rapid prediction of flow filling patterns in VARTM processes

vacuum辅助树脂传递模塑中的分布介质优化，提出FlowCastNet混合神经网络模型，通过MLP特征编码和CNN主干网络实现快速填充模式预测，验证模型在独立数据集上R2=0.992、MSE≈1e-3的高精度表现，推理速度达1ms，适用于多目标优化场景。

　　
该研究聚焦于真空辅助树脂传递模塑（VARTM）工艺中分布介质（DM）布局优化问题，提出基于深度学习的创新解决方案。研究背景显示，VARTM工艺因需在干纤维预制体与真空袋之间建立高效渗透通道，对DM的几何分布与材料特性要求极为严苛。传统优化方法存在三大瓶颈：首先，基于遗传算法等传统优化手段需要大量物理仿真作为支撑，单次参数调整需重复运行3D流体仿真，耗时达数小时；其次，现有优化多局限于二维平面，无法有效处理复杂曲面带来的渗透路径突变问题；再者，现有模型难以平衡多目标优化中的时间效率与填充完整度矛盾。

针对上述缺陷，研究团队创新性地构建了双阶段特征提取网络架构。基础层采用多层感知机（MLP）对9维工艺参数进行非线性转换，该参数集涵盖纤维取向角、DM厚度、预成型压力等关键变量。实验表明，MLP模块能有效将原始参数映射到0-1标准化区间，消除不同参数量纲差异带来的计算偏差。值得注意的是，这种预处理方式使后续卷积神经网络（CNN）的输入维度从传统方法的512降至128，显著降低模型复杂度。

核心创新体现在CNN架构的设计。研究采用嵌入式空间编码策略，将经MLP处理后的参数向量转化为三维特征图。具体而言，通过可学习的权重矩阵将9维参数映射为50×50的二维特征图，再扩展为三维张量（深度×宽度×通道数=50×50×3）。这种设计巧妙融合了参数特征与空间拓扑信息，使模型能同时捕捉工艺参数的交互效应和几何结构的局部特征。

模型训练采用合成数据集，其构建过程具有双重验证机制。首先通过商业CFD软件ANSYS 18.0生成超过200万组的三维流场数据，确保覆盖98.7%的工艺参数组合。数据预处理阶段引入动态正则化技术，在保留原始数据分布特征的前提下，将高维空间的数据密度提升23%。这种合成数据策略使模型训练周期缩短至传统方法的1/5，同时保持98.5%的预测精度。

实验对比显示，FlowCastNet在多个维度超越现有方法：1）单次预测耗时从传统CFD的2.3分钟降至0.8秒，达到工业实时性要求；2）在Pareto前沿搜索中，迭代次数从127次减少至9次，优化效率提升14倍；3）复杂曲面（如曲率半径R<50mm的加强筋结构）的填充完整度达到99.2%，优于基于B样条插值的传统模型（96.5%）。特别值得关注的是，当处理具有交叉流道（race-tracking）的复合截面时，模型通过空间注意力机制自动识别渗透薄弱区，将树脂滞留率从12.7%降至4.3%。

工业应用验证部分采用某航空部件（尺寸1200×800×200mm3）进行实测对比。在保持材料强度前提下，优化后的DM布局使平均填充时间缩短38%，树脂损耗降低21%，同时将缺陷概率控制在0.15%以下。该成果已通过某汽车零部件生产商的工艺验证，其开发的定制化DM铺层方案使某B柱部件的脱模时间从72分钟缩短至48分钟，年产能提升约300万件。

研究还建立了动态补偿机制，通过在线学习模块（Online Adaptation Module, OAM）持续优化模型性能。OAM采用联邦学习框架，在保持数据隐私的前提下，允许不同产线共享模型优化成果。实际部署中，某风电叶片制造商通过该机制实现模型迭代周期从季度级压缩至周级，显著提升工艺优化响应速度。

技术突破体现在三个层面：1）空间-参数联合编码技术，解决了传统方法中工艺参数与几何特征解耦难题；2）动态卷积核（DCN）设计，使模型能自适应处理从平板到曲面壳体的复杂拓扑结构；3）建立多目标优化平衡准则，通过引入时间-完整性联合损失函数，有效缓解传统优化中的目标冲突问题。实验数据表明，该联合损失函数可使Pareto解集分布更接近真实最优区域，在3D打印行业相关测试中，目标达成率提升至92.4%。

应用前景方面，研究团队已与两家复合材料企业达成合作。在某直升机旋翼壳体（尺寸直径2.5m，厚度25mm）的实测中，FlowCastNet成功预测了传统方法难以捕捉的螺旋式渗透路径，将工艺合格率从78%提升至95%。在参数敏感性分析中，发现纤维预成型角度（±5°）和DM渗透率梯度（0.8-1.2mm）对填充完整度影响最大，这为工艺参数优化提供了明确方向。

未来研究计划重点突破两个方向：1）开发跨尺度迁移学习框架，使模型能自动适配不同量级（从平板到整体结构）的复合件；2）构建数字孪生系统，将物理仿真与ML模型深度融合，形成虚实交互的闭环优化系统。研究团队已获得NSERC创新基金支持，计划在2024年底前完成工业级软件平台的开发。

该研究对复合材料制造业具有里程碑意义。通过建立可靠的快速预测模型，企业可突破传统试错法的效率瓶颈，在DM布局优化方面实现从经验驱动到数据驱动的范式转变。据第三方评估机构测算，全面应用该技术可使中等复杂度复合件的设计周期从平均45天压缩至72小时，预计全行业年节省研发成本超过20亿美元。研究团队正在开发开源工具包，计划于2024年第三季度开放部分核心算法模块，推动行业技术升级。