HUSCAP logo Hokkaido Univ. logo

Hokkaido University Collection of Scholarly and Academic Papers >
Theses >
博士 (情報科学) >


Files in This Item:
Takashima_Hideyoshi_220125.pdf19.38 MBPDFView/Open
Please use this identifier to cite or link to this item:
Related Items in HUSCAP:

Title: CAEモデル自動生成のための離散的形状表現を活用した三次元特徴形状認識技術の開発
Other Titles: Development of 3D feature recognition method utilizing discrete shape representations for automatic CAE model generation
Authors: 髙嶋, 英厳 Browse this author
Keywords: 大規模 CAE モデル
FE メッシュ
Large-scale CAE model
FE mesh
Point cloud
Shape descriptor
Point cloud deep learning
Data augmentation
Product development
Issue Date: 24-Dec-2021
Publisher: Hokkaido University
Abstract: 自動車業界では,世界共通の重要課題である気候変動への対策として,電動車両の開発を強力に推し進めている.この技術革新において,デジタル開発技術は,品質保証,開発期間短縮,コスト低減を実現する重要な役割を担っており,特に,高精度に性能を予測できる大規模 CAE は,製品開発に必要不可欠である.一方で,大規模 CAE モデルの作成工数は,仕様の詳細化に伴い大きく増加しており,特に,大規模 CAE モデルの根幹を成す FE メッシュの作成は,プロセス全体のボトルネックとなっている.これは,現在の商用CAE ソフトウェアに,仕様に適合した FE メッシュを完全自動で作成できる機能がなく,未だエンジニアの判断と手作業に依存しているためである.仕様に適合した FE メッシュの生成手順は,特徴形状の発見,その特徴形状の局所特徴領域の抽出,そして,その部位に規定された仕様に基づく FE メッシュの分割であり,特に,特徴形状及び局所特徴領域の認識には多くの労力が必要とされ,自動化が強く求められている.しかし,従来の特徴形状認識手法は,Product Data Quality(PDQ)劣化部を含む CAD モデルや,複雑で滑らかな曲面で構成された特徴形状を含む CAD モデル上における特徴形状認識が困難であり,また,特徴形状タイプ毎に ad hoc な処理アルゴリズムの実装が必要なためアルゴリズムの統一性と拡張性に欠けるという問題がある.さらに,認識結果を後工程の FE メッシュ自動生成に利用する手段が議論されていないため,システム化が困難である.本研究では,これらの問題を解決し,CAE モデル自動生成システムを実現するため,離散的形状表現を活用した特徴形状認識技術を新たに提案する.具体的には,FE メッシュ生成方式に応じて,三次元点群と形状記述子を用いた類似特徴形状認識技術,及び三次元点群と深層学習を用いた自由曲面特徴形状認識技術の 2 つからなる特徴形状認識技術を開発した.前者は,データベース上の参照特徴形状を用いて入力 CAD モデル上の類似特徴形状を発見する技術であり,形状記述子と RANSAC を用いて射影変換行列を推定し,類似特徴形状を特定する.後者は,点群深層学習アプローチにより,入力 CAD モデル上から,予め学習させた特徴形状及び局所特徴領域を抽出する技術であり,Multi-scale bounding box とNon-maximum suppression を組み合わせた手法により,単体特徴形状のみでトレーニングした深層学習ネットワークを用いて,製品又は部品CAD モデルの全体形状内に存在する特徴形状を認識する.また,単体特徴形状でトレーニングする深層学習ネットワークを用いることで,単体特徴形状CAD モデルで構成されるトレーニングデータセットを,パラメトリック CADを用いて,形状パラメータから容易に生成することを可能にした.本研究で提案した2つの特徴形状認識手法について,複数のモデルを用いた検証実験により有効性を示した.さらに,提案手法による特徴形状認識結果を用いて,特徴形状認識から仕様適合 FE メッシュ生成までの一連の処理プロセスの自動化に関する基礎実験を行い,これら一連の処理プロセスを含む CAE モデル自動生成システムの実現性を示した.
The automobile industry has strongly promoted to develop the electric vehicle as a countermeasure against climate change, a vital issue common globally. In this technological innovation, digital development technology plays an important role in quality assurance, development period shortening, and cost reduction. In particular, large-scale CAE is one of the indispensable digital development technology. However, on the other hand, the person-hours for generating large-scale CAE models have increased significantly as the specifications refinement. Especially, the generation of the FE mesh, an essential part of the large-scale CAE model, is a bottleneck in the entire CAE model generation process. This bottleneck is because the automatic feature compliant FE meshing for CAD models is not fully supported in commercial CAE software, requiring a great deal of operation rely only on the engineer’s decisions and manual operations. The procedure for generating FE mesh comply with specifications is mainly of a series of the following operations: first, extracting feature shapes from a given CAD model, then, performing segmentation of each feature shape into local areas, finally, generating FE mesh that complies with specific meshing rules defined by recognized feature shapes and areas. 1st and 2nd of this procedure, that is, feature shape recognition, are complex for manual operation. Therefore, automation is strongly required. However, current feature-extraction techniques from CAD models to generate FE mesh, the following issues still exist.First, the feature-extraction algorithm does not work robustly when the CAD models have PDQ issues. Second, the free-form features surrounded by complicated and smooth boundaries are challenging to detect when using these techniques. Third, it is necessary to design the extraction algorithm ad hoc way to extract different feature types with similar shapes. Fourth, it is difficult to system since there is no discussion of using recognition results to FE mesh generation. In this study, to solve these issues and realize an automatic CAE model generation system, we proposed a new feature shape recognition method that utilizes discrete shape representation. According to a type of FE mesh generation way, we have developed a similar feature shape recognition method using point cloud and shape descriptor and a free-form feature shape recognition method using point cloud and deep learning.The former is a method for extracting similar feature shapes on the input CAD model using the reference feature shape on the database.It estimates the projective transformation matrix using the shape descriptor and RANSAC to identify the similar feature shape. The latter is a method for extracting feature shapes and local feature areas on an input CAD model using a point cloud deep learning approach. An approach that combines a multi-scale bounding box and non-maximum suppression enables recognizing feature shape using a deep neural network trained with a single feature shape. Additionally, this approach made it possible to generate many single feature shape CAD models from shape parameters using parametric CAD modeling and use them as the training dataset. At last, experiments using multiple verification models showed the effectiveness of the two feature shape recognition methods proposed in this study. Furthermore, basic FE mesh generation experiments using the proposed method's feature shape recognition results showed the feasibility of an automatic CAE model generation system.
Conffering University: 北海道大学
Degree Report Number: 甲第14751号
Degree Level: 博士
Degree Discipline: 情報科学
Examination Committee Members: (主査) 教授 金井 理, 教授 小野里 雅彦, 准教授 伊達 宏昭
Degree Affiliation: 情報科学研究科(システム情報科学専攻)
Type: theses (doctoral)
Appears in Collections:課程博士 (Doctorate by way of Advanced Course) > 情報科学院(Graduate School of Information Science and Technology)
学位論文 (Theses) > 博士 (情報科学)

Export metadata:

OAI-PMH ( junii2 , jpcoar_1.0 )

MathJax is now OFF:


 - Hokkaido University