Подробное описание документа

Куприн А. Д.
   Классификация тонкостенных 3D-моделей с помощью нейросетей / Куприн А. Д. // Будущее машиностроения России. Всероссийская конференция молодых учёных и специалистов (с международным участием), 18-я, (Москва, 23 - 26 сентября 2025 года) : сборник докладов : в 2 т. / МГТУ им. Н. Э. Баумана, Союз машиностроителей России. - 2026. - Т. 2. - С. 550-554.

Скачать документ

Полнотекстовый документ

Работа посвящена разработке метода автоматизированной классификации тонкостенных CAD-моделей на основе модифицированной архитектуры UV-net [1]. Исследование направлено на решение задачи идентификации геометрических объектов с малым отношением толщины стенок к общим габаритам, что позволяет переходить от объемных конечно-элементных сеток к двумерным аппроксимациям и существенно сокращает вычислительную сложность задач механики, аэродинамики и термоструктурного анализа. Предложенная архитектура сочетает сверточные (CNN) и графовые (GNN) нейросети для совместной обработки параметрических сеток граней и топологии модели в формате B-Rep. Ключевыми улучшениями исходной UV-net стали: интеграция механизма внимания на основе скалярного произведения, снижение размерности скрытых признаков, замена функций активации на более современные (Swish, Mish) [5], а также реализация системы автоматического дифференцирования на C++ без использования сторонних библиотек машинного обучения. Для обучения модели был разработан метод процедурной генерации искусственного набора данных, включающего три категории объёмов (малый, средний, большой) с общим количеством до 450 тыс. моделей. Экспериментально подтверждено повышение точности классификации до 94 % при сокращении времени обучения на 50 % и потребления памяти в 4 раза по сравнению с базовой реализацией на Python/PyTorch.