[发明专利]学习用于推断可编辑特征树的神经网络

说明书

本发明尤其涉及一种计算机实现的方法，该方法用于学习被配置用于从3D形状的离散几何表示推断出表示3D形状的可编辑特征树的神经网络。可编辑特征树包括应用于叶几何形状的几何运算的树布置。该方法包括提供数据集，该数据集包括相应的3D形状中的每一个3D形状的离散几何表示，以及提供叶几何形状的候选集合。该方法还包括基于数据集并且基于候选集合来学习神经网络。候选集合包括叶几何形状的至少一个连续子集。该方法形成针对数字化的改进的解决方案。

技术领域

本公开内容涉及计算机程序和系统的领域，并且更具体地，本公开内容涉及与学习神经网络有关的解决方案，该神经网络被配置用于从3D形状的离散几何表示推断出表示3D形状的可编辑特征树。

背景技术

市场上提供了许多用于对象的设计、工程和制造的系统和程序。CAD是计算机辅助设计的缩写，例如，其涉及用于设计对象的软件解决方案。CAE是计算机辅助工程的缩写，例如，其涉及用于模拟未来产品的物理行为的软件解决方案。CAM是计算机辅助制造的缩写，例如，其涉及用于定义制造过程和操作的软件解决方案。在这种计算机辅助设计系统中，图形用户界面在技术效率方面起着重要作用。这些技术可以嵌入产品生命周期管理(PLM)系统中。PLM是一种业务战略，其帮助企业在扩展企业的整个概念中共享产品数据，应用通用流程以及利用企业知识来开发从概念到其寿命结束的产品。Dassault Systèmes(商标为CATIA、ENOVIA和DELMIA)提供的PLM解决方案提供了工程中心(其组织产品工程知识)、制造中心(其管理制造工程知识)以及企业中心(其使企业能够整合和连接成工程中心和制造中心两者)。该系统共同提供了一个开放的对象模型，该模型将产品、过程、资源链接在一起，以实现动态的、基于知识的产品创建和决策支持，其推动优化的产品定义、制造准备、生产和服务。

在这种背景下，研究人员一直在寻找从3D形状的离散表示中推断出表示3D形状的合理的可编辑特征树的解决方案。特别地，寻找与原始输入网格相对应的合理的CSG树已经引起了注意。这个问题属于更一般的主题，被称为“数字化”。

以下参考文献特别涉及数字化：

-[1]Bénière等人：Topology Reconstruction for B-Rep Modeling from 3DMesh in Reverse Engineering Applications，2012年。

-[2]Flavien Boussuge等人：Extraction of generative processes from B-Rep shapes and application to idealization transformations，2014年。

-[3]S.Gauthier等人：Digitized 3d mesh segmentation based on curvatureanalysis，2017年。

-[4]D.Cohen-Steiner等人：Restricted Delaunay Triangulation and NormalCycle，2003年。

-[5]B.Levy等人：Lp Centroidal Voronoi Tesselation and its application，2010年。

-[6]F.Boussuge：Idealization of CAD assemblies for FE structuralanalyses,chapter 4:Extraction of generative processes from B-Rep shapes tostructure components up to assemblies,PhD Thesis,Universitéde Grenoble，2014年。