基于数据的幕墙系统曲线金属构件回弹预测

为什么建筑外皮中的弯曲金属很重要

玻璃化的建筑外皮通常依赖长而弯曲的金属肋来固定构件位置。当这些铝制零件被弯成所需形状后，一旦压机和夹具释放，它们往往会发生轻微回弹。哪怕是很小的回弹也可能使复杂幕墙上成千上万个部件的配合出现偏差，导致施工放缓和成本上升。本研究探索了一种更快速的数据驱动方法来预测这些曲线金属构件的行为，帮助设计师和制造商在第一遍就更接近目标形状。

现代幕墙如何使用弯曲金属

许多当代幕墙系统以平滑、流动的线条包裹建筑，而不是简单的平板。为实现这些形状，制造商将铝型材弯成U形、S形或更复杂的三维曲线。在成形过程中，每个构件会经历拉伸、弯曲和扭转的混合应变。外力移除后，金属会恢复一部分原始形状，这种响应称为回弹。弦长或弧高的毫米级偏差就可能降低装配精度并破坏原本意图的建筑效果。

传统虚拟测试的局限

工程师长期以来依赖称为有限元的详细计算机仿真来估算回弹量。这些模型虽然可以提供准确结果，但每种新几何形状的搭建都耗时且劳动强度大。在幕墙工程中，可能存在数百到数千种独特的弯曲部件，每种具有不同的长度、厚度和弯曲角度。为每种变体运行完整仿真很快变得不切实际，尤其是在工期紧迫且设计频繁变更的情况下。

将仿真转化为学习问题

作者提出了一个三步框架，将回弹预测视为数据问题。首先，他们对广泛的构件尺寸和弯曲模式运行经过校准的一组仿真，并将这些结果与一家实际幕墙制造商的测量数据进行验证。其次，他们使用生成模型来创建额外的合成数据，模拟仿真结果，从而在无需额外昂贵仿真的情况下扩大对罕见形状的覆盖面。第三，他们训练一个神经网络，该网络以尺寸和弯曲角度等简单输入为条件，直接输出预期的回弹度量，例如内弦长、外弦长和弧高。

学习模型的性能如何

测试表明，数据驱动模型在许多不同几何形状上能较好地再现详细仿真的回弹趋势。在独立测试集上，预测结果与实测值紧密对应，仅有小的平均差异。当模型通过合成数据增强时表现尤为出色，这对原始仿真较少的弯曲模式尤其有益。训练完成后，神经网络生成结果的速度几乎比重新运行仿真快五倍，且随着部件数量和种类的增加，这一优势还会扩大。

这对建筑实践意味着什么

对建筑师和幕墙工程师而言，该研究表明可以在数字设计工具中内置可靠的回弹预测，而无须为每个构件都运行完整仿真。通过学习经仔细验证的仿真与生成样本的组合，一个紧凑的模型就能快速估算弯曲构件成形后会回弹多少。这种速度与精度可支持更合理的模具成型、更准确的图纸留量以及更少的现场调整，帮助复杂幕墙系统更接近其预期设计。

引用: Jiang, W., Zhang, Y., Liang, Y. et al. Data-driven springback prediction of curved metal sections in curtain wall systems. Sci Rep 16, 14838 (2026). https://doi.org/10.1038/s41598-026-42002-3

关键词: 幕墙系统, 回弹, 铝材弯曲, 有限元仿真, 神经网络建模