Cross-attention-based bipartite graph neural network for coupled nodal and elemental field prediction in large-deformation sheet material forming

ملخص تقني: شبكة عصبية رسومية ثنائية الأجزاء قائمة على الانتباه المتقاطع للتنبؤ بالمجالات العقدية والعنصرية المقترنة

بيان المشكلة
تعد طريقة العناصر المحدودة (FEA) المعيار القياسي للتنبؤ بالتشوه في تشكيل الصفائح المعدنية، حيث تلتقط كل من الحركية العقدية (الإزاحات) ومقاييس التشوه العنصرية (الانفعالات، الإجهادات، والترقق). ومع ذلك، فإن تحليل العناصر المحدودة عالي الدقة مكلف حاسوبياً، مما يحد من استخدامه في التصميم والتحسين التكراري. وبينما توفر نماذج التعلم الآلي البديلة (ML surrogates)، وخاصة الشبكات العصبية الرسومية (GNNs)، تسريعاً للعملية، فإن معظم الشبكات الرسومية القائمة على الشبكات (mesh-based GNNs) تتبنى صياغة مركزة على العقد. في هذه النماذج، ترتبط الكميات المتنبأ بها أساساً بالعقد الشبكية. وبناءً على ذلك، يجب استعادة الكميات على مستوى العناصر (مثل الترقق، وهو أمر بالغ الأهمية لتقييم جودة التشكيل والفشل) بشكل غير مباشر عبر الاستيفاء أو المعالجة اللاحقة. هذا النهج يحجب هيكل الاقتران ثنائي الاتجاه الأصيل لتحديث العناصر المحدودة، حيث تقود الحركية العقدية تشوه العناصر، وتتجمع إجهادات العناصر مرة أخرى في القوى العقدية.

المنهجية
يقترح المؤلفون نموذج CAtt-BiGNN (الشبكة العصبية الرسومية ثنائية الأجزاء القائمة على الانتباه المتقاطع)، وهو إطار عمل بديل مصمم لاحترام التجزئة الأصلية لمحاكاة العناصر المحدودة.

1. تمثيل الرسم البياني ثنائي الأجزاء:
بدلاً من رسم بياني واحد مركز على العقد، ينشئ النموذج رسماً بيانياً ثنائياً يحتوي على نوعين متميزين من الرؤوس:

• عقد الشبكة: تحمل معلومات حركية (زيادات الإزاحة) وميزات التلامس (الفجوة بين الأداة، المتجهات العمودية).
• العناصر: تحمل معلومات التشوه (تحديداً قيم الترقق).
• الحواف الموجهة: يوجد مجموعتان من الحواف الموجهة التي تربط هذه الرؤوس: من العقدة إلى العنصر (لنقل الحركية لتحديث الانفعال/الترقق) ومن العنصر إلى العقدة (لنقل مساهمات الإجهاد مرة أخرى إلى التوازن العقدي). يحاكي هذا الهيكل تدفق المعلومات في محاكاة الديناميكا الصريحة دون حل المعادلات الحاكمة صراحةً.

2. معالج الانتباه المتقاطع المدرك للحواف:
جوهر البنية هو معالج تمرير الرسائل الذي يستخدم آلية انتباه متقاطع مشروطة بميزات الحواف الهندسية.

• على عكس الانتباه المتقاطع القياسي حيث تُشتق مفاتيح (Keys) من ميزات العقدة/العنصر المصدر، يشتق CAtt-BiGNN متجهات المفاتيح (Key) من ميزات الحواف الموجهة (التي تمثل العلاقات الهندسية المحلية مثل الموقع النسبي والمسافة).
• يتم اشتقاق الاستعلام (Query) من حالة المستقبل (العنصر أو العقدة).
• يسمح هذا التصميم للنموذج بتعلم أوزان اقتران تكيفية تعتمد على الهندسة المحلية بين العقدة والعنصر، مما يتيح تمرير رسائل أكثر استناداً إلى الأسس الفيزيائية مقارنة بآليات الانتباه العامة.

3. الامتداد الهرمي (CAtt-BiUGNN):
لمعالجة قابلية التوسع في الشبكات الصناعية الكبيرة، يقدم المؤلفون CAtt-BiUGNN. يتضمن هذا المتغير عمليات خفض وتعلية العينات للرسوم البيانية (تقليص الرسم البياني الثنائي) مع اتصالات تخطي (skip connections). وهذا يسمح بنشر المعلومات بعيدة المدى مع الحفاظ على صياغة العقد والعناصر الثنائية عند جميع المقاييس.

4. استراتيجية الضوضاء التكيفية:
لتحسين متانة التدحرج التكراري (حيث تُستخدم التنبؤات كمدخلات للخطوة التالية)، يتم استخدام استراتيجية ضوضاء غاوسية تكيفية. بخلاف الضوضاء الموحدة، تستهدف هذه الاستراتيجية تغيير حجم الاضطراب بناءً على مقلوب مقدار زيادة الإزاحة. يستهدف هذا المناطق ذات الحركة البطيئة أو مناطق التلامس القريبة (والتي تكون حساسة للتقلبات الهندسية) مع تجنب الاضطراب المفرط في مناطق التشوه الكبير.

المساهمات الرئيسية

• تمثيل مبتكر: تقديم رسم بياني ثنائي الأجزاء مستوحى من العناصر المحدودة يحافظ على الكميات العقدية والعنصرية في نطاقات تجزئتها الأصلية، مما يلغي الحاجة إلى الاستيفاء للتنبؤ بالترقق.
• انتباه مدرك للحواف: تطوير معالج انتباه متقاطع حيث تُبنى مفاتيح الانتباه من تضمينات الحواف الهندسية، مما يمكن النموذج من وزن التفاعلات بين العقدة والعنصر تكيفياً بناءً على العلاقات الهندسية المحلية.
• القابلية للتوسع الهرمي: اقتراح CAtt-BiUGNN، الذي يمد الصياغة الثنائية إلى الشبكات الأكبر عبر خفض وتعلية العينات، مع الحفاظ على الدقة عبر أحجام الرسوم البيانية المختلفة.
• تدحرج قوي: إثبات أن حقن الضوضاء التكيفية يحسن استقرار التنبؤات التكرارية، خاصة لمجالات الإزاحة، دون إضعاف تنبؤات الترقق.

النتائج
تم تقييم النموذج في حالتين من حالات تشكيل الصفائح: حالة القبة (التشكيل البارد، رسم بياني أصغر) وحالة الزاوية (التشكيل الساخن، رسم بياني أكبر).

• حالة القبة (CAtt-BiGNN): مقارنة بالنماذج المرجعية المركزة على العقد (MeshGraphNet, RGNN) والمتغيرات الثنائية المختبرة (Vanilla-BiGNN, GAT-BiGNN, CA-BiGNN)، حقق CAtt-BiGNN أفضل توازن بين التنبؤ بالإزاحة والترقق. فقد قلل متوسط خطأ المسافة الإقليدية الموضعية بنسبة 21.7% وخطأ الترقق النسبي لأعلى 5% بنسبة 53.8% مقارنة بنموذج MeshGraphNet. وأظهرت دراسات الاستبعاد أن استخدام ميزات الحواف كمفاتيح للانتباه (CAtt-BiGNN) تفوق على استخدام ميزات العقد المصدر (CA-BiGNN).
• حالة الزاوية (CAtt-BiUGNN): في الإعداد الهرمي، تفوق CAtt-BiGNN على النموذج المرجعي الهرمي المركزي على العقد (UMGN) والمتغيرات الثنائية الأخرى. فقد قلل متوسط خطأ المسافة الإقليدية الموضعية بنسبة 41.8% وخطأ الترقق النسبي لأعلى 1% بنسبة 80.0% مقارنة بـ UMGN.
• استراتيجية الضوضاء: حسنت استراتيجية الضوضاء الغاوسية التكيفية دقة التنبؤ بالإزاحة بشكل كبير (بتقليل الأخطاء بنحو 74% مقارنة بعدم وجود ضوضاء) ووفرت تحسناً متوازناً في مقاييس الترقق مقارنة بالضوضاء الموحدة التي أدت إلى تدهور تحديد موقع الترقق.

الأهمية والادعاءات
يزعم البحث أن الإطار المقترح يوفر بديلاً فعالاً لتشكيل المواد الصفائحية ذات التشوه الكبير من خلال معالجة قيود التمثيلات المركزة على العقد. ويؤكد المؤلفون ثلاثة استنتاجات رئيسية:

1. تمثيل الكميات العقدية والعنصرية في كيانات رسومية منفصلة يوفر تجزئة أكثر طبيعية للتنبؤ المقترن بين الإزاحة والترقق مقارنة بالصياغات المركزة على العقد.
2. الانتباه المتقاطع المدرك للحواف أكثر فعالية من آليات الانتباه العامة لنمذجة التفاعلات الموجهة بين العقدة والعنصر لأن الأوزان مشروطة بالعلاقات الهندسية المحلية.
3. يحسن الانتشار الهرمي من قابلية التوسع للصياغة الثنائية على الشبكات الأكبر حجماً.

يضع هذا العمل التمثيلات الرسومية المستوحاة من العناصر المحدودة (FE) كاتجاه واعد للنمذجة البديلة، خاصة عندما تكون هناك حاجة للتنبؤ بكل من الحركية العقدية ومؤشرات قابلية التصنيع العنصرية (مثل الترقق) في آن واحد. وتقتصر عملية التقييم على تغيرات هندسة الأداة ضمن فضاء التصميم الذي تم أخذ عينات منه، مع اقتراح أعمال مستقبلية لتشمل واصفات المواد ومعلمات العملية.