Graph Neural Network for Stress Predictions in Stiffened Panels Under Uniform Loading

Resumen Técnico: Red Neuronal de Grafos para Predicciones de Esfuerzo en Paneles Reforzados bajo Carga Uniforme

Planteamiento del Problema
La optimización estructural de paneles reforzados —comunes en barcos, puentes y aeronaves— depende en gran medida del Análisis de Elementos Finitos (FEA) para estimar los esfuerzos. Sin embargo, el FEA es computacionalmente costoso, particularmente cuando aumenta la complejidad del modelo, se requiere un refinamiento de la malla o los cambios geométricos necesitan un re-mallado. Los Modelos de Orden Reducido (ROM) tradicionales, como las Splines de Regresión Adaptativa Multivariante (MARS) o Kriging, tienen dificultades con geometrías complejas y suelen perder fidelidad cuando las configuraciones estructurales cambian. El Aprendizaje Profundo (DL) ofrece una alternativa prometedora, pero las arquitecturas estándar como los Perceptrones Multicapa (MLP) y las Redes Neuronales Convolucionales (CNN) son ineficientes para problemas estructurales que involucran geometrías variables. Los MLP requieren dimensiones de entrada fijas y grandes conjuntos de datos, mientras que las CNN tienen dificultades para representar unidades estructurales discretas (placas y refuerzos) y sus conexiones sin cambios dimensionales significativos o re-entrenamiento.

Metodología
Los autores proponen un enfoque de Red Neuronal de Grafos (GNN), utilizando específicamente una arquitectura de Muestreo y Agregación de Grafos (GraphSAGE), para servir como un ROM robusto para paneles reforzados 3D.

• Incrustación de Grafo (Embedding) Estructural Innovadora: La innovación central es una representación de grafo de "entidad-vértice estructural". A diferencia de los métodos convencionales que mapean cada elemento finito a un vértice (lo que conduce a grafos de tamaño masivo), este enfoque trata cada unidad estructural física (vanos de placa entre refuerzos, almas y pestañas de los refuerzos) como un único vértice.
  • Características del Vértice: Cada vértice codifica propiedades geométricas (ancho, longitud, espesor), condiciones de contorno y presión aplicada.
  • Salida: La red predice la distribución del esfuerzo de von Mises a través de un espacio de cuadrícula de $10 \times 20$ asignado a cada unidad estructural.
  • Conectividad: La matriz de adyacencia codifica la conectividad física entre unidades, mientras que la matriz de adyacencia no se refleja en la incrustación de entrada del vértice.
• Arquitectura de la Red: El modelo emplea una red GraphSAGE de 32 capas con 64 neuronas ocultas por capa, utilizando una función de agregación de tipo 'suma' (sum) y activación tanh. Se aplica normalización por lotes (batch normalization) después de cada capa de convolución.
• Generación de Datos: Se creó un conjunto de datos de 2,000 configuraciones de diseño generadas aleatoriamente utilizando MATLAB y ABAQUS. El estudio cubre variaciones en el espesor de la placa (10–20 mm), número de refuerzos (2–8), dimensiones de los refuerzos y condiciones de contorno. El conjunto de datos se dividió en 80/20 para entrenamiento y validación.

Contribuciones Clave

1. Incrustación de Grafo Eficiente: El artículo introduce un método para representar paneles reforzados 3D como grafos con significativamente menos vértices que las representaciones basadas en elementos finitos. Esto reduce la complejidad computacional del entrenamiento de ser proporcional al número de elementos de la malla a ser proporcional al número de unidades estructurales.
2. Manejo de la Variabilidad Geométrica: El marco de trabajo propuesto de GNN demuestra la capacidad de manejar diversas geometrías estructurales (por ejemplo, diferentes números de refuerzos, posicionamiento aleatorio y dimensiones variables) sin requerir un re-diseño de la arquitectura o re-entrenamiento, una limitación de los MLP y las CNN.
3. Robustez Paramétrica: El estudio realiza un análisis paramétrico exhaustivo examinando los efectos de las condiciones de contorno (apoyo simple vs. empotrado) y la complejidad geométrica (distribución de refuerzos aleatoria y dimensiones variables) en la precisión de la predicción.

Resultos

• Eficiencia Computacional: Comparando la incrustación de entidad-vértice propuesta contra una incrustación convencional de vértice de elemento finito, el método propuesto logró tiempos de entrenamiento aproximadamente 27 veces más rápidos por época (0.255s vs. 6.94s). Además, el uso de memoria de la GPU cayó drásticamente de 23.4 GB a 0.5 GB para un tamaño de lote de 64, haciendo que el enfoque sea viable para un hardware más amplio.
• Precisión de Predicción:
  • Condiciones de Contorno: El modelo capturó con precisión las distribuciones de esfuerzo para paneles con diversas condiciones de contorno. Los errores de predicción para regiones de alto esfuerzo fueron menores al 1%. El modelo requirió aproximadamente 400 muestras de entrenamiento para estabilizar su desempeño.
  • Complejidad Geométrica: Incluso con distribiones de refuerzos no uniformes y dimensiones variables, el modelo mantuvo una alta consistencia con la verdad de terreno (ground truth) de FEA. El error máximo de predicción fue de aproximadamente 6.18% (ocurriendo en los bordes de la placa), con una precisión promedio del 96.7% en otras trayectorias.
  • Requerimientos de Datos: Para geometrías altamente complejas, el modelo requirió un conjunto de datos más grande (alcanzando una meseta en 1,200 muestras) en comparación con las variaciones de condiciones de contorno más simples.

Significancia y Reivindicaciones
El artículo afirma que la integración de GraphSAGE con la propuesta de incrustación de entidad-vértice ofrece un modelo de orden reducido viable, eficiente y preciso para estructuras 3D. Los autores enfatizan que este enfoque:

• Supera los cuellos de botella computacionales de FEA y la rigidez de los ROM tradicionales.
• Introduce con éxito la geometría estructural como una variable de entrada directa, proporcionando una base para modelar estructuras más complejas.
• Demuestra que las GNN pueden aprender efectivamente la respuesta mecánica de sistemas estructurales discretos donde las conexiones entre unidades son críticas.

Los autores reconocen que, si bien el estudio utiliza datos generados por FEA, la obtención de datos del mundo real sigue siendo un desafío común para los modelos basados en datos, sugiriendo esto como un área para el trabajo futuro. Concluyen que el método posee un inmenso potencial para revolucionar el modelado y el análisis estructural al equilibrar la precisión con la eficiencia computacional.