Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels

Resumen Técnico: Red Neuronal de Grafos Heterogénea Guiada por la Física para la Predicción de la Respuesta Estructural de Campo Completo en Paneles Reforzados

1. Planteamiento del Problema

El diseño y la optimización iterativa de estructuras de paredes delgadas grandes y complejas (por ejemplo, vigas de puentes, fuselajes de aviones, cascos de barcos) requieren la predicción rápida y precisa de los campos de tensión y desplazamiento. Aunque el Análisis de Elementos Finitos (FEA) es el estándar para simulaciones de alta fidelidad, resulta computacionalmente prohibitivo para flujos de trabajo que requieren cientos de miles de evaluaciones de diseño debido a la necesidad de una discretización espacial fina y de resolvedores no lineales iterativos.

Los sustitutos de redes neuronales existentes, como los Perceptrones Multicapa (MLP) y las Redes Neuronales Convolucionales (CNN), suelen fallar al generalizar a través de diversas topologías estructurales y condiciones de contorno complejas inherentes a los paneles reforzados. Si bien las Redes Neuronales de Grafos (GNN) han mostrado potencial para modelar dependencias relacionales, las Redes Neuronales de Grafos Heterogéneas (HGNN) estándar suelen tratar el paso de mensajes como un operador de agregación genérico. A menudo no logran incorporar explícitamente los roles mecánicos específicos de los componentes estructurales (por ejemplo, interfaces de placa-borde, propagación de tensiones longitudinales frente a transversales) o manejar la reconstrucción de campos espacialmente continuos a partir de representaciones de grafos discretos de manera efectiva. Además, las Redas Neuronales Informadas por la Física (PINN) son menos adecuadas aquí porque los paneles reforzados no corresponden a una única EDP (Ecuación Diferencial Parcial) fija sobre un dominio fijo; su respuesta está gobernada por geometrías complejas y variables, cargas discretas y no linealidades de materiales.

2. Metodología: Arquitectura DS-HGNN

Los autores proponen la Red Neuronal de Grafos Heterogénea de Doble Flujo (DS-HGNN), una arquitectura guiada por la física diseñada para predecir el estrés y el desplazamiento de campo completo en paneles reforzados representados como grafos heterogéneos. La arquitectura consta de cuatro componentes principales organizados en tres etapas operativas:

A. Representación de Grafo Heterogéneo
Cada panel reforzado se descompone en un grafo heterogéneo $G = (V, E, T, R)$ con cuatro tipos de nodos:

• Nodos Geo: Representan subdominios tipo placa (franjas, almas, pestañas).
• Nodos de Borde: Representan bordes físicos e interfaces compartidas.
• Nodos de Carga: Codifican cargas externas.
• Nodos de Contorno: Codifican la cinemática de los bordes (desplazamientos/rotaciones).
  Las relaciones se categorizan en conjuntos longitudinales ($R_x$) y transversales ($R_y$) basados en los sistemas de coordenadas locales de la placa, junto con relaciones dirigidas para las condiciones de carga y de contorno.

B. Inicialización del Estado del Borde Guiada por la Física
Antes del paso de mensajes, los nodos de borde se inicializan con secuencias latentes ($E^{(0)}_e$) que combinan tres términos aditivos:

1. Tipo de Borde: Codifica si el borde es un borde libre, un contorno cinemático prescrito o una interfaz.
2. Codificación Posicional: Codificaciones sinusoidales para distinguir los puntos de muestreo a lo largo del borde.
3. Cinemática de Contorno: Valores de contorno prescritos agregados de los nodos de contorno conectados.

C. Paso de Mensajes de Doble Flujo con Crosstalk entre Flujos
La innovación central es un mecanismo de doble flujo que procesa la información longitudinal y transversal de forma separada permitiendo un intercambio controlado:

1. Agregación y Condicionamiento FiLM: Los estados de los bordes se agregan en flujos longitudinales y transversales. Estos flujos son modulados por Modulación Lineal por Características (FiLM) condicionada por la geometría del panel y las características de carga. Esto permite que la red adapte las predicciones de campo a contextos estructurales específicos sin concatenar características.
2. Convolución Espectral de Doble Flujo: Cada flujo pasa a través de bloques de convolución espectral 1-D paralelos (inspirados en los Operadores Neuronales de Fourier) para aprender representaciones espectrales direccionales.
3. Crosstalk entre Flujos: Para capturar el acoplamiento 2D, los flujos intercambian información mediante un mecanismo residual. Cada flujo se resume mediante un pooling promedio, se transforma linealmente y se añade como un residuo al flujo opuesto.
4. Actualización de Borde: Los estados refinados de los nodos geo se proyectan de nuevo a los nodos de borde, se agregan y se actualizan con una conexión residual y normalización de capa.

D. Lectura de Bajo Rango Espectral–Bypass
Para reconstruir el campo 2D completo ($\hat{Y}_i \in \mathbb{R}^{n_x \times n_y \times C}$) a partir de las secuencias latentes direccionales:

1. Ramas Duales: Cada secuencia direccional es decodificada mediante dos ramas paralelas:
   • Rama Espectral: Utiliza modos de Fourier truncados para capturar tendencias globales suaves.
   • Rama de Bypass: Utiliza proyección lineal puntual y remuestreo para retener las variaciones locales de alto gradiente.
2. Producto Exterior de Bajo Rango: Las matrices de base direccional fusionadas ($V_x, V_y$) se combinan mediante un decodificador de producto exterior de bajo rango ($\hat{Y} = \sum V_x V_y^T W_{core}$). Esta factorización evita el mapeo denso a cada punto de la rejilla, reconstruyendo eficientemente el campo mientras separa las funciones de base longitudinales y transversales.

3. Contribuciones Clave

El artículo reclama las siguientes contribuciones específicas:

• Inicialización Guiada por la Física: Un método para codificar los tipos de borde, las posiciones espaciales y la cinemática de contorno directamente en los estados de los bordes para el paso de mensajes.
• Mecanismo de Doble Flujo: Una estrategia de paso de mensajes que separa el procesamiento longitudinal y transversal permitiendo el intercambio de información entre flujos, respetando la naturaleza anisotrópica de la mecánica de placas.
• Condicionamiento FiLM: Integración de la información de geometría y carga para modular las predicciones de campo, en lugar de tratarlas como entradas estáticas.
• Lectura Espectral–Bypass: Un decodificador novedoso que combina bases espectrales aprendibles con una rama de bypass y un producto exterior de bajo rango para reconstruir campos continuos a partir de grafos.
• Validación: Evaluación exhaustiva en paneles reforzados con geometrías, cinemáticas de contorno, condiciones de carga y no linealidades de materiales (acero elasto-plástico) variables.

4. Resultados

El modelo fue evaluado en un conjunto de datos de 2,000 paneles reforzados extraídos de tres casos de vigas de caja (configuraciones de una, dos y tres celdas) con comportamiento de material elasto-plástico.

• Comparación de Referencia: DS-HGNN superó a seis modelos de referencia HGNN (HGT, RGCN, HeteroConv, HAN, SeHGNN, HINormer). Logró el RMSE estandarizado más bajo tanto para el estrés (0.140) como para el desplazamiento (0.0889). En unidades físicas, el RMSE de estrés fue de 6.89 MPa (~1.9% del límite elástico) y el RMSE de desplazamiento fue de 1.18 mm.
• Eficiencia de Datos: DS-HGNN logró una precisión comparable a los modelos de referencia más fuertes utilizando entre un 19% y un 38% menos de muestras de entrenamiento. Por ejemplo, igualó el rendimiento de HINormer (entrenado con 1600 muestras) para el desplazamiento utilizando solo 1000 muestras.
• Estudios de Ablación: Eliminar el condicionamiento FiLM causó la mayor degradación del rendimiento (+80.5% de aumento en el RMSE de estrés), resaltando la importancia de la modulación de geometría/carga. La lectura espectral–bypass también resultó crítica; eliminar cualquiera de las dos ramas o reemplazarla con interpolación fija (Makima) o cabezales CNN aumentó los errores.
• Respuesta Plástica: En un conjunto de datos dirigido con una mayor fracción de paneles plásticos (25% de fluencia), DS-HGNN mantuvo el error más bajo entre los modelos de referencia. Capturó con éxito las regiones de meseta de fluencia y las características de estrés post-fluencia, prediciendo los picos de estrés en zonas plásticas con ~99.7% de precisión en casos de prueba específicos.

5. Significación y Reivindicaciones

Los autores posicionan a DS-HGNN como un avance significativo en el modelado de sustitutos para la mecánica estructural, específicamente para estructuras de paredes delgadas. La significación radica en:

• Cerrar la Brecha: Integra sesgos inductivos de la mecánica estructural (separación direccional, cinemática de contorno) en el aprendizaje de grafos, yendo más allá del paso de mensajes genérico.
• Eficiencia: Ofrece una alternativa eficiente en datos al FEA de alta fidelidad, capaz de manejar topologías complejas y variables, así como respuestas de materiales no lineales con menos muestras de entrenamiento.
• Reconstrucción de Campo: La lectura espectral–bypass proporciona un mecanismo estructurado para reconstruir campos físicos continuos a partir de nodos de grafos discretos, abordando una limitación de las GNN estándar en la mecánica computacional.

El artículo concluye que DS-HGNN proporciona un sustituto preciso y eficiente en datos para la predicción de campo completo. Se sugiere como trabajo futuro extender la arquitectura a regímenes no lineales más severos (deformación plástica grande, pandeo) y componentes sólidos 3D más complejos, así como explorar el aprendizaje semi-supervisado para reducir la dependencia de los datos etiquetados de FEA.