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

Riepilogo Tecnico: Rete Neurale a Grafo Bipartito basata su Cross-attention per la Predizione Accoppiata di Campi Nodali ed Elementali

Enunciato del Problema
L'analisi agli elementi finiti (FEA) è lo standard per la previsione della deformazione nella formatura di lamiere, catturando sia la cinematica nodale (spostamenti) sia le misure di deformazione elementare (deformazioni, tensioni, assottigliamento). Tuttavia, la FEA ad alta risoluzione è computazionalmente costosa, limitandone l'uso nella progettazione e ottimizzazione iterativa. Sebbene i surrogati di apprendimento automatico (ML), in particolare le Reti Neurali a Grafo (GNN), offrano accelerazione, la maggior parte delle GNN basate su mesh esistenti adotta una formulazione centrata sui nodi. In questi modelli, le quantità principali predette sono associate ai nodi della mesh. Di conseguenza, le quantità a livello di elemento (come l'assottigliamento, che è critico per valutare la qualità della formatura e il cedimento) devono essere recuperate indirettamente tramite interpolazione o post-elaborazione. Questo approccio oscura la struttura di accoppiamento bidirezionale nativa dell'aggiornamento agli elementi finiti, dove la cinematica nodale guida la deformazione elementare e le tensioni elementari si assemblano nuovamente nelle forze nodali.

Metodologia
Gli autori propongono CAtt-BiGNN (Rete Neurale a Grafo Bipartito basata su Cross-attention), un framework surrogato progettato per rispettare la discretizzazione nativa delle simulazioni agli elementi finiti.

1. Rappresentazione a Grafo Bipartito:
   Invece di un singolo grafo centrato sui nodi, il modello costruisce un grafo bipartito con due tipi distinti di vertici:

   • Nodi della Mesh: Portano informazioni cinematiche (incrementi di spostamento) e caratteristiche di contatto (distanza dallo strumento, vettori normali).
   • Elementi: Portano informazioni di deformazione (in particolare valori di assottigliamento).
   • Archi Diretti: Due insiemi di archi diretti collegano questi vertici: da nodo a elemento (trasferendo la cinematica per aggiornare la deformazione/assottigliamento) e da elemento a nodo (trasferendo i contributi di tensione all'equilibrio nodale). Questa struttura imita il flusso di informazioni della FEA dinamica esplicita senza risolvere esplicitamente le equazioni governative.

2. Processore di Cross-attention Consapevole degli Archi:
   Il cuore dell'architettura è un processore di passaggio messaggi che utilizza un meccanismo di cross-attention condizionato dalle caratteristiche geometriche degli archi.

   • A differenza della cross-attention standard dove i chiavi sono derivati dalle caratteristiche dei nodi o elementi sorgente, CAtt-BiGNN deriva i vettori Chiave dalle caratteristiche degli archi diretti (che rappresentano relazioni geometriche locali come posizione relativa e distanza).
   • La Query è derivata dallo stato del ricevente (elemento o nodo).
   • Questo design permette al modello di apprendere pesi di accoppiamento adattivi che dipendono dalla geometria locale specifica tra un nodo e un elemento, consentendo un passaggio messaggi più fondato fisicamente rispetto ai meccanismi di attenzione generici.

3. Estensione Gerarchica (CAtt-BiUGNN):
   Per affrontare la scalabilità su mesh industriali di grandi dimensioni, gli autori introducono CAtt-BiUGNN. Questa variante incorpora operazioni di sottocampionamento e sovracampionamento del grafo (irreggimentazione del grafo bipartito) con connessioni di salto. Questo permette la propagazione di informazioni a lungo raggio preservando la formulazione bipartita nodo-elemento a tutte le scale.

4. Strategia di Rumore Adattivo:
   Per migliorare la robustezza del rollout autoregressivo (dove le previsioni vengono reimmesse come input), viene impiegata una strategia di rumore gaussiano adattivo. A differenza del rumore uniforme, questa strategia scala la perturbazione in base all'inverso della magnitudine dell'incremento di spostamento. Questo mira alle regioni a movimento lento o vicino al contatto (che sono sensibili alle fluttuazioni geometriche) evitando perturbazioni eccessive nelle aree di grande deformazione.

Contributi Chiave

• Rappresentazione Innovativa: Introduzione di un grafo bipartito ispirato agli elementi finiti che mantiene le quantità nodali ed elementali sui loro domini di discretizzazione nativi, eliminando la necessità di interpolazione per prevedere l'assottigliamento.
• Attenzione Consapevole degli Archi: Sviluppo di un processore di cross-attention in cui le chiavi di attenzione sono costruite da embedding geometrici degli archi, permettendo al modello di pesare adattivamente le interazioni nodo-elemento in base alle relazioni geometriche locali.
• Scalabilità Gerarchica: Proposta di CAtt-BiUGNN, che estende la formulazione bipartita a mesh di grandi dimensioni tramite sottocampionamento/sovracampionamento, mantenendo l'accuratezza attraverso diverse dimensioni del grafo.
• Rollout Robusto: Dimostrazione che l'iniezione adattiva di rumore migliora la stabilità delle previsioni autoregressive, in particolare per i campi di spostamento, senza degradare le previsioni di assottigliamento.

Risultati
Il modello è stato valutato su due casi di riferimento di formatura di lamiere: un caso a forma di cupola (formatura a freddo, grafo più piccolo) e un caso a forma di angolo (formatura a caldo, grafo più grande).

• Caso Cupola (CAtt-BiGNN): Rispetto alle basi di riferimento centrate sui nodi (MeshGraphNet, RGNN) e alle varianti di ablazione bipartite (Vanilla-BiGNN, GAT-BiGNN, CA-BiGNN), il CAtt-BiGNN proposto ha raggiunto il miglior equilibrio tra previsione degli spostamenti e dell'assottigliamento. Ha ridotto l'errore euclideo posizionale medio del 21,7% e l'errore relativo di assottigliamento top-5% del 53,8% rispetto alla linea di base MeshGraphNet. Gli studi di ablazione hanno mostrato che l'uso delle caratteristiche degli archi per le chiavi di attenzione (CAtt-BiGNN) ha superato l'uso delle caratteristiche dei nodi sorgente (CA-BiGNN).
• Caso Angolo (CAtt-BiUGNN): Nell'impostazione gerarchica, CAtt-BiUGNN ha superato la linea di base gerarchica centrata sui nodi (UMGN) e altre varianti bipartite. Ha ridotto l'errore euclideo posizionale medio del 41,8% e l'errore relativo di assottigliamento top-1% dell'80,0% rispetto a UMGN.
• Strategia di Rumore: La strategia di rumore gaussiano adattivo ha migliorato significativamente l'accuratezza della previsione degli spostamenti (riducendo gli errori di circa il 74% rispetto all'assenza di rumore) e ha fornito un miglioramento più equilibrato nelle metriche di assottigliamento rispetto al rumore uniforme, che degradava la localizzazione dell'assottigliamento.

Significato e Affermazioni
Il documento afferma che il framework proposto fornisce un surrogato efficace per la formatura di lamiere a grande deformazione affrontando i limiti delle rappresentazioni centrate sui nodi. Gli autori affermano tre conclusioni principali:

1. Rappresentare le quantità nodali ed elementali su entità di grafo separate fornisce una discretizzazione più naturale per la previsione accoppiata di spostamento-assottigliamento rispetto alle formulazioni centrate sui nodi.
2. L'attenzione cross-consapevole degli archi è più efficace dei meccanismi di attenzione generici per modellare le interazioni direzionali nodo-elemento perché i pesi sono condizionati dalle relazioni geometriche locali.
3. La propagazione gerarchica migliora la scalabilità della formulazione bipartita su mesh di formatura più grandi.

Il lavoro posiziona le rappresentazioni a grafo ispirate agli elementi finiti come una direzione promettente per la modellazione surrogata, in particolare quando sono richiesti simultaneamente sia la cinematica nodale sia gli indicatori di producibilità elementare (come l'assottigliamento). La valutazione è limitata alle variazioni della geometria dello strumento all'interno dello spazio di progettazione campionato, con lavori futuri suggeriti per includere descrittori di materiale e parametri di processo.