GNN for Structural Displacement Prediction

技術的概要：構造物変位予測のためのグラフニューラルネットワーク

問題定義
外部荷重下における構造物の変位を正確に予測することは、構造物健全性モニタリング（SHM）および耐震安全性評価にとって不可欠である。有限要素法（FEM）は、物理的な厳密性と複雑な幾何形状のモデル化能力により業界標準として残っているが、その高い計算コストと広範な前処理要件は、リアルタイムモニタリングや複数の荷重ケースの迅速な評価を必要とするシナリオにおける適用性を制限している。機械学習（ML）はデータ駆動型の代替手段を提供するが、従来のニューラルネットワークは構造物システムに内在するトポロジカルな関係を捉えることがよくない。本研究は、構造物変位予測へのグラフニューラルネットワーク（GNN）の適用におけるギャップに取り組むものであり、計算効率と正確な構造解析に必要な物理的忠実性のバランスを取るモデルの開発を目指す。

手法
本研究は、構造物システムをグラフとして表現するデータ駆動型フレームワークを提案する。ここでは、接合部がノードとして、構造部材がエッジとしてモデル化される。手法は以下の 4 つのフェーズで進行する。

1. データ生成: 2 階建てフレーム構造の ANSYS MAPDL シミュレーションを用いて合成データセットを生成した。データセットには、上階と中階に適用される水平荷重が変化する 500 ケースが含まれる。材料挙動（Q235 鋼）は、線形弾性および非線形塑性応答の両方を捉えるために多線形等方硬化（MISO）モデルを用いてモデル化された。降伏閾値は、線形および非線形変形領域を区別するためにポータル法を用いて推定された。
2. グラフ表現: 構造フレームは「接合部優先二分法」を用いてグラフに変換された。
   • ノード: 構造接合部（断面変化の位置を含む）を表す。ノード特徴量には、座標、境界条件フラグ（変位および回転に対する固定/自由）、適用された節点力/モーメント、および強柱弱梁（SCWB）要件を表すスカラーパラメータが含まれる。
   • エッジ: 構造部材（梁および柱）を表す。エッジ特徴量には、幾何学的性質（長さ、サイン/コサインによる向き）および機械的性質（軸剛性 $EA$、曲げ剛性$EI$、塑性断面係数$Z$、および塑性モーメント容量$M_p$）が含まれる。荷重伝達方向性を保持するために方向フラグが使用される。
3. モデルアーキテクチャ: 提案された GNN は、エッジ条件付きメッセージパッシング方式（PyTorch Geometric の NNConv レイヤーを介して実装）を利用する。
   • ノード特徴量は隠れ空間に射影される。
   • 接続されたノード間でメッセージが伝達され、エッジ特徴量は小さな多層パーセプトロン（EdgeNet）を介してメッセージ重みを動的に変調する。これにより、モデルは部材剛性と幾何形状に適応できる。
   • ノード埋め込みは、3 つのメッセージパッシングレイヤー全体で平均集約および ReLU 活性化を用いて更新される。
   • 最終的な MLP が埋め込みを出力（節点変位 $U_x, U_y$ および回転 $R_z$）にマッピングする。
   • 損失関数: 二重目的の損失関数が採用される。これは、真値に対する自由ノードの平均二乗誤差（MSE）を最小化し、固定ノードにおけるゼロからの逸脱に対してペナルティを課すことで、境界条件を厳密に強制する。
4. 比較ベースライン: 比較のために、従来のニューラルネットワーク（NN）が同一データセットで訓練された。NN は適用された力のみを入力とし、構造トポロジーまたは部材特性の明示的なエンコーディングを欠いている。

主要な結果
モデルは、2,000 データポイントからなるテストセット（85% 訓練、15% テスト分割）で評価された。精度は、許容差ベースの基準（線形ケースでは変位で±0.01 mm、回転で±0.001°；非線形ケースではより広い許容差を適用）を用いて測定された。

• 線形変形: GNN は 86.56% の総合テスト精度を達成し、59.33% を達成した従来の NN を大幅に上回った。GNN は水平変位と回転の両方を高い忠実度で予測したが、NN は特に回転応答において苦労した。
• 非線形変形: 非線形領域（降伏後）において、GNN は 95.88% の総合テスト精度を維持し、堅牢な性能を示した。大きな塑性変形を受けるノード（ノード 3 および 6）では予測誤差が増加したが、モデルはこれらのノードにおいても 80% を超える精度を維持した。これに対し、NN の性能は非線形範囲で著しく低下し、総合精度は 27.55% まで落ち込んだ。
• 物理的一貫性: GNN は部材特性と構造物全体の応答との関係を成功裡に学習し、物理的接続性を保持した。構造エンコーディングを欠く NN は、特に非線形挙動が存在する場合、未見の荷重組み合わせへの汎化に失敗した。

意義と主張
著者らは、本研究が構造物工学における GNN の応用に対する予備的ながら重要な貢献を提供すると主張している。主な意義は、GNN が構造物変位予測において FEM の効率的な代理モデルとなり得ることを実証した点にある。構造トポロジーと機械的性質を明示的にエンコードすることで、GNN は純粋なデータ駆動型の力 - 応答マッピングよりも荷重伝達の背後にある物理をより効果的に捉える。

本論文は、提案されたフレームワークが、リアルタイムの構造物健全性モニタリングや意思決定支援システムなど、迅速な推論を必要とする応用に特に適した、従来の FEM ベースの解析に対する高速かつ効率的な代替手段を提供すると主張している。本研究は、GNN が大きな可能性を示している一方で、予備的な調査に留まっていると結論付けている。著者らは控えめに、将来の研究として、より複雑な構造におけるスケーラビリティの評価、追加の指標（階間変位、損傷指標など）のためのマルチタスク学習の探求、および合成シミュレーションデータのみではなく実験データを用いたアプローチの検証が必要であると指摘している。