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

기술 요약: 보강된 패널의 전역 구조 응답 예측을 위한 물리 가이드형 이중 스트림 이종 그래프 신경망

1. 문제 정의

대규모 복잡한 박판 구조물(예: 교량 거더, 항공기 동체)의 반복적인 설계 및 최적화에는 응력 및 변위장의 신속하고 정확한 예측이 필요합니다. 유한 요소 해석(FEA)은 고충실도 시뮬레이션을 위한 표준이지만, 미세한 공간 이산화와 반복적인 비선형 솔버가 필요하기 때문에 수십만 번의 설계 평가를 수행해야 하는 워크플로우에서는 계산 비용이 너무 높습니다.

다층 퍼셉트론(MLP)이나 합성곱 신경망(CNN)과 같은 기존 신경망 대리 모델은 보강된 패널에 내재된 다양한 구조적 토폴로지와 복잡한 경계 조건에 대해 일반화하는 데 실패하는 경우가 많습니다. 그래프 신경망(GNN)은 관계적 의존성을 모델링하는 데 유망함을 보여주었으나, 표준 이종 그래프 신경망(HGNN)은 일반적으로 메시지 전달을 일반적인 집계 연산자로 취급합니다. 이러한 모델들은 구조 구성 요소의 구체적인 역학적 역할(예: 플레이트-에지 인터페이스, 종방향 및 횡방향 응력 전파)을 명시적으로 통합하거나, 이산적인 그래프 표현으로부터 공간적으로 연속적인 장(field)을 효과적으로 재구성하는 데 실패하곤 합니다. 또한, 물리 정보 신경망(PINN)은 보강된 패널이 고정된 영역 위의 단일 고정 편미분 방정식(PDE)에 대응하지 않기 때문에 적용하기 어렵습니다. 이들의 응답은 복잡하고 변화하는 기하학적 형상, 이산적 하중 및 재료 비선형성에 의해 결정됩니다.

2. 방법론: DS-HGNN 아키텍처

저자들은 보강된 패널을 이종 그래프로 표현하여 전역 응력 및 변위를 예측하도록 설계된 물리 가이드형 아키텍처인 **이중 스트림 이종 그래프 신경망(DS-HGNN)**을 제안합니다. 이 아키텍처는 세 가지 운영 단계로 구성된 네 가지 주요 컴포넌트로 조직됩니다.

A. 이종 그래프 표현
각 보강 패널은 네 가지 노드 유형을 가진 이종 그래프 $G = (V, E, T, R)$로 분해됩니다:

• Geo 노드: 플레이트 형태의 하부 영역(스트립, 웹, 플랜지)을 나타냅니다.
• Edge 노드: 물리적 에지 및 공유 인터페이스를 나타냅니다.
• Loading 노드: 외부 하중을 인코딩합니다.
• Boundary 노드: 경계 운동학(변위/회전)을 인코딩합니다.
  관계는 로컬 플레이트 좌표계를 기준으로 종방향($R_x$) 및 횡방향($R_y$) 집합으로 분류되며, 하중 및 경계 조건을 위한 방향성 관계를 포함합니다.

B. 물리 가이드형 에지 상태 초기화
메시지 전달 전, 에지 노드는 세 가지 가산 항을 결합한 잠재 시퀀스($E^{(0)}_e$)로 초기화됩니다:

1. 에지 유형: 에지가 자유 경계인지, 규정된 운동학적 경계인지, 또는 인터페이스인지를 인코딩합니다.
2. 위치 인코딩: 경계 상의 샘플링 지점을 구별하기 위한 사인 함수 인코딩입니다.
3. 경계 운동학: 연결된 경계 노드로부터 취합된 규정된 경계 값입니다.

C. 크로스 스트림 크로스토크를 포함한 이중 스트림 메시지 전달
핵심 혁신은 종방향 및 횡방향 정보를 분리하여 처리하면서 제어된 교환을 허용하는 이중 스트림 메커니즘입니다:

1. 집계 및 FiLM 컨디셔닝: 에지 상태는 종방향 및 횡방향 스트림으로 집계됩니다. 이 스트림들은 패널의 기하학적 형상 및 하중 특징에 의해 조건화된 **특징별 선형 변조(FiLM)**에 의해 조절됩니다. 이를 통해 네트워크는 특징을 단순히 결합하는 대신 특정 구조적 맥락에 맞게 필드 예측을 적응시킬 수 있습니다.
2. 이중 스트림 스펙트럼 합성곱: 각 스트림은 방향성 스펙트럼 표현을 학습하기 위해 병렬 1-D 스펙트럼 합성곱 블록(Fourier Neural Operator에서 영감을 받음)을 통과합니다.
3. 크로스 스트림 크로스토크: 2D 결합을 포착하기 위해 스트림은 잔차 메커니즘을 통해 정보를 교환합니다. 각 스트림은 평균 풀링을 통해 요약되고, 선형 변환을 거친 후 반대편 스트림에 잔차로 더해집니다.
4. 에지 업데이트: 정제된 geo-노드 상태는 에지로 투영되어 집계되며, 잔차 연결 및 레이어 정규화를 통해 업데이트됩니다.

D. 스펙트럼-바이패스 저계수 리드아웃(Spectral–Bypass Low-Rank Readout)
방향성 잠재 시퀀스로부터 전체 2D 장($\hat{Y}_i \in \mathbb{R}^{n_x \times n_y \times C}$)을 재구성하기 위해 다음 과정을 거칩니다:

1. 이중 브랜치: 각 방향성 시퀀스는 두 개의 병렬 브랜치를 통해 디코딩됩니다:
   • 스펙트럼 브랜치: 부드러운 전역적 추세를 포착하기 위해 절단된 푸리에 모드를 사용합니다.
   • 바이패스 브랜치: 국부적인 고경사 변화를 유지하기 위해 점별 선형 투영 및 리샘플링을 사용합니다.
2. 저계수 외적(Low-Rank Outer Product) 디코더: 융합된 방향성 기저 행렬($V_x, V_y$)은 저계수 외적 디코더($\hat{Y} = \sum V_x V_y^T W_{core}$)를 통해 결합됩니다. 이 인수분해 방식은 모든 그리드 포인트에 대한 밀집 매핑을 피하면서, 종방향 및 횡방향 기저 함수를 분리하여 효율적으로 필드를 재구성합니다.

3. 주요 기여

본 논문은 다음과 같은 구체적인 기여를 주장합니다:

• 물리 가이드형 초기화: 메시지 전달를 위해 에지 유형, 공간 위치 및 경계 운동학을 에지 상태에 직접 인코딩하는 방법입니다.
• 이중 스트림 메커니즘: 플레이트 역학의 이방성 특성을 존중하면서, 방향성 분리와 정보 교환을 가능하게 하는 메시지 전달 전략입니다.
• FiLM 컨디셔닝: 기하학 및 하중 정보를 정적 입력으로 취급하는 대신, 필드 예측을 조절하는 데 통합하는 방식입니다.

* 스펙트럼-바이패스 리드아웃: 그래프 표현으로부터 연속적인 장을 재구성하기 위해 학습 가능한 스펙트럼 기저와 바이패스 브랜치 및 저계수 외적을 결합한 새로운 디코더입니다.

• 검증: 다양한 기하학, 경계 운동학, 하중 조건 및 재료 비선형성(탄소성 강철)을 가진 보강 패널에 대한 포괄적인 평가를 수행했습니다.

4. 결과

모델은 탄소성 재료 거동을 가진 세 가지 박스 빔 케이스(단일, 2셀, 3셀 구성)에서 추출된 2,000개의 보강 패널 데이터셋을 통해 평가되었습니다.

• 벤치마크 비교: DS-HGNN은 6개의 벤치마크 HGNN 모델(HGT, RGCN, HeteroConv, HAN, SeHGNN, HINormer)보다 우수한 성능을 보였습니다. 응력(0.140)과 변위(0.0889) 모두에서 가장 낮은 표준화된 RMSE를 달로 달성했습니다. 물리 단위로 변환했을 때, 응력 RMSE는 6.89 MPa(항복 응력의 약 1.9%)였고, 변위 RMSE는 1.18 mm였습니다.
• 데이터 효율성: DS-HGNN은 강력한 벤치마크들과 대등한 정확도를 19%~38% 더 적은 훈련 샘플을 사용하여 달성했습니다. 예를 들어, 변위 예측에서 1,000개의 샘플만 사용하여 HINormer(1,600개 샘플로 훈련됨)의 성능과 일치하는 결과를 냈습니다.
• 절제 연구(Ablation Studies): FiLM 컨디셔닝을 제거했을 때 성능 저하가 가장 컸으며(응력 RMSE 80.5% 증가), 이는 기하학/하중 조절의 중요성을 강조합니다. 스펙트럼-바이패스 리드아웃 또한 결정적인 것으로 나타났습니다. 두 브랜치 중 하나를 제거하거나 Makima 또는 CNN 헤드로 대체할 경우 오차가 증가했습니다.
• 소성 응답: 높은 비율의 소성 패널(25% 항복)이 포함된 타겟 데이터셋에서 DS-HGNN은 벤치마크 중 가장 낮은 오차를 유지했습니다. 모델은 항복 평탄 영역과 항복 후 응력 특징을 성공적으로 포착했으며, 특정 테스트 케이스에서 피크 응력을 약 99.7%의 정확도로 예측했습니다.

5. 의의 및 주장

저자들은 DS-HGNN을 특히 박판 구조를 위한 대리 모델링의 중요한 진전으로 자리매김합니다. 그 의의는 다음과 같습니다:

• 격차 해소: 일반적인 메시지 전달을 넘어, 구조 역학의 유도 편향(방향성 분리, 경계 운동학)을 그래프 학습에 통합했습니다.
• 효율성: 고충실도 FEA의 효율적인 대안을 제공하며, 더 적은 훈련 샘플로 복잡하고 변화하는 토폴로지와 비선형 재료 응답을 처리할 수 있습니다.
• 필드 재구성: 스펙트럼-바이패스 리드아웃은 이산적인 그래프 노드로부터 연속적인 물리적 장을 재구성하는 구조화된 메커니즘을 제공하여, 기존 GNN의 한계를 해결합니다.

결론적으로 DS-HQNN은 전역 필드 예측을 위한 정확하고 데이터 효율적인 대리 모델을 제공합니다. 향-후 연구로는 더 심각한 비선형 영역(대변형, 좌굴) 및 더 복적인 3D 고체 구성 요소로 아키텍처를 확장하고, 레이블이 지정된 FEA 데이터에 대한 의존도를 줄이기 위해 준지도 학습을 탐색하는 것이 제안되었습니다.