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

Technische Samenvatting: Graph Neural Network voor Spanningsvoorspellingen in Verstevigde Panelen onder Uniforme Belasting

Probleemstelling
Structurele optimalisatie van verstevigde panelen—veelvoorkomend in schepen, bruggen en vliegtuigen—leunt zwaar op de Eindige Elementen Methode (FEM) om spanningen te schatten. Echter, FEM is computationeel duur, vooral wanneer de modelcomplexiteit toeneemt, mesh-verfijning vereist is of geometrische veranderingen her-meshing noodzakelijk maken. Traditionele Reduced Order Models (ROMs), zoals Multivariate Adaptive Regression Splines (MARS) of Kriging, worstelen met complexe geometrieën en verliezen vaak aan getrouwheid wanneer structurele configuraties veranderen. Hoewel Deep Learning (DL) een veelbelovend alternatief biedt, zijn standaardarchitecturen zoals Multi-Layer Perceptrons (MLP's) en Convolutionele Neurale Netwerken (CNN's) inefficiënt voor structurele problemen die te maken hebben met variabele geometrieën. MLP's vereisen vaste invoerdimensies en grote datasets, terwijl CNN's moeite hebben met het representeren van discrete structurele eenheden (platen en verstevigers) en hun verbindingen zonder significante dimensionale veranderingen of hertraining.

Methodologie
De auteurs stellen een Graph Neural Network (GNN) benadering voor, specifiek gebruikmakend van een GraphSAGE-architectuur, om te dienen als een robuuste ROM voor 3D verstevigde panelen.

• Nieuwe Graph Embedding: De kerninnovatie is een "structurele entiteit-vertex" graafrepresentatie. In tegenstelling tot conventionele methoden die elke eindige element als een vertex mappen (wat leidt tot enorme grafen), behandelt deze aanpak elke fysieke structurele eenheid (plaatspanningen tussen verstevigers, versteviger-wangen en flenzen) als een enkele vertex.
  • Vertex Kenmerken: Elke vertex codeert geometrische eigenschappen (breedte, lengte, dikte), randvoorwaarden en toegepaste druk.
  • Output: Het netwerk voorspelt de von Mises-spanningsverdeling over een $10 \times 20$ roosterruimte toegewezen aan elke structurele eenheid.
  • Connectiviteit: De adjacency matrix codeert de fysieke connectiviteit tussen eenheden, waarbij de adjacency matrix niet wordt weerspiegeld in de vertex input embedding.
• Netwerkarchitectuur: Het model maakt gebruik van een 32-laagse GraphSAGE met 64 verborgen neuronen per laag, een 'sum' aggregatiefunctie en een tanh-activatie. Batch normalisatie wordt toegepast na elke convolutie-laag.
• Datageneratie: Een dataset van 2.000 willekeurig gegenereerde ontwerpconfiguraties werd gecreëerd met behulp van MATLAB en ABAQUS. De studie bestrijkt variaties in plaatdikte (10–20 mm), aantal verstevigers (2–8), afmetingen van verstevigers en randvoorwaarden. De dataset is 80/20 gesplitst voor training en validatie.

Belangrijkste Bijdragen

1. Efficiënte Graph Embedding: Het artikel introduceert een methode om 3D verstevigde panelen te representeren als grafen met aanzienlijk minder vertices dan eindige-elementen-gebaseerde representaties. Dit vermindert de computationele complexiteit van de training van proportioneel aan het aantal mesh-elementen naar proportioneel aan het aantal structurele eenheden.
2. Afhandeling van Geometrische Variabiliteit: Het voorgestelde GNN-framework demonstreert het vermogen om variërende structurele geometrieën te verwerken (bijv. verschillende aantallen verstevigers, willekeurige positionering en variërende afmetingen) zonder dat een her-architectuur of hertraining vereist is, een beperking van MLP's en CNN's.
3. Parametrische Robuustheid: De studie voert een uitgebreide parametrische analyse uit waarbij de effecten van randvoorwaarden (eenvoudig ondersteund versus vast) en geometrische complexiteit (willekeurige verstevigerdistributie en afmetingen) worden onderzocht.

Resultaten

• Computationele Efficiëntie: Bij het vergelijken van de voorgestelde entiteit-vertex embedding met een conventionele eindige-elementen-vertex embedding, bereikte de voorgestelde methode trainingstijden die ongeveer 27 keer sneller waren per epoch (0,255s vs. 6,94s). Bovendien daalde het GPU-geheugengebruik drastisch van 23,4 GB naar 0,5 GB voor een batchgrootte van 64, wat de aanpak levensvatbaar maakt voor bredere hardware.
• Voorspellingsnauwkeurigheid:
  • Randvoorwaarden: Het model legde de spanningsverdelingen voor panelen met variërende randvoorwaarden accuraat vast. Voorspellingsfouten voor gebieden met hoge spanning waren minder dan 1%. Het model had ongeveer 400 trainingsmonsters nodig om de prestaties te stabiliseren.
  • Geometrische Complexiteit: Zelfs met complexe, niet-uniforme verstevigerdistributies en variërende afmetingen, behield het model een hoge consistentie met de FEA grondwaarheid. De maximale voorspellingsfout was ongeveer 6,18% (voornamelijk bij de plaatranden), met een gemiddelde nauwkeurigheid van 96,7% voor andere paden.
  • Datavereisten: Voor zeer complexe geometrieën had het model een grotere dataset nodig (bereikde een plateau bij 1.200 monsters) vergeleken met simpelere variaties in randvoorwaarden.

Betekenis en Claims
Het artikel claimt dat de integratie van GraphSAGE met de voorgestelde structurele entiteit-vertex embedding een levensvatbaar, efficiënt en accuraat reduced-order model biedt voor 3D-structuren. De auteurs benadrukken dat deze aanpak:

• De computationele knelpunten van FEM en de rigiditeit van traditionele ROMs overwint.
• Er succesvol in slaagt om structurele geometrie als een directe invoervariabele te introduceren, wat een basis biedt voor het modelleren van complexere structuren.
• Demonstreert dat GNN's effectief de mechanische respons van discrete structurele systemen kunnen leren waarbij verbindingen tussen eenheden cruciaal zijn.

De auteurs erkennen dat hoewel hun studie gebruikmaakt van FEA-gegenereerde data, het verkrijgen van real-world data een uitdaging blijft die inherent is aan datagedreven modellen, en suggereren dit als een gebied voor toekomstig werk. Zij concluderen dat de methode een enorm potentieel heeft om de structurele modellering en analyse te revolutioneren door een balans te vinden tussen nauwkeurigheid en computationele efficiëntie.