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

Technische Samenvatting: Cross-attention-gebaseerde Bipartiete Graph Neural Network voor Gekoppelde Nodale en Elementaire Veldvoorspelling

Probleemstelling
Finite element analysis (FEA) is de standaard voor het voorspellen van vervorming bij het vormen van plaatmateriaal, waarbij zowel nodale kinematica (verplaatsingen) als elementaire vervormingsmaten (rekken, spanningen, verdunning) worden vastgelegd. Echter, hoogresolutie FEA is rekenkundig duur, wat het gebruik beperkt in iteratief ontwerp en optimalisatie. Hoewel machine learning (ML) surrogate-modellen, met name Graph Neural Networks (GNNs), versnelling bieden, nemen de meeste bestaande mesh-gebaseerde GNNs een node-centred formulering aan. In deze modellen zijn de primaire voorspelde grootheden gekoppeld aan mesh-nodes. Bijgevolg moeten element-niveau grootheden (zoals verdunning, wat cruciaal is voor het beoordelen van vormkwaliteit en falen) indirect worden hersteld via interpolatie of nabewerking. Deze aanpak verbergt de native bidirectionele koppelingsstructuur van de finite element update, waarbij nodale kinematica elementvervorming aandrijven en elementspanningen zich weer assembleren tot nodale krachten.

Methodologie
De auteurs stellen CAtt-BiGNN (Cross-attention-based Bipartite Graph Neural Network) voor, een surrogate-raamwerk dat is ontworpen om de native discretisatie van finite element-simulaties te respecteren.

1. Bipartiete Graph Representatie:
   In plaats van een enkel node-centred graph, construeert het model een bipartiete graph met twee distincte vertex-types:

   • Mesh Nodes: Dragen kinematische informatie (verplaatsingsincrementen) en contactkenmerken (gereedschapsgap, normaalvectoren).
   • Elementen: Dragen vervormingsinformatie (specifiek verdunningswaarden).
   • Gerichte Edges: Twee sets gerichte edges verbinden deze vertices: node-naar-element (overdracht van kinematica om rek/verdunning bij te werken) en element-naar-node (overdracht van spanningsbijdragen terug naar nodale evenwicht). Deze structuur nabootst de informatiestroom van expliciete dynamische FEA zonder de besturende vergelijkingen expliciet op te lossen.

2. Edge-Aware Cross-Attention Processor:
   De kern van de architectuur is een message-passing processor die gebruikmaakt van een cross-attention mechanisme dat is voorwaardelijk op geometrische edge-kenmerken.

   • In tegenstelling tot standaard cross-attention, waarbij keys worden afgeleid van source node/element-kenmerken, leidt CAtt-BiGNN de Key-vectoren af van de gerichte edge-kenmerken (die lokale geometrische relaties zoals relatieve positie en afstand vertegenwoordigen).
   • De Query wordt afgeleid van de receiver-state (element of node).
   • Dit ontwerp stelt het model in staat om adaptieve koppelingsgewichten te leren die afhankelijk zijn van de specifieke lokale geometrie tussen een node en een element, waardoor fysisch onderbouwde message passing mogelijk wordt in vergelijking met generieke attention-mechanismen.

3. Hiërarchische Extensie (CAtt-BiUGNN):
   Om schaalbaarheid op grote industriële meshes aan te pakken, introduceren de auteurs CAtt-BiUGNN. Deze variant incorporateert graph downsampling- en upsampling-operaties (het vergruizen van de bipartiete graph) met skip-verbindingen. Dit staat langere informatieverplaatsing toe terwijl de bipartiete node-element formulering op alle schalen behouden blijft.

4. Adaptieve Noise Strategie:
   Om de robuustheid van autoregressieve rollout te verbeteren (waarbij voorspellingen worden teruggekoppeld als inputs), wordt een adaptieve Gaussische noise-strategie toegepast. In tegenstelling tot uniforme noise, schaalt deze strategie de perturbatie op basis van het omgekeerde van de grootte van het verplaatsingsincrement. Dit richt zich op traag bewegende of nabij-contact gebieden (die gevoelig zijn voor geometrische fluctuaties) terwijl excessieve perturbatie in gebieden met grote vervorming wordt vermeden.

Belangrijkste Bijdragen

• Novel Representatie: Introductie van een door finite elementen geïnspireerde bipartiete graph die nodale en elementaire grootheden behoudt op hun native discretisatie-domeinen, waardoor interpolatie om verdunning te voorspellen overbodig wordt.
• Edge-Aware Attention: Ontwikkeling van een cross-attention processor waarbij attention keys worden geconstrueerd uit geometrische edge-embeddings, waardoor het model node-element interacties adaptief kan wegen op basis van lokale geometrische relaties.
• Hiërarchische Schaalbaarheid: Voorstel van CAtt-BiUGNN, dat de bipartiete formulering uitbreidt naar grote meshes via downsampling/upsampling, waarbij nauwkeurigheid over verschillende graph-groottes behouden blijft.
• Robuuste Rollout: Aantonen dat adaptieve noise-injectie de stabiliteit van autoregressieve voorspellingen verbetert, met name voor verplaatsingsvelden, zonder de verdunningsvoorspellingen te degraderen.

Resultaten
Het model werd geëvalueerd op twee benchmark plaatvormingsgevallen: een koepelvormig geval (koud vormen, kleinere graph) en een hoekvormig geval (warm vormen, grotere graph).

• Koepelgeval (CAtt-BiGNN): In vergelijking met node-centred baselines (MeshGraphNet, RGNN) en bipartiete ablatie-varianten (Vanilla-BiGNN, GAT-BiGNN, CA-BiGNN), bereikte de voorgestelde CAtt-BiGNN de beste balans tussen verplaatsings- en verdunningsvoorspelling. Het reduceerde de gemiddelde positionele Euclidische fout met 21,7% en de top-5% relatieve verdunningsfout met 53,8% in vergelijking met de MeshGraphNet-baseline. Ablatiestudies toonden aan dat het gebruik van edge-kenmerken voor attention keys (CAtt-BiGNN) beter presteerde dan het gebruik van source node-kenmerken (CA-BiGNN).
• Hoekgeval (CAtt-BiUGNN): In de hiërarchische setting presteerde CAtt-BiUGNN beter dan de hiërarchische node-centred baseline (UMGN) en andere bipartiete varianten. Het reduceerde de gemiddelde positionele Euclidische fout met 41,8% en de top-1% relatieve verdunningsfout met 80,0% ten opzichte van UMGN.
• Noise Strategie: De adaptieve Gaussische noise-strategie verbeterde de verplaatsingsvoorspelling nauwkeurigheid aanzienlijk (reductie van fouten met ~74% in vergelijking met geen noise) en bood een meer gebalanceerde verbetering in verdunningsmetrieken in vergelijking met uniforme noise, die de verdunningslokalizatie degradeerde.

Betekenis en Claims
Het artikel claimt dat het voorgestelde raamwerk een effectieve surrogate biedt voor het vormen van plaatmateriaal met grote vervorming door de beperkingen van node-centred representaties aan te pakken. De auteurs stellen drie hoofdconclusies:

1. Het vertegenwoordigen van nodale en elementaire grootheden op aparte graph-entiteiten biedt een natuurlijkere discretisatie voor gekoppelde verplaatsing-verdunning voorspelling dan node-centred formuleringen.
2. Edge-aware cross-attention is effectiever dan generieke attention-mechanismen voor het modelleren van directionele node-element interacties omdat de gewichten zijn voorwaardelijk op lokale geometrische relaties.
3. Hiërarchische propagatie verbetert de schaalbaarheid van de bipartiete formulering op grotere vormingsmeshes.

Het werk positioneert door FE geïnspireerde graph-representaties als een veelbelovende richting voor surrogate-modellering, met name wanneer zowel nodale kinematica als elementaire maakbaarheidsindicatoren (zoals verdunning) gelijktijdig vereist zijn. De evaluatie is beperkt tot gereedschap-geometrie variaties binnen de bemonsterde ontwerpruimte, waarbij toekomstig werk wordt voorgesteld om materiaalbeschrijvers en procesparameters op te nemen.