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

Resumo Técnico: Rede Neural de Grafo Bipartido Baseada em Atenção Cruzada para Predição Acoplada de Campos Nodais e Elementares

Declaração do Problema
A análise de elementos finitos (FEA) é o padrão para prever deformação na conformação de chapas metálicas, capturando tanto a cinemática nodal (deslocamentos) quanto as medidas de deformação elementares (tensões, deformações, afinamento). No entanto, a FEA de alta resolução é computacionalmente cara, limitando seu uso em projetos e otimizações iterativos. Embora os substitutos de aprendizado de máquina (ML), particularmente as Redes Neurais de Grafo (GNNs), ofereçam aceleração, a maioria das GNNs baseadas em malhas existentes adota uma formulação centrada em nós. Nestes modelos, as quantidades preditas principais estão associadas aos nós da malha. Consequentemente, as quantidades em nível de elemento (como o afinamento, que é crítico para avaliar a qualidade da conformação e a falha) devem ser recuperadas indiretamente via interpolação ou pós-processamento. Essa abordagem obscurece a estrutura de acoplamento bidirecional nativa da atualização de elementos finitos, onde a cinemática nodal impulsiona a deformação do elemento, e as tensões do elemento remontam às forças nodais.

Metodologia
Os autores propõem o CAtt-BiGNN (Rede Neural de Grafo Bipartido Baseada em Atenção Cruzada), um framework substituto projetado para respeitar a discretização nativa das simulações de elementos finitos.

1. Representação de Grafo Bipartido:
   Em vez de um único grafo centrado em nós, o modelo constrói um grafo bipartido com dois tipos distintos de vértices:

   • Nós da Malha: Carregando informações cinemáticas (incrementos de deslocamento) e características de contato (folga da ferramenta, vetores normais).
   • Elementos: Carregando informações de deformação (especificamente valores de afinamento).
   • Arestas Direcionadas: Dois conjuntos de arestas direcionadas conectam esses vértices: nó-para-elemento (transferindo cinemática para atualizar deformação/afinamento) e elemento-para-nó (transferindo contribuições de tensão de volta para o equilíbrio nodal). Essa estrutura imita o fluxo de informações da FEA dinâmica explícita sem resolver explicitamente as equações governantes.

2. Processador de Atenção Cruzada Consciente de Arestas:
   O núcleo da arquitetura é um processador de passagem de mensagens que utiliza um mecanismo de atenção cruzada condicionado a características geométricas de arestas.

   • Diferentemente da atenção cruzada padrão, onde as chaves são derivadas de características de nó/elemento de origem, o CAtt-BiGNN deriva os vetores Chave a partir das características de aresta direcionada (representando relações geométricas locais como posição relativa e distância).
   • A Consulta é derivada do estado do receptor (elemento ou nó).
   • Este design permite que o modelo aprenda pesos de acoplamento adaptativos que dependem da geometria local específica entre um nó e um elemento, permitindo uma passagem de mensagens mais fundamentada fisicamente do que mecanismos de atenção genéricos.

3. Extensão Hierárquica (CAtt-BiUGNN):
   Para abordar a escalabilidade em malhas industriais grandes, os autores introduzem o CAtt-BiUGNN. Esta variante incorpora operações de subamostragem e superamostragem de grafos (aproximando o grafo bipartido) com conexões de salto. Isso permite a propagação de informações de longo alcance, preservando a formulação bipartida nó-elemento em todas as escalas.

4. Estratégia de Ruído Adaptativo:
   Para melhorar a robustez da execução autorregressiva (onde as previsões são alimentadas de volta como entradas), é empregada uma estratégia de ruído gaussiano adaptativo. Diferentemente do ruído uniforme, esta estratégia escala a perturbação com base no inverso da magnitude do incremento de deslocamento. Isso visa regiões de movimento lento ou próximas ao contato (que são sensíveis a flutuações geométricas), evitando perturbação excessiva em áreas de grande deformação.

Principais Contribuições

• Representação Inovadora: Introdução de um grafo bipartido inspirado em elementos finitos que retém quantidades nodais e elementares em seus domínios de discretização nativos, eliminando a necessidade de interpolação para prever afinamento.
• Atenção Consciente de Arestas: Desenvolvimento de um processador de atenção cruzada onde as chaves de atenção são construídas a partir de incorporações geométricas de arestas, permitindo que o modelo pondere adaptativamente as interações nó-elemento com base em relações geométricas locais.
• Escalabilidade Hierárquica: Proposta do CAtt-BiUGNN, que estende a formulação bipartida para malhas grandes via subamostragem/superamostragem, mantendo a precisão em diferentes tamanhos de grafo.
• Execução Robusta: Demonstração de que a injeção adaptativa de ruído melhora a estabilidade das previsões autorregressivas, particularmente para campos de deslocamento, sem degradar as previsões de afinamento.

Resultados
O modelo foi avaliado em dois casos de conformação de chapas de referência: um caso em forma de cúpula (conformação a frio, grafo menor) e um caso em forma de canto (conformação a quente, grafo maior).

• Caso Cúpula (CAtt-BiGNN): Comparado a baselines centradas em nós (MeshGraphNet, RGNN) e variantes de ablação bipartida (Vanilla-BiGNN, GAT-BiGNN, CA-BiGNN), o CAtt-BiGNN proposto alcançou o melhor equilíbrio entre previsão de deslocamento e afinamento. Reduziu o erro euclidiano posicional médio em 21,7% e o erro relativo de afinamento dos top-5% em 53,8% em comparação com a baseline MeshGraphNet. Estudos de ablação mostraram que o uso de características de aresta para chaves de atenção (CAtt-BiGNN) superou o uso de características de nó de origem (CA-BiGNN).
• Caso Canto (CAtt-BiUGNN): No cenário hierárquico, o CAtt-BiUGNN superou a baseline hierárquica centrada em nós (UMGN) e outras variantes bipartidas. Reduziu o erro euclidiano posicional médio em 41,8% e o erro relativo de afinamento dos top-1% em 80,0% em relação ao UMGN.
• Estratégia de Ruído: A estratégia de ruído gaussiano adaptativo melhorou significativamente a precisão da previsão de deslocamento (reduzindo erros em ~74% em comparação com nenhum ruído) e forneceu uma melhoria mais equilibrada nas métricas de afinamento em comparação com o ruído uniforme, que degradou a localização do afinamento.

Significado e Alegações
O artigo alega que o framework proposto fornece um substituto eficaz para a conformação de chapas de grande deformação ao abordar as limitações das representações centradas em nós. Os autores afirmam três conclusões principais:

1. Representar quantidades nodais e elementares em entidades de grafo separadas fornece uma discretização mais natural para a previsão acoplada de deslocamento-afinamento do que formulações centradas em nós.
2. A atenção cruzada consciente de arestas é mais eficaz do que mecanismos de atenção genéricos para modelar interações direcionais nó-elemento porque os pesos são condicionados a relações geométricas locais.
3. A propagação hierárquica melhora a escalabilidade da formulação bipartida em malhas de conformação maiores.

O trabalho posiciona representações de grafos inspiradas em elementos finitos como uma direção promissora para modelagem substituta, particularmente quando tanto a cinemática nodal quanto indicadores de fabricabilidade elementar (como afinamento) são necessários simultaneamente. A avaliação limita-se a variações de geometria da ferramenta dentro do espaço de projeto amostrado, com trabalho futuro sugerido para incluir descritores de material e parâmetros de processo.