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

Resumo Técnico: Rede Neural de Grafo Heterogênea Guiada por Física para Predição da Resposta Estrutural de Campo Total em Painéis Enrijecidos

1. Definição do Problema

O projeto e a otimização iterativa de estruturas de paredes finas grandes e complexas (ex: vigas de pontes, fuselagens de aeronaves, cascos de navios) exigem a predição rápida e precisa de campos de tensão e deslocamento. Embora a Análise de Elementos Finitos (FEA) seja o padrão para simulações de alta fidelidade, ela é computacionalmente proibitiva para fluxos de trabalho que exigem centenas de milhares de avaliações de projeto devido à necessidade de uma discretização espacial fina e solvers não lineares iterativos.

Surrogatos de redes neurais existentes, como Perceptrons Multicamadas (MLPs) e Redes Neurais Convolucionais (CNNs), frequentemente falham em generalizar através de topologias estruturais variadas e condições de contorno complexas inerentes a painéis enrijecidos. Embora as Redes Neurais de Grafo (GNNs) tenham mostrado promessa na modelagem de dependências relacionais, as Redes Neurais de Grafo Heterogêneas (HGNNs) padrão geralmente tratam a passagem de mensagens como um operador de agregação genérico. Elas frequentemente falham em incorporar explicitamente os papéis mecânicos específicos dos componentes estruturais (ex: interfaces de borda de placa, propagação de tensão longitudinal vs. transversal) ou em lidar com a reconstrução de campos espacialmente contínuos a partir de representações de grafos discretos de forma eficaz. Além disso, as Redes Neurais Informadas pela Física (PINNs) são menos adequadas aqui porque painéis enrijecidos não correspondem a uma única Equação Diferencial Parcial (PDE) fixa sobre um domínio fixo; sua resposta é governada por geometrias complexas e variáveis, carregamentos discretos e não linearidades de material.

2. Metodologia: Arquitetura DS-HGNN

Os autores propõem a Rede Neural de Grafo Heterogênea de Fluxo Duplo (DS-HGNN), uma arquitetura guiada por física projetada para prever estresse e deslocamento de campo total em painéis enrijecidos representados como grafos heterogêneos. A arquitetura consiste em quatro componentes primários organizados em três estágios operacionais:

A. Representação de Grafo Heterogêneo
Cada painel enrijecido é decomposto em um grafo heterogêneo $G = (V, E, T, R)$ com quatro tipos de nós:

• Nós Geo: Representam subdomínios do tipo placa (tiras, almas, flanges).
• Nós de Aresta (Edge): Representam interfaces físicas e compartilhadas.
• Nós de Carregamento: Codificam cargas externas.
• Nós de Contorno: Codificam a cinemática de contorno (deslocamentos/rotações).
  As relações são categorizadas em conjuntos longitudinais ($R_x$) e transversais ($R_y$) baseados nos sistemas de coordenadas locais da placa, juntamente com relações direcionadas para carregamentos e condições de contorno.

B. Inicialização de Estado de Aresta Guiada pela Física
Antes da passagem de mensagens, os nós de aresta são inicializados com sequências latentes ($E^{(0)}_e$) combinando três termos aditivos:

1. Tipo de Aresta: Codifica se a aresta é uma borda livre, uma borda cinemática prescrita ou uma interface.
2. Codificação Posicional: Codificações senoidais para distinguir pontos de amostragem ao longo da borda.
3. Cinemática de Contorno: Valores de contorno prescritos agregados provenientes dos nós de contorno conectados.

C. Passagem de Mensagem de Fluxo Duplo com Crosstalk entre Fluxos
A inovação central é um mecanismo de fluxo duplo que processa informações longitudinais e transversais separadamente, permitindo a troca controlada:

1. Agregação e Condicionamento FiLM: Os estados das arestas são agregados nos fluxos longitudinal e transversal. Esses fluxos são modulados por Modulação Linear por Características (FiLM) condicionada às características de geometria e carregamento do painel. Isso permite que a rede adapte as predições de campo a contextos estruturais específicos sem a concatenação de características.
2. Convolução Espectral de Fluxo Duplo: Cada fluxo passa por blocos de convolução espectral 1-D paralelos (inspirados em Operadores Neurais de Fourier) para aprender representações espectrais direcionais.
3. Crosstalk entre Fluxos: Para capturar o acoplamento 2D, os fluxos trocam informações via um mecanismo residual. Cada fluxo é resumido via pooling médio, transformado linearmente e adicionado como um resíduo ao fluxo oposto.
4. Atualização de Aresta: Estados de geo-nó refinados são projetados de volta para os nós de aresta, agregados e atualizados com uma conexão residual e normalização de camada.

D. Leitura de Baixo Rank Espectral–Bypass
Para reconstruir o campo 2D completo ($\hat{Y}_i \in \mathbb{R}^{n_x \times n_y \times C}$) a partir das sequências latentes direcionais:

1. Ramos Duplos: Cada sequência direcional é decodificada via dois ramos paralelos:
   • Ramo Espectral: Utiliza modos de Fourier truncados para capturar tendências globais suaves.
   • Ramo Bypass: Utiliza projeção linear pontual e reamostragem para manter variações locais de alto gradiente.
2. Produto Externo de Baixo Rank: As matrizes de base direcionais fundidas ($V_x, V_y$) são combinadas via um decodificador de produto externo de baixo rank ($\hat{Y} = \sum V_x V_y^T W_{core}$). Esta fatoração evita o mapeamento denso para cada ponto da grade, reconstruindo o campo de forma eficiente enquanto separa as funções de base longitudinais e transversais.

3. Principais Contribuições

O artigo reivindica as seguintes contribuições específicas:

• Inicialização Guiada pela Física: Um método para codificar tipos de aresta, posições espaciais e cinemática de contorno diretamente nos estados das arestas para passagem de mensagens.
• Mecanismo de Fluxo Duplo: Uma estratégia de passagem de mensagem que separa o processamento longitudinal e transversal enquanto permite a troca de informações entre fluxos, respeitando a natureza anisotrópica da mecânica de placas.
• Condicionamento FiLM: Integração de informações de geometria e carregamento para modular as predições de campo, em vez de tratá-las como entradas estáticas.
• Leitura Espectral–Bypass: Um decodificador inovador que combina bases espectrais aprendíveis com um ramo de bypass e produto externo de baixo rank para reconstruir campos contínuos a partir de grafos.
• Validação: Avaliação abrangente em painéis enrijecidos com geometrias, cinemáticas de contorno, condições de carregamento e não linearidades de material (aço elástico-plástico) variadas.

4. Resultados

O modelo foi avaliado em um conjunto de dados de 2.000 painéis enrijecidos extraídos de três casos de viga de caixa (configurações de célula única, duas e três células) com comportamento de material elástico-plástico.

• Comparação de Benchmark: O DS-HGNN superou seis modelos de benchmark HGNN (HGT, RGCN, HeteroConv, HAN, SeHGNN, HINormer). Alcançou o menor RMSE padronizado para tensão (0.140) e deslocamento (0.0889). Em unidades físicas, o RMSE de tensão foi de 6.89 MPa (~1.9% do limite de escoamento), e o RMSE de deslocamento foi de 1.18 mm.
• Eficiência de Dados: O DS-HGNN alcançou precisão comparável aos benchmarks mais fortes usando 19%–38% menos amostras de treinamento. Por exemplo, igualou o desempenho do HINormer (treinado com 1600 amostras) para deslocamento usando apenas 1000 amostras.
• Estudos de Ablação: A remoção do condicionamento FiLM causou a maior degradação de desempenho (+80.5% de aumento no RMSE de tensão), destacando a importância da modulação de geometria/carregamento. A leitura espectral–bypass também provou ser crítica; remover qualquer um dos ramos ou substituir por interpolação fixa (Makima) ou cabeças de CNN aumentou os erros.
• Resposta Plástica: Em um conjunto de dados direcionado com uma fração maior de painéis plásticos (25% de escoamento), o DS-HGNN manteve o menor erro entre os benchmarks. Ele capturou com sucesso regiões de patamar de escoamento e características de tensão pós-escoamento, predizendo picos de tensão em zonas plásticas com ~99.7% de precisão em casos de teste específicos.

5. Significância e Alegações

Os autores posicionam o DS-HGNN como um avanço significativo na modelagem de surrogatos para mecânica estrutural, especificamente para estruturas de paredes finas. A significância reside em:

• Preencher a Lacuna: Ele integra vieses indutivos de mecânica estrutural (separação direcional, cinemática de contorno) na aprendizagem de grafos, indo além da passagem de mensagens genérica.
• Eficiência: Oferece uma alternativa eficiente em dados à FEA de alta fidelidade, capaz de lidar com topologias complexas e variáveis e respostas de materiais não lineares com menos amostras de treinamento.
• Reconstrução de Campo: A leitura espectral–bypass fornece um mecanismo estruturado para reconstruir campos físicos contínuos a partir de nós de grafos discretos, abordando uma limitação das GNNs padrão em mecânica computacional.

O artigo conclui que o DS-HGNN fornece um surrogato preciso e eficiente em dados para predição de campo total. Sugere-se como trabalho futuro estender a arquitetura para regimes não lineares mais severos (grande deformação plástica, flambagem) e componentes sólidos 3D mais complexos, bem como explorar o aprendizado semisupervisionado para reduzir a dependência de dados FEA rotulados.