GNN for Structural Displacement Prediction

技术摘要：用于结构位移预测的图神经网络

问题陈述
准确预测外部荷载作用下的结构位移，对于结构健康监测（SHM）和地震安全评估至关重要。尽管有限元法（FEM）因其物理严谨性和对复杂几何形状的建模能力而仍是行业标准，但其高昂的计算成本和繁琐的预处理要求限制了其在实时监测及需要快速评估多种荷载工况场景中的应用。虽然机器学习（ML）提供了一种数据驱动的替代方案，但传统神经网络往往难以捕捉结构系统固有的拓扑关系。本研究旨在填补将图神经网络（GNNs）应用于结构位移预测的空白，致力于开发一种既能兼顾计算效率，又能满足精确结构分析所需物理保真度的模型。

方法论
本研究提出了一种数据驱动框架，将结构系统表示为图，其中节点模拟节点（joints），结构构件模拟边（edges）。方法论分为四个阶段：

1. 数据生成：利用 ANSYS MAPDL 对两层框架结构进行仿真，生成合成数据集。该数据集包含 500 个工况，涉及施加于顶层和中间层的不同水平荷载。材料行为（Q235 钢）采用多线性各向同性硬化（MISO）模型进行建模，以捕捉线弹性及非线性塑性响应。利用门道法（Portal Method）估算屈服阈值，以区分线性和非线性变形阶段。
2. 图表示：采用“先节点后二分法”将结构框架转换为图。
   • 节点：代表结构节点（包括截面变化位置）。节点特征包括坐标、边界条件标志（平移和旋转的固定/自由）、施加的节点力/力矩，以及一个代表“强柱弱梁”（SCWB）要求的标量参数。
   • 边：代表结构构件（梁和柱）。边特征包括几何属性（长度、通过正弦/余弦表示的方向）和力学属性（轴向刚度 $EA$、弯曲刚度$EI$、塑性截面模量$Z$和塑性弯矩承载力$M_p$）。使用方向标志以保持荷载传递的方向性。
3. 模型架构：提出的 GNN 采用基于边条件的消息传递方案（通过 PyTorch Geometric 的 NNConv 层实现）。
   • 节点特征被投影到隐藏空间。
   • 在相连节点之间传递消息，其中边特征通过一个小型多层感知机（EdgeNet）动态调节消息权重。这使得模型能够适应构件的刚度和几何形状。
   • 节点嵌入使用均值聚合和 ReLU 激活函数，经过三层消息传递进行更新。
   • 最终的多层感知机（MLP）将嵌入映射到输出：节点位移（$U_x, U_y$）和转角（$R_z$）。
   • 损失函数：采用双目标损失函数。它最小化自由节点相对于真实值的均方误差（MSE），并对固定节点的偏差施加惩罚，以严格强制边界条件。
4. 对比基线：在相同数据集上训练了一个传统神经网络（NN）用于对比。该 NN 仅将施加的力作为输入，缺乏对结构拓扑或构件属性的显式编码。

关键结果
模型在包含 2,000 个数据点的测试集上进行了评估（85% 训练，15% 测试划分）。精度采用基于容差的准则进行衡量（线性工况下位移为±0.01 mm，转角为±0.001°；非线性工况下应用更宽的容差）。

• 线性变形：GNN 实现了**86.56%的总体测试精度，显著优于仅达到59.33%**的传统 NN。GNN 在预测水平位移和转角方面表现出高保真度，而 NN 则表现挣扎，特别是在转角响应方面。
• 非线性变形：在非线性阶段（屈服后），GNN 保持了稳健的性能，总体测试精度为95.88%。尽管对于经历显著塑性变形的节点（节点 3 和节点 6），预测误差有所增加，但该模型对这些节点的精度仍保持在 80% 以上。相比之下，NN 在非线性范围内的性能大幅下降，总体精度降至27.55%。
• 物理一致性：GNN 成功学习了构件属性与整体结构响应之间的关系，保持了物理连接性。由于缺乏结构编码，NN 未能有效地泛化到未见过的荷载组合，特别是在存在非线性行为时。

意义与主张
作者声称，本研究为 GNN 在土木工程中的应用提供了初步但重要的贡献。其主要意义在于证明了 GNN 可以作为 FEM 在结构位移预测中的高效代理模型。通过显式编码结构拓扑和力学属性，GNN 比纯粹的数据驱动力 - 响应映射更有效地捕捉了荷载传递的底层物理机制。

该论文断言，所提出的框架提供了一种快速且高效的传统基于 FEM 分析的替代方案，特别适用于需要快速推理的应用，如实时结构健康监测和决策支持系统。研究结论指出，虽然 GNN 显示出强大的潜力，但这仍是一项初步调查。作者谦逊地指出，未来的工作需要在更复杂的结构上评估可扩展性，探索针对其他指标（如层间位移角、损伤指数）的多任务学习，并使用实验数据而非仅依赖合成仿真数据来验证该方法。