技术摘要：掩码 - 形变图 U 型网络（MMGUNet）

1. 问题陈述

非线性有限元（FE）碰撞仿真评估车辆耐撞性的标准方法，但其计算成本高昂，阻碍了其在迭代设计优化中的应用。虽然基于图神经网络（GNN）的机器学习代理模型提供了更快的替代方案，但现有方法在预测能力与几何泛化性之间面临根本性的权衡：

• 共享权重的消息传递：在所有节点/边上使用共享更新函数的模型（如 MeshGraphNet）在不同拓扑结构上具有良好的泛化性，但往往缺乏准确捕捉复杂非线性关系的能力。
• 特定边的聚合：使用不可共享的、特定边权重的模型（如多通道聚合网络）在固定拓扑结构上实现了更高的精度，但需要固定的图连接性。
• 泛化瓶颈：具有特定边层级的分层图 U 型网络（如 ReGUNet）依赖于固定的粗粒度图模板。跨图边通常基于输入网格与固定模板之间的空间邻近性构建。当几何变化较大时（例如显著的形状变化、尺度差异或网格密度变化），空间邻近性无法建立正确的节点对应关系。这导致细粒度节点连接到不合适的粗粒度区域，从而降低预测性能并限制其向未见几何形状的迁移能力。

2. 方法论

作者提出了掩码 - 形变图 U 型网络（MMGUNet），这是一个旨在保留特定边层级的高容量能力，同时实现跨不同几何形状泛化的框架。该方法论包含三个核心组件：

A. 特征对齐的重心形变

为了解决对应关系问题，同时不牺牲特定边层级所需的固定拓扑结构，MMGUNet 在构建跨图边之前，将粗粒度图层级形变以匹配每个输入的细粒度网格。

• 过程：利用 Tutte 重心嵌入，将固定拓扑模板和输入网格均映射到共享的 2D 参数域（UV 域）。
• 特征对齐：与标准的圆形边界不同，该方法将 UV 边界锚定到由检测到的角节点定义的特定案例多边形（如正方形或八边形）。这确保了语义相似的区域（如角点、法兰）在不同形状下保持一致的 UV 位置。
• 形变：目标 3D 节点坐标从 UV 域插值回模板，更新粗粒度图几何以与输入形状对齐，同时保持其固定的连接性。随后，基于这种形变且对齐的几何结构构建跨图边。

B. 网络架构

MMGUNet 利用分层图 U 型网络骨干：

• 细粒度层级：使用基于共享权重的 MLP 操作进行输入编码和图内消息传递，从而允许对任意输入拓扑的灵活性。
• 粗粒度层级：采用固定拓扑图，配备特定边的下采样和上采样层。这些层为每个通道分配不可共享的权重，最大化非线性关系的表示能力。
• 跨图连接：在形变步骤之后建立，确保细粒度节点与粗粒度节点之间具有有意义的局部对应关系。

C. 训练策略：掩码预训练与参数高效微调

为了提高鲁棒性和数据效率，该模型采用两阶段训练协议：

1. 掩码监督预训练：在训练过程中随机掩码一部分节点及其关联边。模型从部分观测的图中预测完整的位移场。关键在于，具有边界条件或接触约束的节点受到保护而不被掩码，以保留物理约束。这充当了随机正则化器。
2. 参数高效微调：为了适应特定的目标任务，高参数量的特定边层（下采样/上采样）和粗粒度消息传递层被冻结。仅更新编码器、第一层细粒度消息传递和下采样消息传递层。这将可训练参数量减少至总量的约 0.48%，防止过拟合并加速适应过程。

3. 主要贡献

• 掩码 - 形变图 U 型网络：一种多尺度基于网格的 GNN 代理模型，结合了拓扑保持的粗图形变与特定边聚合层，用于耐撞性场预测。
• 特征对齐形变：一种利用带地标锚定边界的重心参数化的新颖过程，使得固定拓扑、特定边的算子能够在几何变化的有限元网格上复用。
• 迁移学习策略：一种监督式掩码预训练与参数高效微调相结合的方法，显著提高了泛化性并减少了目标任务适应所需的数据量。
• 综合评估：一个包含七个场景（六个 B 柱变体和一个 U 型槽案例）的多几何案例研究套件，涉及不同的尺度、网格密度和几何复杂度，并在分布内、分布外和跨组件迁移设置下进行评估。

4. 实验结果

该模型使用位移场的平均欧几里得距离（MED）和最大侵入百分比误差（MIPE）进行评估。

• 消融研究：
  • 位置编码：结合独热节点类型编码和到关键区域的距离（DTC）特征取得了最佳性能，优于拉普拉斯特征向量（后者因符号模糊引入了不稳定性）。
  • 掩码比率：20% 的掩码比率在泛化性和预测质量之间提供了最佳权衡。
• 基线比较：
  • MMGUNet 在 B 柱和 U 型槽案例上均优于外部基线（MeshGraphNet、MS-MGN、多网格）和消融版本（GUNet-fix、MGUNet）。
  • 形变影响：MGUNet（有形变但无掩码）与 GUNet-fix（固定连接）相比显著降低了误差，证实了对于大变化而言，几何对齐至关重要。
  • 预训练影响：MMGUNet（形变 + 掩码）进一步降低了误差并缩小了训练 - 测试差距，证明了鲁棒性的提升和过拟合的减少。
• 泛化性与迁移：
  • 分布外：直接泛化到未见形状（例如不同尺度或网格密度）仍然具有挑战性，但所提出的架构改善了这一情况。
  • 迁移学习：在目标任务上微调的预训练模型始终优于从头开始训练的模型。值得注意的是，在试验 B（形状泛化）中，仅使用50 个样本微调的预训练模型，其表现优于使用300 个样本训练的非预训练基线。
  • 跨组件迁移：该模型成功从 B 柱几何形状迁移到 U 型槽组件（试验 E），即使在不同的组件家族之间也显示出正向增益，尽管相对于家族内迁移，其相对提升较小。

5. 意义与主张

本文主张 MMGUNet 为耐撞性设计探索提供了一条通往可复用、数据高效的基于网格的代理建模的实用途径。

• 解决权衡：该方法成功解决了固定粗粒度拓扑（用于高容量特定边层）需求与几何灵活性（用于泛化性）需求之间的张力。
• 设计支持：该代理模型被定位为早期设计探索的决策支持工具，能够在投入昂贵的非线性 FE 仿真之前，快速估算许多几何变体的变形场和侵入度量。
• 数据效率：形变与参数高效微调的结合显著减少了将模型适应新几何形状所需的靶标数据量，使其在迭代工作流中变得可行，因为在迭代工作流中为每个新设计生成大量数据集是不切实际的。

作者承认了局限性，指出当前范围仅限于固定载荷和边界条件下的终端位移预测，且形变策略依赖于可识别的几何地标。未来的工作提议将该框架扩展到随时间变化的响应和可变载荷条件。