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

技术摘要：用于预测加劲板全场结构响应的物理引导双流异构图神经网络

1. 问题陈述

大型复杂薄壁结构（如桥梁梁架、飞机机身、船舶船体）的迭代设计与优化需要快速且准确地预测应力场和位移场。虽然有限元分析（FEA）是高保真模拟的标准方法，但由于需要精细的空间离散化和迭代非线性求解器，对于需要进行数十万次设计评估的工作流而言，其计算成本过于高昂。

现有的神经网络代理模型，如多层感知器（MLP）和卷积神经网络（CNN），在处理加劲板中固有的多变结构拓扑和复杂边界条件时往往表现不佳。虽然图神经网络（GNN）在建模关系依赖方面展现出潜力，但标准的异构图神经网络（HGNN）通常将消息传递视为一种通用的聚合算子。它们往往无法显式地整合结构组件的具体力学角色（例如，板边缘界面、纵向与横向应力传播），也无法有效地处理从离散图表示重构空间连续场的问题。此外，物理信息神经网络（PINN）并不完全适用于此处，因为加劲板并不对应于固定域上的单一固定偏微分方程（PDE）；其响应受复杂的、变化的几何形状、离散载荷以及材料非线性所控制。

2. 方法论：DS-HGNN 架构

作者提出了双流异构图神经网络（DS-HGNN），这是一种物理引导的架构，旨在通过异构图表示来预测加劲板的全场应力和位移。该架构由四个主要部分组成，分为三个操作阶段：

A. 异构图表示
每个加劲板被分解为一个包含四种节点类型的异构图 $G = (V, E, T, R)$：

• 几何节点（Geo nodes）： 代表类板子状的子域（条带、腹板、法兰）。
• 边缘节点（Edge nodes）： 代表物理边缘和共享界面。
• 载荷节点（Loading nodes）： 编码外部载荷。
• 边界节点（Boundary nodes）： 编码边界运动学（位移/转动）。
  关系被根据局部板坐标系分类为纵向（$R_x$）和横向（$R_y$）集合，以及用于载荷和边界条件的有向关系。

B. 物理引导的边缘状态初始化
在消息传递之前，边缘节点通过结合三个加性项来初始化潜在序列（$E^{(0)}_e$）：

1. 边缘类型： 编码该边缘是自由边界、预设运动学边界还是界面。
2. 位置编码： 使用正弦编码来区分边界上的采样点。
3. 边界运动学： 聚合来自连接的边界节点的预设边界值。

C. 具有跨流交互的双流消息传递
核心创新在于一个双流机制，该机制分别处理纵向和横向信息，同时允许受控的交换：

1. 聚合与 FiLM 条件化： 边缘状态被聚合到纵向和横向流中。这些流通过**特征线性调制（FiLM）**进行调节，该调制以面板的几何和载荷特征为条件。这使得网络能够根据特定的结构上下文调整场预测，而不是简单地拼接特征。
2. 双流谱卷积： 每个流通过并行的一维谱卷积块（受傅里叶神经算子启发）进行处理，以学习方向性的谱表示。
3. 跨流交互（Crosstalk）： 为了捕捉二维耦合，各流通过残差机制交换信息。每个流通过平均池化进行汇总，经过线性变换后，作为残差添加到相反的流中。
4. 边缘更新： 精炼后的几何节点状态被投影回边缘节点，进行聚合，并通过残差连接和层归一化进行更新。

D. 谱–旁路低秩读出（Spectral–Bypass Low-Rank Readout）
为了从方向性潜在序列中重构完整的二维场 ($\hat{Y}_i \in \mathbb{R}^{n_x \times n_y \times C}$)：

1. 双分支： 每个方向性序列通过两个并行分支进行解码：
   • 谱分支（Spectral Branch）： 使用截断傅里叶模态来捕捉平滑的全局趋势。
   • 旁路分支（Bypass Branch）： 使用逐点线性投影和重采样来保留局部高梯度变化。
2. 低秩外积： 融合后的方向性基矩阵（$V_x, V_y$）通过低秩外积解码器进行组合（$\hat{Y} = \sum V_x V_y^T W_{core}$）。这种因子分解避免了向每个网格点进行稠密映射，在分离纵向和横向基函数的同时，高效地重构场。

3. 核心贡献

论文声称了以下具体贡献：

• 物理引导初始化： 一种将边缘类型、空间位置和边界运动学直接编码进边缘状态以进行消息传递的方法。
• 双流机制： 一种将纵向和横向处理分离、同时实现信息交换的消息传递策略，符合板件力学的各向异性本质。
• FiLM 条件化： 集成几何和载荷信息来调制场预测，而非将其视为静态输入。
• 谱–旁路读出： 一种结合可学习谱基与旁路分支及低秩外积来从图表示重构连续场的创新解码器。
• 验证： 在具有不同几何形状、边界运动学、载荷条件和材料非线性（弹塑性钢）的加劲板数据集上进行了全面评估。

4. 结果

该模型在从三个箱型梁案例（单胞、双胞和三胞配置）中提取的 2,000 个加劲板数据集上进行了评估，这些案例涉及弹塑性材料行为。

• 基准对比： DS-HGNN 在六个基准 HGNN 模型（HGT, RGCN, HeteroConv, HAN, SeHGNN, HINormer）中脱颖而出。它在应力（0.140）和位移（0.0889）方面均实现了最低的标准化 RMSE。在物理单位下，应力 RMSE 为 6.89 MPa（约屈服应力的 1.9%），位移 RMSE 为 1.18 mm。
• 数据效率： DS-HGNN 使用减少 19%–38% 的训练样本即可达到与最强基准模型相当的精度。例如，在位移预测方面，它仅使用 1000 个样本就达到了 HINormer（使用 1600 个样本训练）的性能水平。
• 消融实验： 去除 FiLM 条件化 导致了最大的性能下降（应力 RMSE 增加了 80.5%），凸显了几何/载荷调制的重要性。谱–旁路读出也被证明至关重要；移除任一分支或使用固定插值（Makima）或 CNN 头替换都会增加误差。
• 塑性响应： 在一个具有较高比例塑性面板（25% 屈服）的目标数据集上，DS-HGNN 保持了最低的误差。它成功捕捉到了屈服平台区和屈服后应力特征，在特定测试用例中对塑性区域的峰值应力预测准确率约为 99.7%。

5. 意义与主张

作者将 DS-HGNN 定位为结构力学领域（特别是针对薄壁结构）代理模型的重要进展。其意义在于：

• 弥合差距： 它将结构力学的归纳偏置（方向分离、边界运动学）集成到图学习中，超越了通用的消息传递。
• 高效性： 它提供了一种高效的数据驱动替代方案，能够以更少的训练样本处理复杂的、多变的拓扑结构和非线性材料响应。
• 场重构： 谱–旁路读出提供了一种结构化机制，用于从离散图节点重构连续物理场，解决了标准 GNN 在计算力学中的局限性。

论文得出结论，DS-HGNN 为全场预测提供了一个精确且数据高效的代理模型。未来的工作建议将该架构扩展到更严重的非线性机制（大塑性变形、失稳屈曲）以及更复杂的 3D 实体部件，并探索半监督学习以减少对标记 FEA 数据的依赖。