Graph Neural Network-based surrogate model for granular flows

要約

粒状流力学の正確なシミュレーションは、地滑りや土石流などのさまざまな地盤工学的リスクを評価するために不可欠です。
粒状の流れには、固体様の応答から流体様の応答への複雑な移行を示す粒子の動的再配列が含まれます。
従来の連続体および離散数値手法は、大規模システムをシミュレートする際の計算コストによって制限されます。
統計または機械学習ベースのモデルは、代替手段を提供します。
それでも、これらは主に経験的なものであり、限られたパラメーターのセットに基づいています。
順列に依存した学習のため、従来の機械学習ベースのモデルは一般化するために膨大なトレーニング データを必要とします。
これらの問題を解決するために、ローカル インタラクションを学習する最先端の機械学習アーキテクチャであるグラフ ニューラル ネットワークを使用します。
グラフは、動的に変化する粒状流の状態と、粒間のエネルギーや運動量の交換などの相互作用法則を表します。
私たちは、粒状の流れの現在の状態を取得し、局所相互作用法則を学習することでオイラー陽的積分を使用して次の状態を予測するグラフ ニューラル ネットワーク ベースのシミュレーター (GNS) を開発します。
さまざまな粒度の軌道で GNS をトレーニングします。
次に、粒状柱の崩壊を予測することで GNS のパフォーマンスを評価します。
GNS は、トレーニング中には見ら​​れないさまざまなアスペクト比による柱崩壊の流れのダイナミクスを正確に予測します。
GNS は、高忠実度の数値シミュレータよりも数百倍高速です。
また、モデルはトレーニング データよりもはるかに大きなドメインに一般化され、トレーニングされた数の 2 倍を超える粒子を処理します。

要約(オリジナル)

Accurate simulation of granular flow dynamics is crucial for assessing various geotechnical risks, including landslides and debris flows. Granular flows involve a dynamic rearrangement of particles exhibiting complex transitions from solid-like to fluid-like responses. Traditional continuum and discrete numerical methods are limited by their computational cost in simulating large-scale systems. Statistical or machine learning-based models offer an alternative. Still, they are largely empirical, based on a limited set of parameters. Due to their permutation-dependent learning, traditional machine learning-based models require huge training data to generalize. To resolve these problems, we use a graph neural network, a state-of-the-art machine learning architecture that learns local interactions. Graphs represent the state of dynamically changing granular flows and the interaction laws, such as energy and momentum exchange between grains. We develop a graph neural network-based simulator (GNS) that takes the current state of granular flow and predicts the next state using Euler explicit integration by learning the local interaction laws. We train GNS on different granular trajectories. We then assess the performance of GNS by predicting granular column collapse. GNS accurately predicts flow dynamics for column collapses with different aspect ratios unseen during training. GNS is hundreds of times faster than high-fidelity numerical simulators. The model also generalizes to domains much larger than the training data, handling more than twice the number of particles than it was trained on.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google