Graph Neural Network for Stress Predictions in Stiffened Panels Under Uniform Loading

要約

機械学習 (ML) および深層学習 (DL) 技術は、有限要素解析 (FEA) などの計算コストのかかる構造解析手法への削減次数モデル (ROM) として大きな注目を集めています。
グラフ ニューラル ネットワーク (GNN) は、グラフとして表現できるデータを処理する特定のタイプのニューラル ネットワークです。
これにより、構造や製品の概念設計中に変更される可能性のある複雑な形状を効率的に表現できます。
この研究では、個別のプレート ドメインを頂点として考慮することにより、3D 硬化パネルを効率的に表現するための新しいグラフ埋め込み手法を提案します。
このアプローチは、Graph Sampling and Aggregation (GraphSAGE) を使用して、さまざまな形状の強化パネルの応力分布を予測することを検討しています。
提案されたアプローチの有効性を実証するために、有限要素頂点グラフ表現間の比較が行われます。
予測パフォーマンスに対する構造幾何学形状の影響を調べるために、包括的なパラメトリック研究が実行されます。
私たちの結果は、提案されたグラフ埋め込み法を使用したグラフ ニューラル ネットワークが、3D 構造の堅牢な低次数モデルとして計り知れない可能性を示していることを示しています。

要約(オリジナル)

Machine learning (ML) and deep learning (DL) techniques have gained significant attention as reduced order models (ROMs) to computationally expensive structural analysis methods, such as finite element analysis (FEA). Graph neural network (GNN) is a particular type of neural network which processes data that can be represented as graphs. This allows for efficient representation of complex geometries that can change during conceptual design of a structure or a product. In this study, we propose a novel graph embedding technique for efficient representation of 3D stiffened panels by considering separate plate domains as vertices. This approach is considered using Graph Sampling and Aggregation (GraphSAGE) to predict stress distributions in stiffened panels with varying geometries. A comparison between a finite-element-vertex graph representation is conducted to demonstrate the effectiveness of the proposed approach. A comprehensive parametric study is performed to examine the effect of structural geometry on the prediction performance. Our results demonstrate the immense potential of graph neural networks with the proposed graph embedding method as robust reduced-order models for 3D structures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google