Гибридная GNN-FEM модель ускоряет симуляцию разрушения материалов с сохранением точности

Научное машинное обучение (SciML) всё активнее применяется для ускорения моделирования сложных физических процессов. Однако для нелинейных и зависящих от истории задач добиться одновременно физической точности и обобщающей способности непросто. В новой статье на arXiv представлен гибридный фреймворк на основе графовых нейронных сетей (GNN) и метода конечных элементов (FEM), предназначенный для моделирования трещин с использованием фазового поля.

Классический подход к фазовому полю обеспечивает надёжную вариационную основу для описания роста трещин, но требует решения связанных нелинейных систем на каждом шаге нагружения, что чрезвычайно затратно по времени. Разработчики предложили интегрировать GNN-суррогат в традиционную staggered-схему: нейросеть берёт на себя обновление фазового поля, а FEM-решатель по-прежнему отвечает за обеспечение механического равновесия и граничных условий.

Такая избирательная стратегия позволяет сохранить инкрементальную структуру решения, характерную для задач с историей. Суррогат учится восстанавливать только часть траектории, а не весь процесс, что существенно снижает требования к объёму обучающих данных и повышает устойчивость. При этом используются безразмерные признаки, графовое представление на основе сетки и физически обоснованная функция потерь, выведенная из уравнения фазового поля.

Численные эксперименты показали, что гибридный подход позволяет значительно сократить вычислительные затраты по сравнению с традиционным FEM, сохраняя высокую точность. Кроме того, модель демонстрирует хорошую обобщающую способность при изменении геометрии образцов, условий нагружения, свойств материала и параметров дискретизации. Это открывает путь к практическому применению ускоренного моделирования разрушения в инженерных задачах, где требуется быстрый анализ множества сценариев.

Метод пока тестировался на двумерных задачах, но авторы отмечают, что он естественным образом обобщается на трёхмерные случаи. В перспективе такой гибридный фреймворк может стать основой для цифровых двойников конструкций и систем мониторинга целостности.