Новая нейросеть DS-HGNN ускоряет прогнозирование деформаций в тонкостенных конструкциях
Проектирование крупных сложных конструкций требует быстрых и точных расчётов напряжений и деформаций. Классический метод конечных элементов (FEA) точен, но требует больших вычислительных ресурсов, особенно на этапе итеративного поиска оптимальной формы.
В новой работе на arXiv представлена нейросеть DS-HGNN (Dual-Stream Heterogeneous Graph Neural Network), которая решает эту задачу. Модель работает с гетерогенными графами на уровне панелей и использует физически обоснованные начальные состояния рёбер, учитывающие тип соединения, геометрию и кинематику границ.
Ключевая особенность DS-HGNN — двойной поток передачи сообщений. Он разделяет продольную и поперечную информацию о конструкции, но допускает обмен между потоками. Это позволило точно предсказывать поля напряжений и перемещений в тонкостенных подкреплённых панелях (на примере коробчатых балок).
Для учёта геометрии и нагрузок применяется модуляция признаков через FiLM-слои и спектральные свёртки. Выходной слой использует низкоранговое считывание для реконструкции физических полей. Модель протестирована на наборах данных с разной геометрией, граничными условиями и нелинейным поведением материала.
Сравнение с шестью бенчмарками гетерогенных графовых нейросетей показало, что DS-HGNN достигает наименьшей среднеквадратичной ошибки по напряжениям и перемещениям. При этом для достижения точности, сопоставимой с лучшими моделями-конкурентами, требуется на 19–38% меньше обучающих примеров.
Отдельная проверка подтвердила, что нейросеть корректно распознаёт особенности текучести и пост-текучести материала. Это открывает путь к использованию DS-HGNN в итеративном проектировании и оптимизации авиационных, автомобильных и строительных конструкций, сокращая время расчётов без потери точности.
