Új AI-hálózat gyorsítja a mérnöki tervezést: 19%-kal kevesebb adat kell a pontos szimulációhoz
Az új Dual-Stream Heterogeneous Graph Neural Network (DS-HGNN) 19-38%-kal kevesebb betanító adattal képes pontosan szimulálni a szerkezeti válaszokat, mint a korábbi modellek.
A Stanford és a Google Robotics kutatói által kifejlesztett DS-HGNN modell panel-szintű, heterogén gráfreprezentációkon működik, amelyek lehetővé teszik a változó topológiák és határfeltételek kezelését.
A nagy, komplex szerkezetek iteratív tervezéséhez és optimalizálásához gyors és pontos feszültség-, elmozdulás- és egyéb mezőkre van szükség. A hagyományos végeselem-elemzés (FEA) túl lassú ehhez a feladathoz. A meglévő neurális hálózati helyettesítők gyakran küzdenek a változó topológiákkal és a komplex határfeltételekkel.
Kapcsolódó: VFEAgent mérnöki analízis
Gyorsabb és pontosabb szimulációk
A Stanford és a Google Robotics kutatói által kifejlesztett DS-HGNN modell panel-szintű, heterogén gráfreprezentációkon működik. A modell fizika-vezérelt él-állapotokat használ, amelyeket a széltípusokból, térbeli információkból és határkinematikából inicializálnak. Ezek az állapotok kettős üzenetküldési folyamaton keresztül frissülnek, amely szétválasztja a hosszirányú és a transzverzális szerkezeti információkat, miközben lehetővé teszi a keresztirányú cserét is.
Kapcsolódó: DisjunctiveNet szabálykövetés
A geometria és a terhelési hatások beépítését a Feature-wise Linear Modulation (FiLM)-feltételes 1-D spektrális konvolúciók biztosítják, a fizikai mezők rekonstrukcióját pedig egy spektrális-bypass alacsony-rangú kiolvasó végzi. A kutatók szerint a DS-HGNN a legerősebb teljesítményteszt modellekkel összehasonlítható pontosságot ér el, miközben 19-38%-kal kevesebb betanító mintát használ.
Kapcsolódó: TO-Agents tervezés
A mérnöki tervezés új eszköze
A modellt különböző geometriájú, határkinematikájú, terhelési feltételű és anyagú, nemlineáris válaszú merevített panelekből álló adathalmazokon értékelték. A DS-HGNN a hat összehasonlított heterogén gráf neurális hálózati modell közül a legalacsonyabb feszültség- és elmozdulás-RMSE-t érte el. A célzott értékelés azt is kimutatta, hogy a DS-HGNN képes megragadni a folyási és folyás utáni feszültségjellemzőket.
Kapcsolódó: PINN hőátadás-jelölés
A kutatás előnyomtatott formában érhető el az arXiv-on, és jelentős előrelépést jelenthet a mérnöki tervezésben, mivel gyorsabb és pontosabb szimulációs helyettesítőket kínál a hagyományos végeselem-elemzésekkel szemben. A modell képességeit a szerzők értékelése alapján állapították meg, független validáció még nem történt.
Kapcsolódó: MIT neurális hálózatok