×
陈倩仪;曹建农;林万宇;朱松野;王素梅

预测连续可变形体的动态响应：基于图形的学习方法。 （英语） Zbl 07820230号

计算。方法应用。机械。工程师。 420，文章ID 116669，19 p.（2024）.
摘要：预测连续可变形体（CDB）的动态响应对于土木工程和计算机图形学等各个研究领域都至关重要。机器学习模型不同于传统的基于物理的模型，它从没有预定义物理属性的数据中学习，并大大提高了刚体系统和流体的模拟。基于图形神经网络（GNN）的模拟器在这一领域表现出色，因为它们能够使用由节点和边组成的图形自然地表示物理体和交互。然而，预测CDB的动态响应仍然具有挑战性，因为CDB中的交互是复杂的、异构的和动态的。相互作用的复杂性源自内应力的空间可变性，这使得将一个边的多方面相互作用封装到一个边属性向量中具有挑战性。此外，由于CDB的材料和几何非线性，这些相互作用是异质和动态的。具有弹性、塑性和弹塑性材料的CDB在振动过程中遵循不同的变形规则。对于单个材质类型，这些规则在小变形和大变形下也会有所不同。为了解决这些挑战，我们引入了一个新的基于GNN的模拟器，名为第页物理学-我有信息的e（电子）边缘第页担保人秒刺激器(桥墩)学习CDB动态。我们首先将CDB仿真描述为一个序列到序列的输入输出关系建模问题，并结合递归神经网络（RNN）在短时间内学习边缘更新，在此期间，刚度变化可以忽略不计。为了准确捕获复杂的交互，我们使用先前的物理知识初始化RNN模块的隐藏状态，并配备桥墩通过指定交互的物理属性作为目标边缘输出，使用物理信息损失函数。大量实验结果表明桥墩可以模拟弹性、塑性和弹塑性CDB的动力学，与替代基线相比，响应预测误差较小。桥墩将四个典型CDB物理系统的预测错误减少78%至99%。

MSC公司：

74秒99 固体力学中的数值方法和其他方法
74A05型 变形运动学

关键词：

物理系统仿真;科学人工智能;基于物理的机器学习;图形神经网络

软件：

FEAPpv公司
PDF格式BibTeX公司 XML格式引用
\textit{Q.Chen}等人，计算。方法应用。机械。Eng.420，文章ID 116669，第19页（2024；Zbl 07820230）
全文： 内政部

参考文献：

[1] Gawronski，W.，《高级结构动力学和结构主动控制》（2004），Springer Science&Business Media·Zbl 1064.93001号
[2] Y.C.库拉马。；Sritharan，S。；Fleischman，R.B。；Restrepo，J.I。；亨利·R·S。；新墨西哥州克莱兰德。；Ghosh，S。；Bonelli，P.，《抗震预制混凝土结构：现状》，《结构学杂志》。工程，4（2018）
[3] Nealen，A。；米勒，M。；Keiser，R。；Boxerman，E。；Carlson，M.，计算机图形中基于物理的可变形模型，809-836
[4] Cheli，F。；Diana，G.，《机械系统高级动力学》（2015），施普林格出版社·Zbl 1349.70004号
[5] Chopra，A.K.，《结构动力学》（2007），印度培生教育
[6] 齐恩基维茨，O.C。；Taylor，R.L。；Zhu，J.Z.，《有限元方法：基础和基础》（2005），爱思唯尔出版社
[7] Coetzee，C.，《离散单元法的校准》。粉末技术。，104-142 (2017)
[8] Aliabadi，M.H.，《边界元法》，第2卷：固体和结构应用，第2册（2002年），John Wiley&Sons·兹比尔0994.74003
[9] Ummenhofer，B。；普兰特，L。；北卡罗来纳州瑟雷。；Koltun，V.，拉格朗日流体模拟与连续卷积
[10] 北卡罗来纳州瑟雷。；魏诺，K。；普兰特，L。；Hu，X.，翼型流动雷诺平均Navier-Stokes模拟的深度学习方法。AIAA J.，1，25-36（2020年）
[11] 高桥，T。；梁，J。；乔，Y.-L。；Lin，M.C.，用于学习和控制的具有固体耦合的可微分流体，6138-6146
[12] 巴特格里亚，P.W。；帕斯卡努，R。；赖，M。；Rezende，D。；Kavukcuoglu，K.，《学习物体、关系和物理的交互网络》（2016），arXiv预印本arXiv:1612.00222
[13] Pfaff，T。；福图纳托，M。；Sanchez-Gonzalez，A。；Battaglia，P.W.，学习基于网络的图形网络模拟
[14] 高，Y。；Strang，G.，《几何非线性：势能、余能和间隙函数》。夸脱。申请。数学。，3, 487-504 (1989) ·Zbl 0691.73012号
[15] 李毅。；吴杰。；特德雷克·R。；Tenenbaum，J.B。；Torralba，A.，《操纵刚体、可变形对象和流体的粒子动力学学习》（2018），arXiv预印本arXiv:1810.01566
[16] 彭，H。；Wang，H。；杜，B。；Bhuiyan，M.Z.A。；马，H。；刘杰。；Wang，L。；杨，Z。；杜，L。；Wang，S.，用于交通流预测的时空关联动态图神经网络。通知。科学。，277-290 (2020)
[17] Seo，Y。；Defferrard，M。；范德盖恩斯特，P。；Bresson，X.，带图卷积递归网络的结构化序列建模，362-373
[18] Sanchez-Gonzalez，A。；海斯，N。；斯普林伯格，J.T。；梅雷尔，J。；里德米勒，M。；哈德塞尔，R。；Battaglia，P.，将图形网络作为推理和控制的可学习物理引擎，4470-4479
[19] 巴塔利亚，P.W。；哈姆里克·J·B。；巴普斯特，V。；Sanchez-Gonzalez，A。；赞巴尔迪，V。；马林诺夫斯基，M。；Tacchetti，A。；Raposo，D。；Santoro，A。；福克纳，R.，《关系归纳偏见、深度学习和图形网络》（Relational inductive biases，deep learning，and graph networks）（2018），arXiv预印本arXiv:1806.01261
[20] Wang，T。；廖，R。；巴·J。；Fidler，S.，Nervenet：用图神经网络学习结构化政策
[21] Wiewel，S。；贝彻，M。；Thuerey，N.，《潜在空间物理学：学习流体流动的时间演变》，71-82
[22] de Avila Belbote-Peres，F。；Economon，T.D.（经济博士）。；Zico Kolter，J.，结合可微PDE解算器和图形神经网络进行流体流动预测（2020年），arXiv e-prints，arXiv-2007
[23] 加格，S。；Pant，M.，《无网格方法：应用的综合评述》。国际期刊计算。方法，04（2018）·Zbl 1404.74199号
[24] Sanchez-Gonzalez，A。；戈德温，J。；Pfaff，T。；Ying，R。；Leskovec，J。；巴塔利亚，P.，《学习用图形网络模拟复杂物理》，8459-8468
[25] Gilmer，J。；Schoenholz，S.S。；莱利，P.F。；葡萄酒，O。；Dahl，G.E.，量子化学的神经信息传递，1263-1272
[26] Wu，T。；丸山，T。；赵（Q.Zhao）。；韦茨坦，G。；Leskovec，J.，《学习多分辨率物理的可控自适应模拟》（2023），arXiv预印本arXiv:2305.01122
[27] Cho，K。；范梅里恩博尔，B。；巴达瑙，D。；Bengio，Y.，《神经机器翻译的特性：编码器-解码器方法》（2014），arXiv预印本arXiv:1409.1259
[28] Ting，E.C。；Shih，C。；Wang，Y.-K.，向量形式固有有限元的基本原理：第一部分：基本程序和平面框架单元。机械杂志。，2, 113-122 (2004)
[29] Ting，E.C。；Shih，C。；Wang，Y.-K.，向量形式固有有限元的基本原理：第二部分。平面实体元素。机械杂志。，2, 123-132 (2004)
[30] Duan，Y。；王，S。；Yau，J.，向量形式固有有限元法，用于分析考虑车桥耦合效应的车桥相互作用问题。国际J结构。刺。动态。，02 (2019)
[31] 弗拉西斯，N.N。；Sun，W.，Sobolev对具有水平集硬化的可解释弹塑性模型的热力学知情神经网络进行训练。计算。方法应用。机械。工程（2021）·兹比尔1506.74449
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。