論文の概要: Heterogeneous Graph Representation of Stiffened Panels with Non-Uniform Boundary Conditions and Loads

• arxiv url: http://arxiv.org/abs/2510.02472v1
• Date: Thu, 02 Oct 2025 18:24:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-06 16:35:52.127738
• Title: Heterogeneous Graph Representation of Stiffened Panels with Non-Uniform Boundary Conditions and Loads
• Title（参考訳）: 非一様境界条件と荷重を有する固形パネルの不均一グラフ表現
• Authors: Yuecheng Cai, Jasmin Jelovica,
• Abstract要約: サーロゲートモデルは構造解析と最適化に不可欠である。 本稿では, 幾何的変動性, 非一様境界条件, 多様な載荷シナリオを考慮した高強度パネルの不均一グラフ表現を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Surrogate models are essential in structural analysis and optimization. We propose a heterogeneous graph representation of stiffened panels that accounts for geometrical variability, non-uniform boundary conditions, and diverse loading scenarios, using heterogeneous graph neural networks (HGNNs). The structure is partitioned into multiple structural units, such as stiffeners and the plates between them, with each unit represented by three distinct node types: geometry, boundary, and loading nodes. Edge heterogeneity is introduced by incorporating local orientations and spatial relationships of the connecting nodes. Several heterogeneous graph representations, each with varying degrees of heterogeneity, are proposed and analyzed. These representations are implemented into a heterogeneous graph transformer (HGT) to predict von Mises stress and displacement fields across stiffened panels, based on loading and degrees of freedom at their boundaries. To assess the efficacy of our approach, we conducted numerical tests on panels subjected to patch loads and box beams composed of stiffened panels under various loading conditions. The heterogeneous graph representation was compared with a homogeneous counterpart, demonstrating superior performance. Additionally, an ablation analysis was performed to evaluate the impact of graph heterogeneity on HGT performance. The results show strong predictive accuracy for both displacement and von Mises stress, effectively capturing structural behavior patterns and maximum values.
• Abstract（参考訳）: サーロゲートモデルは構造解析と最適化に不可欠である。 ヘテロジニアスグラフニューラルネットワーク (HGNN) を用いて, 幾何的変動性, 非一様境界条件, 多様な負荷シナリオを考慮した強化パネルの異種グラフ表現を提案する。 構造は、剛体やプレートなどの複数の構造単位に分割され、各ユニットは幾何学、境界、ロードノードの3つの異なるノードタイプで表される。 エッジの不均一性は、接続ノードの局所配向と空間的関係を組み込むことによって実現される。 いくつかの異種グラフ表現は、それぞれ異なる異種度を持つもので、提案され、解析される。 これらの表現をヘテロジニアスグラフ変換器(HGT)に実装し、その境界における自由度と負荷に基づいて、強化パネル間のフォン・ミセス応力と変位場を予測する。 本手法の有効性を評価するため, 各種負荷条件下で, パッチ荷重を受けるパネルと強化パネルからなるボックスビームの数値実験を行った。 ヘテロジニアスグラフ表現は、同質なグラフ表現と比較され、優れた性能を示した。 さらに,HGT性能に及ぼすグラフの不均一性の影響を評価するため,アブレーション解析を行った。 その結果, 変位およびフォン・ミセス応力の予測精度が向上し, 構造挙動パターンと最大値が効果的に把握された。

関連論文リスト

• A Signed Graph Approach to Understanding and Mitigating Oversmoothing in GNNs [54.62268052283014]
  署名されたグラフの枠組みに基づく統一的な理論的視点を示す。 既存の戦略の多くは、メッセージパッシングを変えて過度な操作に抵抗する負のエッジを暗黙的に導入している。 本稿では,ラベルや特徴の類似性に基づいて署名されたエッジを割り当てるプラグイン・アンド・プレイ方式であるStructure Balanced Propagation (SBP)を提案する。
  論文  参考訳（メタデータ） (2025-02-17T03:25:36Z)
• Multi-Hyperbolic Space-based Heterogeneous Graph Attention Network [5.816451272912859]
  ヘテロジニアスグラフ内の多様なパワーロー構造を捉えるために,マルチハイパーボリック空間に基づくヘテロジニアスグラフアテンションネットワーク(MSGAT)を提案する。 MSGATは、さまざまなグラフ機械学習タスクにおいて最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2024-11-18T04:55:26Z)
• Leveraging Invariant Principle for Heterophilic Graph Structure Distribution Shifts [42.77503881972965]
  Heterophilic Graph Neural Networks (HGNN) は、グラフ上の半教師付き学習タスクに対して有望な結果を示している。 異種情報を組み込んだ不変ノード表現を生成可能なフレームワークを提案する。 提案手法は,異種グラフ構造分布シフト下での保証性能を実現する。
  論文  参考訳（メタデータ） (2024-08-18T14:10:34Z)
• Hyperbolic Heterogeneous Graph Attention Networks [3.0165549581582454]
  以前の不均一グラフ埋め込みモデルは、低次元ユークリッド空間におけるベクトル表現として不均一グラフの要素を表す。 メタパスインスタンスを用いた双曲空間におけるベクトル表現を学習するハイパーボリック不均一グラフ注意ネットワーク(HHGAT)を提案する。 本研究では,HHGATがノード分類やクラスタリングタスクにおいて,最先端のヘテロジニアスグラフ埋め込みモデルより優れていることを示す3つの実世界のヘテロジニアスグラフデータセットの実験を行った。
  論文  参考訳（メタデータ） (2024-04-15T04:45:49Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Demystifying Structural Disparity in Graph Neural Networks: Can One Size Fit All? [61.35457647107439]
  ほとんどの実世界のホモフィルグラフとヘテロフィルグラフは、ホモフィルグラフとヘテロフィルグラフの両方の構造パターンの混合ノードから構成される。 ノード分類におけるグラフニューラルネットワーク (GNN) は, 一般にホモ親和性ノード上で良好に機能することを示す。 次に、GNNに対する厳密で非I.d PAC-Bayesian一般化を提案し、性能格差の理由を明らかにした。
  論文  参考訳（メタデータ） (2023-06-02T07:46:20Z)
• Learning on heterogeneous graphs using high-order relations [37.64632406923687]
  メタパスを使わずに異種グラフを学習する手法を提案する。 異種グラフを異なる同種関係型グラフに分解し、それを結合して高階関係型表現を生成する。
  論文  参考訳（メタデータ） (2021-03-29T12:02:47Z)
• Adversarial Graph Disentanglement [47.27978741175575]
  実世界のグラフは複雑な位相構造を持ち、しばしば異なる潜在因子の相互作用によって形成される。 グラフ表現学習のためのアンダーラインtextbfAdversarial underlinetextbfDisentangled underlinetextbfGraph underlinetextbfConvolutional underlinetextbfNetwork (ADGCN)を提案する。
  論文  参考訳（メタデータ） (2021-03-12T14:11:36Z)
• Interpretable Deep Graph Generation with Node-Edge Co-Disentanglement [55.2456981313287]
  本稿では,属性グラフの深部生成モデルのための新しいアンタングルメント拡張フレームワークを提案する。 ノードとエッジのデコンボリューションのための新しいアーキテクチャを用いて、上記の3種類の潜伏因子を解離する新しい変分的目的を提案する。 各タイプ内では、画像の既存のフレームワークの一般化が示され、個々の因子のゆがみがさらに強化される。
  論文  参考訳（メタデータ） (2020-06-09T16:33:49Z)
• Heterogeneous Graph Transformer [49.675064816860505]
  Webスケールの不均一グラフモデリングのための不均一グラフ変換器(HGT)アーキテクチャ 動的ヘテロジニアスグラフを扱うために、HGTに相対時間符号化手法を導入する。 Web スケールのグラフデータを扱うため,ヘテロジニアスなミニバッチグラフサンプリングアルゴリズム--HGSampling--を設計し,効率的かつスケーラブルなトレーニングを行う。
  論文  参考訳（メタデータ） (2020-03-03T04:49:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。