論文の概要: Graph Neural Network Assisted Genetic Algorithm for Structural Dynamic Response and Parameter Optimization

• arxiv url: http://arxiv.org/abs/2510.22839v2
• Date: Tue, 28 Oct 2025 11:56:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-29 15:35:36.21726
• Title: Graph Neural Network Assisted Genetic Algorithm for Structural Dynamic Response and Parameter Optimization
• Title（参考訳）: 構造動的応答とパラメータ最適化のためのグラフニューラルネットワーク支援遺伝的アルゴリズム
• Authors: Sagnik Mukherjee,
• Abstract要約: 質量(m)、剛性(k)、減衰係数(c)などの構造パラメータの最適化は、効率的で弾力性があり安定した構造を設計するのに重要である。 本研究では,グラフニューラルネットワーク(GNN)サロゲートモデルと遺伝的アルゴリズム(GA)を統合し,これらの課題を克服するハイブリッドデータ駆動フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.5383027029023142
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The optimization of structural parameters, such as mass(m), stiffness(k), and damping coefficient(c), is critical for designing efficient, resilient, and stable structures. Conventional numerical approaches, including Finite Element Method (FEM) and Computational Fluid Dynamics (CFD) simulations, provide high-fidelity results but are computationally expensive for iterative optimization tasks, as each evaluation requires solving the governing equations for every parameter combination. This study proposes a hybrid data-driven framework that integrates a Graph Neural Network (GNN) surrogate model with a Genetic Algorithm (GA) optimizer to overcome these challenges. The GNN is trained to accurately learn the nonlinear mapping between structural parameters and dynamic displacement responses, enabling rapid predictions without repeatedly solving the system equations. A dataset of single-degree-of-freedom (SDOF) system responses is generated using the Newmark Beta method across diverse mass, stiffness, and damping configurations. The GA then searches for globally optimal parameter sets by minimizing predicted displacements and enhancing dynamic stability. Results demonstrate that the GNN and GA framework achieves strong convergence, robust generalization, and significantly reduced computational cost compared to conventional simulations. This approach highlights the effectiveness of combining machine learning surrogates with evolutionary optimization for automated and intelligent structural design.
• Abstract（参考訳）: 質量(m)、剛性(k)、減衰係数(c)などの構造パラメータの最適化は、効率的で弾力的で安定した構造を設計するのに重要である。 FEM(Finite Element Method)やCFD(Computational Fluid Dynamics)といった従来の数値計算手法は、高忠実度な結果を提供するが、各パラメータの組み合わせごとに支配方程式を解く必要があるため、反復最適化タスクには計算コストがかかる。 本研究では、グラフニューラルネットワーク(GNN)サロゲートモデルと遺伝的アルゴリズム(GA)オプティマイザを統合し、これらの課題を克服するハイブリッドデータ駆動フレームワークを提案する。 GNNは、構造パラメータと動的変位応答の非線形マッピングを正確に学習し、システムの方程式を繰り返し解くことなく、迅速な予測を可能にするように訓練されている。 単一自由度(SDOF)システム応答のデータセットは、様々な質量、剛性、減衰構成にまたがるNewmark Beta法を用いて生成される。 GAは、予測された変位を最小化し、動的安定性を向上させることで、グローバルに最適なパラメータセットを探索する。 その結果, GNN と GA フレームワークは, 従来のシミュレーションと比較して, 強い収束性, 堅牢な一般化, 計算コストを大幅に削減できることを示した。 このアプローチは、機械学習サロゲートと進化的最適化を組み合わせることで、自動化された構造設計とインテリジェントな構造設計の有効性を強調している。

関連論文リスト

• A surrogate model for topology optimisation of elastic structures via parametric autoencoders [0.0]
  状態(および随伴)問題のパラメトリック解を学ぶ代わりに、提案手法は最適化パイプライン全体のサロゲートバージョンを考案する。 本手法は, 均質化法により最適化された高忠実度トポロジの代理モデルとして, 与えられた問題構成に対する準最適トポロジを予測する。 異なるアーキテクチャを提案し、得られたモデルの近似と一般化能力を数値的に評価する。
  論文  参考訳（メタデータ） (2025-07-30T10:07:42Z)
• Efficient Transformed Gaussian Process State-Space Models for Non-Stationary High-Dimensional Dynamical Systems [49.819436680336786]
  本研究では,高次元非定常力学系のスケーラブルかつ柔軟なモデリングのための効率的な変換ガウス過程状態空間モデル(ETGPSSM)を提案する。 具体的には、ETGPSSMは、単一の共有GPと入力依存の正規化フローを統合し、複雑な非定常遷移ダイナミクスを捉える前に、表現的な暗黙のプロセスを生成する。 ETGPSSMは、計算効率と精度の観点から、既存のGPSSMとニューラルネットワークベースのSSMより優れています。
  論文  参考訳（メタデータ） (2025-03-24T03:19:45Z)
• Dynamically configured physics-informed neural network in topology optimization applications [4.403140515138818]
  物理インフォームドニューラルネットワーク(PINN)は、前方問題を解決する際に大量のデータを生成するのを避けることができる。 動的に構成された PINN-based Topology Optimization (DCPINN-TO) 法を提案する。 変位予測と最適化結果の精度は,DCPINN-TO法が効率的かつ効率的であることを示している。
  論文  参考訳（メタデータ） (2023-12-12T05:35:30Z)
• Federated Conditional Stochastic Optimization [110.513884892319]
  条件付き最適化は、不変学習タスク、AUPRC、AMLなど、幅広い機械学習タスクで見られる。 本稿では,分散フェデレーション学習のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-04T01:47:37Z)
• Reduced order modeling of parametrized systems through autoencoders and SINDy approach: continuation of periodic solutions [0.0]
  本研究は,ROM構築と動的識別の低減を組み合わせたデータ駆動型非侵入型フレームワークを提案する。 提案手法は、非線形力学(SINDy)のパラメトリックスパース同定によるオートエンコーダニューラルネットワークを利用して、低次元力学モデルを構築する。 これらは、システムパラメータの関数として周期的定常応答の進化を追跡し、過渡位相の計算を避け、不安定性と分岐を検出することを目的としている。
  論文  参考訳（メタデータ） (2022-11-13T01:57:18Z)
• Efficient Micro-Structured Weight Unification and Pruning for Neural Network Compression [56.83861738731913]
  ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。 既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。 ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
  論文  参考訳（メタデータ） (2021-06-15T17:22:59Z)
• Fractal Structure and Generalization Properties of Stochastic Optimization Algorithms [71.62575565990502]
  最適化アルゴリズムの一般化誤差は、その一般化尺度の根底にあるフラクタル構造の複雑性'にバウンドできることを示す。 さらに、特定の問題(リニア/ロジスティックレグレッション、隠れ/層ニューラルネットワークなど)とアルゴリズムに対して、結果をさらに専門化します。
  論文  参考訳（メタデータ） (2021-06-09T08:05:36Z)
• Adaptive pruning-based optimization of parameterized quantum circuits [62.997667081978825]
  Variisyハイブリッド量子古典アルゴリズムは、ノイズ中間量子デバイスの使用を最大化する強力なツールである。 我々は、変分量子アルゴリズムで使用されるそのようなアンサーゼを「効率的な回路訓練」(PECT)と呼ぶ戦略を提案する。 すべてのアンサッツパラメータを一度に最適化する代わりに、PECTは一連の変分アルゴリズムを起動する。
  論文  参考訳（メタデータ） (2020-10-01T18:14:11Z)

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。