論文の概要: Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics

• arxiv url: http://arxiv.org/abs/2510.25683v1
• Date: Wed, 29 Oct 2025 16:47:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-30 15:50:45.807461
• Title: Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics
• Title（参考訳）: グラフネットワークに基づく構造シミュレータ:構造ダイナミクスのためのグラフニューラルネットワーク
• Authors: Alessandro Lucchetti, Francesco Cadini, Marco Giglio, Luca Lomazzi,
• Abstract要約: 動的構造問題のサロゲートモデリングのためのGNNフレームワークであるGNSS(Graph Network-based Structure Simulator)を紹介する。 我々は、50kHzのハニング変調パルスで励起されたビームを含むケーススタディについて評価した。 その結果、数百の時間経過で問題の物理を正確に再現し、既存のGNNが収束しなかったり、有意義な予測を下さなければ、見つからない負荷条件に一般化することを示した。
• 参考スコア（独自算出の注目度）: 40.190675168132124
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Graph Neural Networks (GNNs) have recently been explored as surrogate models for numerical simulations. While their applications in computational fluid dynamics have been investigated, little attention has been given to structural problems, especially for dynamic cases. To address this gap, we introduce the Graph Network-based Structural Simulator (GNSS), a GNN framework for surrogate modeling of dynamic structural problems. GNSS follows the encode-process-decode paradigm typical of GNN-based machine learning models, and its design makes it particularly suited for dynamic simulations thanks to three key features: (i) expressing node kinematics in node-fixed local frames, which avoids catastrophic cancellation in finite-difference velocities; (ii) employing a sign-aware regression loss, which reduces phase errors in long rollouts; and (iii) using a wavelength-informed connectivity radius, which optimizes graph construction. We evaluate GNSS on a case study involving a beam excited by a 50kHz Hanning-modulated pulse. The results show that GNSS accurately reproduces the physics of the problem over hundreds of timesteps and generalizes to unseen loading conditions, where existing GNNs fail to converge or deliver meaningful predictions. Compared with explicit finite element baselines, GNSS achieves substantial inference speedups while preserving spatial and temporal fidelity. These findings demonstrate that locality-preserving GNNs with physics-consistent update rules are a competitive alternative for dynamic, wave-dominated structural simulations.
• Abstract（参考訳）: グラフニューラルネットワーク(GNN)は近年,数値シミュレーションの代理モデルとして研究されている。 計算流体力学におけるそれらの応用は研究されているが、構造問題、特に動的ケースにはほとんど注目されていない。 このギャップに対処するために、動的構造問題のモデル化を行うGNNフレームワークであるGNSS(Graph Network-based Structure Simulator)を導入する。 GNSSは、GNNベースの機械学習モデルに典型的なエンコード・プロセス・デコードパラダイムに従う。 i) 有限差分速度における破滅的なキャンセルを回避するノード固定ローカルフレームにおけるノードキネマティクスを表現すること。 二 長期のロールアウトにおける位相誤差を低減する符号認識回帰損失を用いること。 (iii) グラフ構築を最適化する波長インフォームド接続半径を用いる。 我々は、50kHzのハニング変調パルスで励起されたビームを含むGNSSをケーススタディで評価した。 その結果、GNSSは数百のタイムステップで問題の物理を正確に再現し、既存のGNNが収束しなかったり、有意義な予測を下さなければ、見つからない負荷条件に一般化することを示した。 明示的な有限要素基底線と比較して、GNSSは空間的および時間的忠実性を保持しながら、かなりの推論スピードアップを達成する。 これらの結果は、物理一貫性を持つ更新規則を持つ局所性保存型GNNが、動的・波動支配構造シミュレーションの競合的な代替であることを示している。

関連論文リスト

• Higher-order Spatio-temporal Physics-incorporated Graph Neural Network for Multivariate Time Series Imputation [9.450743095412896]
  欠落値は、複雑な潜時相関と時系列の動的性質のために必須だが難しい問題である。 この問題に対処するために,高次時空間物理を組み込んだグラフニューラルネットワーク(HSPGNN)を提案する。 HSPGNNは従来のデータ駆動型モデルよりも優れた動的解析と説明を提供する。
  論文  参考訳（メタデータ） (2024-05-16T16:35:43Z)
• Interpretable A-posteriori Error Indication for Graph Neural Network Surrogate Models [0.0]
  本稿では,グラフニューラルネットワーク(GNN)の解釈可能性向上手法を提案する。 最終結果は、予測タスクに本質的に関連付けられたサブグラフに対応する物理空間内の領域を分離する解釈可能なGNNモデルである。 解釈可能なGNNは、推論中に予測される予測エラーの大部分に対応するグラフノードを特定するためにも使用できる。
  論文  参考訳（メタデータ） (2023-11-13T18:37:07Z)
• Dynamic Causal Explanation Based Diffusion-Variational Graph Neural Network for Spatio-temporal Forecasting [60.03169701753824]
  時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。 提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
  論文  参考訳（メタデータ） (2023-05-16T11:38:19Z)
• Space-Time Graph Neural Networks with Stochastic Graph Perturbations [100.31591011966603]
  時空間グラフニューラルネットワーク(ST-GNN)は、時間変動データの効率的なグラフ表現を学習する。 本稿では,ST-GNNの特性を再検討し,安定なグラフ安定性を示す。 解析の結果,ST-GNNは時間変化グラフ上での移動学習に適していることが示唆された。
  論文  参考訳（メタデータ） (2022-10-28T16:59:51Z)
• EvenNet: Ignoring Odd-Hop Neighbors Improves Robustness of Graph Neural Networks [51.42338058718487]
  グラフニューラルネットワーク(GNN)は、グラフ機械学習における有望なパフォーマンスについて、広範な研究の注目を集めている。 GCNやGPRGNNのような既存のアプローチは、テストグラフ上のホモフィリな変化に直面しても堅牢ではない。 偶数多項式グラフフィルタに対応するスペクトルGNNであるEvenNetを提案する。
  論文  参考訳（メタデータ） (2022-05-27T10:48:14Z)
• Space-Time Graph Neural Networks [104.55175325870195]
  本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。 解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
  論文  参考訳（メタデータ） (2021-10-06T16:08:44Z)
• Stochastic Graph Neural Networks [123.39024384275054]
  グラフニューラルネットワーク(GNN)は、分散エージェント調整、制御、計画に応用したグラフデータの非線形表現をモデル化する。 現在のGNNアーキテクチャは理想的なシナリオを前提として,環境やヒューマンファクタ,あるいは外部攻撃によるリンク変動を無視している。 これらの状況において、GNNは、トポロジカルなランダム性を考慮していない場合、その分散タスクに対処することができない。
  論文  参考訳（メタデータ） (2020-06-04T08:00:00Z)

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。