論文の概要: GNN for Structural Displacement Prediction

• arxiv url: http://arxiv.org/abs/2605.08303v1
• Date: Fri, 08 May 2026 12:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:49.550556
• Title: GNN for Structural Displacement Prediction
• Title（参考訳）: 構造変位予測のためのGNN
• Abstract要約: 本研究では,グラフニューラルネットワーク(GNN)に基づくデータ駆動型フレームワークを提案する。 提案モデルでは, シミュレーションデータから直接, 適用負荷と構造応答の関係を学習する。 その結果,提案したGNNフレームワークは高精度に変位と回転を予測し,NNモデルより優れていた。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate prediction of structural displacements under external loading is fundamental to structural health monitoring and seismic safety assessment. Although the finite element method (FEM) remains the prevailing approach because of its high accuracy, its considerable computational cost restricts its suitability for real-time monitoring applications. To address this limitation, this study proposes a data-driven framework based on Graph Neural Networks (GNNs), in which structural systems are represented as graphs with joints modeled as nodes and structural members as edges. By incorporating both geometric and mechanical properties into the graph representation, the proposed model learns the relationship between applied loads and structural responses directly from simulated data. A synthetic dataset was generated from a two-story frame structure using ANSYS, and both a conventional Neural Network (NN) and a GNN were trained for comparison. The results show that the proposed GNN framework predicts displacements and rotations with high accuracy and outperforms the NN model, demonstrating its potential as a fast and efficient alternative to traditional FEM-based analysis.
• Abstract（参考訳）: 外部荷重下における構造変位の正確な予測は, 構造的健康モニタリングと地震安全評価に不可欠である。 有限要素法(FEM)は高い精度で広く普及しているが、その計算コストはリアルタイムモニタリングアプリケーションに適していることを制限している。 この制限に対処するために,グラフニューラルネットワーク(GNN)に基づくデータ駆動型フレームワークを提案する。 グラフ表現に幾何学的特性と機械的特性の両方を組み込むことで,シミュレーションデータから直接,適用負荷と構造応答の関係を学習する。 ANSYSを用いた2階建てのフレーム構造から合成データセットを生成し,従来のニューラルネットワーク(NN)とGNNの両方を比較した。 提案したGNNフレームワークは,高精度に変位と回転を予測し,従来のFEM解析の高速かつ効率的な代替手段としての可能性を示す。

関連論文リスト

• Enabling Structure-Only Initialization and Out-of-Distribution Generalization in GNN-based Molecular Dynamics Simulators [0.0]
  グラフ軸型ニューラルネットワーク(GNN)ベースのシミュレータは、さまざまな物理領域で高いパフォーマンスを示している。 しかし、正確な予測のための時間的文脈への依存は、逆設計設定における使用を制限する。 本稿では,GNNシミュレーションの安定かつ高精度な構造限定初期化を可能にする2つの補完戦略を提案する。
  論文  参考訳（メタデータ） (2026-05-10T12:00:21Z)
• Momentum-Conserving Graph Neural Networks for Deformable Objects [64.91655405516482]
  建設によって運動量を正確に追跡する新しいアーキテクチャであるMomentumGNNを提案する。 制約のない結節加速度を出力する既存のGNNとは異なり、我々のモデルはエッジの伸張と曲げインパルスを予測する。 本稿では,モーメントが重要な役割を果たす多くの一般的なシナリオにおいて,本手法がベースラインを上回っていることを示す。
  論文  参考訳（メタデータ） (2026-04-28T20:19:33Z)
• On the Impact of Graph Neural Networks in Recommender Systems: A Topological Perspective [49.391877616394765]
  レコメンデーションシステムでは、ユーザと項目の相互作用を二部グラフとしてモデル化することができる。 このグラフに基づくビューは、グラフニューラルネットワーク(GNN)の急速な採用を動機付けている。 実証的な成功にもかかわらず、GNNが他のアプローチに対して体系的な優位性を提供する理由は、まだ部分的にしか理解されていない。
  論文  参考訳（メタデータ） (2025-12-08T10:19:43Z)
• Graph Network-based Structural Simulator: Graph Neural Networks for Structural Dynamics [40.190675168132124]
  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。
  論文  参考訳（メタデータ） (2025-10-29T16:47:24Z)
• Parameter-Free Structural-Diversity Message Passing for Graph Neural Networks [8.462209415744098]
  グラフニューラルネットワーク(GNN)はノード分類などの構造化データモデリングタスクにおいて顕著な性能を示した。 本稿では,構造的多様性に基づくパラメータフリーグラフニューラルネットワークフレームワークを提案する。 このフレームワークは構造多様性理論にインスパイアされ、統一された構造多様性メッセージパッシング機構を設計する。
  論文  参考訳（メタデータ） (2025-08-27T13:42:45Z)
• Learning Identifiable Structures Helps Avoid Bias in DNN-based Supervised Causal Learning [56.22841701016295]
  Supervised Causal Learning (SCL)はこの分野で新興パラダイムである。 既存のディープニューラルネットワーク(DNN)ベースの手法では、"Node-Edgeアプローチ"が一般的である。
  論文  参考訳（メタデータ） (2025-02-15T19:10:35Z)
• 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)
• Disentangling Structured Components: Towards Adaptive, Interpretable and Scalable Time Series Forecasting [52.47493322446537]
  本研究では,時空間パターンの各コンポーネントを個別にモデル化する適応的,解釈可能,スケーラブルな予測フレームワークを開発する。 SCNNは、空間時間パターンの潜在構造を算術的に特徴づける、MSSの事前定義された生成プロセスで動作する。 SCNNが3つの実世界のデータセットの最先端モデルよりも優れた性能を達成できることを示すため、大規模な実験が行われた。
  論文  参考訳（メタデータ） (2023-05-22T13:39:44Z)
• On the Intrinsic Structures of Spiking Neural Networks [66.57589494713515]
  近年、時間依存データやイベント駆動データを扱う大きな可能性から、SNNへの関心が高まっている。 スパイキング計算における本質的な構造の影響を総合的に調査する研究が数多く行われている。 この研究はSNNの本質的な構造を深く掘り下げ、SNNの表現性への影響を解明する。
  論文  参考訳（メタデータ） (2022-06-21T09:42:30Z)
• BScNets: Block Simplicial Complex Neural Networks [79.81654213581977]
  グラフ学習における最新の方向性として、SNN(Simplicial Neural Network)が最近登場した。 リンク予測のためのBlock Simplicial Complex Neural Networks (BScNets) モデルを提案する。 BScNetsは、コストを抑えながら最先端のモデルよりも大きなマージンを保っている。
  論文  参考訳（メタデータ） (2021-12-13T17:35:54Z)

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。