論文の概要: Crash Assessment via Mesh-Based Graph Neural Networks and Physics-Aware Attention

• arxiv url: http://arxiv.org/abs/2605.11784v1
• Date: Tue, 12 May 2026 08:50:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-13 21:48:56.730076
• Title: Crash Assessment via Mesh-Based Graph Neural Networks and Physics-Aware Attention
• Title（参考訳）: メッシュベースグラフニューラルネットワークと物理認識によるクラッシュアセスメント
• Authors: Gabriel Curtosi, Carlos Manuel Ruiz Ruiz, Fabiola Cavaliere, Xabier Larráyoz Izcara,
• Abstract要約: ニューラルサロゲートが、十分な精度、空間的規則性、および工学的解釈のための構造的妥当性で、フルフィールド・クラッシュ・キネマティクスを再現できるかどうかを評価する。 提案アーキテクチャは, 局所メッシュメッセージパッシング, ジオメトリ対応のグローバルアテンション, 自動回帰クラッシュロールアウトのための疎接触対応補正を組み合わせたものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Full-vehicle crash simulations are computationally expensive, limiting their use in iterative design exploration. This work investigates learned hybrid surrogate models (MeshTransolver, MeshGeoTransolver, and MeshGeoFLARE) for predicting time-resolved structural deformation fields in an industrial lateral pole-impact benchmark. We evaluate whether neural surrogates can reproduce full-field crash kinematics with sufficient accuracy, spatial regularity, and structural plausibility for engineering interpretation. The proposed architectures combine local mesh message passing, geometry-aware global attention, and sparse contact-aware correction for autoregressive crash rollout. We compare mesh-based graph neural networks, attention-based geometric models, and hybrid architectures under a common training and hyperparameter configuration. The hybrid models capture both short-range structural interactions and long-range deformation patterns, while a sparse contact-aware variant assesses the effect of dynamic proximity interactions during rollout. On a 25-sample full-vehicle test set, the best hybrid model achieves a temporal mean root-mean-square error of 3.20 mm. While geometry-aware attention baselines are quantitatively competitive, qualitative side-view inspection shows they can introduce local spatial noise and deformation irregularities that complicate structural interpretation. In contrast, hybrid mesh-attention models provide the best balance between scalar accuracy, survival-space consistency, and physically interpretable displacement fields. These results suggest that crash surrogate assessment should combine global error metrics with downstream safety-relevant quantities and qualitative field inspection. The proposed methodology enables fast full-field predictions while preserving essential structural information for industrial crash-engineering analysis.
• Abstract（参考訳）: 全車衝突シミュレーションは計算コストが高く、反復的な設計探索での使用を制限している。 本研究は, 産業用横棒衝撃ベンチマークにおいて, 時間分解構造変形場を予測するためのハイブリッドサロゲートモデル (MeshTransolver, MeshGeoTransolver, MeshGeoFLARE) について検討した。 ニューラルサロゲートが、十分な精度、空間的規則性、および工学的解釈のための構造的妥当性で、フルフィールド・クラッシュ・キネマティクスを再現できるかどうかを評価する。 提案アーキテクチャは, 局所メッシュメッセージパッシング, ジオメトリ対応のグローバルアテンション, 自動回帰クラッシュロールアウトのための疎接触対応補正を組み合わせたものである。 メッシュベースのグラフニューラルネットワーク、注目ベースの幾何モデル、ハイブリッドアーキテクチャを、共通のトレーニングとハイパーパラメータ構成で比較する。 ハイブリッドモデルは短距離構造相互作用と長距離変形パターンの両方をキャプチャし、スパース接触型はロールアウト時の動的近接相互作用の効果を評価する。 25サンプルの全車種テストセットでは、最良のハイブリッドモデルは時間平均ルート平均二乗誤差が3.20mmに達する。 幾何的注意ベースラインは定量的に競合するが、定性的側視検査により、局所的な空間ノイズと構造解釈を複雑にする変形不規則を導入することができる。 対照的に、ハイブリッドメッシュアテンションモデルは、スカラー精度、生存空間の整合性、物理的に解釈可能な変位場との最良のバランスを提供する。 これらの結果から, 事故代理評価は, グローバルエラーメトリクスと下流の安全関連量, 定性的フィールドインスペクションとを組み合わせるべきであることが示唆された。 提案手法は, 産業用クラッシュエンジニアリング解析に不可欠な構造情報を保持しつつ, 高速なフルフィールド予測を可能にする。

関連論文リスト

• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Towards Worst-Case Guarantees with Scale-Aware Interpretability [58.519943565092724]
  ニューラルネットワークは、自然データの階層的多スケール構造に従って情報を整理する。 我々は,形式機械と解釈可能性ツールを開発するための統一的な研究課題,即時対応型解釈可能性(enmphscale-aware interpretability)を提案する。
  論文  参考訳（メタデータ） (2026-02-05T01:22:31Z)
• VIKING: Deep variational inference with stochastic projections [48.946143517489496]
  変分平均場近似は、現代の過度にパラメータ化されたディープニューラルネットワークと競合する傾向がある。 パラメータ空間の2つの独立線型部分空間を考える単純な変分族を提案する。 これにより、オーバーパラメトリゼーションを反映した、完全に相関した近似後部を構築することができる。
  論文  参考訳（メタデータ） (2025-10-27T15:38:35Z)
• Automotive Crash Dynamics Modeling Accelerated with Machine Learning [0.739600786135545]
  我々は、NVIDIA PhysicsNeMoフレームワークを用いて、クラッシュシナリオにおける構造変形の効率的な予測のための機械学習に基づくサロゲートモデルを開発した。 クラッシュダイナミクスをモデル化するための2つの最先端ニューラルネットワークアーキテクチャ、MeshGraphNetとTransolverについて検討する。 モデルでは、全体的な変形傾向を合理的な忠実さで捉え、構造的クラッシュダイナミクスに機械学習を適用する可能性を示している。
  論文  参考訳（メタデータ） (2025-10-17T00:03:33Z)
• EqCollide: Equivariant and Collision-Aware Deformable Objects Neural Simulator [6.056458618771203]
  EqCollideは、変形可能な物体とその衝突に対する最初のエンドツーエンド同変ニューラルネットワークシミュレータである。 実験の結果、EqCollideは様々なオブジェクト構成に対して正確で安定でスケーラブルなシミュレーションを実現することがわかった。
  論文  参考訳（メタデータ） (2025-06-06T06:49:58Z)
• AMBER: Adaptive Mesh Generation by Iterative Mesh Resolution Prediction [48.72179728638418]
  本稿では,メッシュ適応のための教師あり学習手法であるAMBER(Adaptive Meshing By Expert Reconstruction)を提案する。 AMBERは、サイズフィールドを反復的に予測し、この予測を使用して、アウト・オブ・ザ・ボックスメッシュジェネレータを使用して、新しい中間メッシュを生成する。 AMBERを2次元および3次元の幾何学、古典物理学問題を含むデータセット、機械部品、人間の専門家メッシュを用いた実世界の産業デザインで評価する。
  論文  参考訳（メタデータ） (2025-05-29T17:10:44Z)
• Decoupled Dynamics Framework with Neural Fields for 3D Spatio-temporal Prediction of Vehicle Collisions [1.474723404975345]
  本研究では,グローバル剛体運動と局所構造変形を独立にモデル化し,3次元車両衝突ダイナミクスを予測するニューラルネットワークフレームワークを提案する。 2つの特殊なネットワークがフレームワークのコアを形成し、四元数ベースの剛性運動のためのRigid Netと局所的な変形のための座標ベースの変形ネットである。 利用可能なシミュレーションデータの10%しかトレーニングされていないこのモデルは、予測エラーを最大83%減らし、ベースラインモデルを大幅に上回っている。
  論文  参考訳（メタデータ） (2025-03-25T14:38:37Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for Online Collision Avoidance [95.86944752753564]
  本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。 我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。 本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
  論文  参考訳（メタデータ） (2020-07-28T07:34:30Z)

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。