論文の概要: Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels

• arxiv url: http://arxiv.org/abs/2606.20916v1
• Date: Thu, 18 Jun 2026 20:12:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 12:00:03.621628
• Title: Physics-Guided Dual-Stream Heterogeneous Graph Neural Network for Predicting Full-Field Structural Response of Stiffened Panels
• Title（参考訳）: 剛性パネルのフルフィルド構造応答予測のための物理誘導デュアルストリーム不均一グラフニューラルネットワーク
• Authors: Yuecheng Cai, Jasmin Jelovica,
• Abstract要約: 大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。 既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。 本研究では,薄肉構造物のフルフィールド応力と変位予測のための新しいDualStream Heterogeneous Graph Neural Network (DS-HGNN)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: Iterative design and optimization of large, complex structures require fast and accurate prediction of stress, displacement, and other fields. Finite element analysis (FEA) is computationally expensive for this task. Existing neural network surrogates often struggle with varying topologies and complex boundary conditions. This study proposes the novel Dual-Stream Heterogeneous Graph Neural Network (DS-HGNN) for full-field stress and displacement prediction in thin-walled structures, demonstrated on box beams made of stiffened panels. DS-HGNN operates on panel-level heterogeneous graph representations and introduces physics-guided edge states initialized from edge types, spatial information, and boundary kinematics. These states are updated through dual-stream message passing that separates longitudinal and transverse structural information while allowing cross-stream exchange. Geometry and loading effects are incorporated through Feature-wise Linear Modulation (FiLM)-conditioned 1-D spectral convolutions, and physical fields are reconstructed using a spectral-bypass low-rank readout. The model is evaluated on stiffened panel datasets with different geometries, boundary kinematics, loading conditions, and material nonlinear responses. DS-HGNN achieves the lowest stress and displacement RMSE compared with six benchmark heterogeneous graph neural network models. It also reaches comparable accuracy to the strongest benchmark models using 19%-38% fewer training samples. A targeted evaluation further shows that DS-HGNN captures yield and post-yield stress features.
• Abstract（参考訳）: 大規模で複雑な構造の反復的な設計と最適化には、応力、変位、その他の分野の高速かつ正確な予測が必要である。 有限要素解析(FEA)はこの処理に計算コストがかかる。 既存のニューラルネットワークは、様々なトポロジや複雑な境界条件に悩まされることが多い。 本研究では,薄肉構造体におけるフルフィールド応力と変位予測のためのDual-Stream Heterogeneous Graph Neural Network (DS-HGNN)を提案する。 DS-HGNNは、パネルレベルのヘテロジニアスグラフ表現で動作し、エッジタイプ、空間情報、境界キネマティクスから初期化された物理誘導エッジ状態を導入する。 これらの状態は双方向のメッセージパッシングを通じて更新され、縦方向と横方向の構造情報を分離し、ストリーム間の交換を可能にする。 特徴量線形変調(FiLM)条件の1次元スペクトル畳み込みによって幾何と負荷効果が組み込まれ、スペクトルバイパス低ランク読み出しを用いて物理場が再構成される。 このモデルは、異なるジオメトリ、境界運動学、負荷条件、材料非線形応答を持つ強化パネルデータセットで評価される。 DS-HGNNは6つのベンチマークヘテロジニアスグラフニューラルネットワークモデルと比較して最低応力と変位RMSEを達成する。 また、トレーニングサンプルを19%-38%減らして、最強のベンチマークモデルに匹敵する精度に達した。 さらに,DS-HGNNが収量および後応力特性を捉えていることを示す。

関連論文リスト

• Non-linear mechanical field reconstruction coupling recurrent neural networks with physics-informed graph neural networks [0.6978367196609415]
  局所応力場再構成の時間的側面と空間的側面を結合したLSTMGNNフレームワークを提案する。 線形ウォームアップによる相対重み付け戦略を導入し,データ駆動型再構成損失と離散発散型平衡ペナルティのバランスをとる。 このモデルは有限要素シミュレーションよりも3桁のスピードアップを達成し、累積誤差1.9%でトレーニング長の2倍の負荷列に一般化する。
  論文  参考訳（メタデータ） (2026-06-09T14:20:39Z)
• GNN for Structural Displacement Prediction [0.30586855806896046]
  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。
  論文  参考訳（メタデータ） (2026-05-08T12:24:23Z)
• Adaptive Mesh-Quantization for Neural PDE Solvers [51.26961483962011]
  グラフニューラルネットワークは複雑なジオメトリや境界条件に必要な不規則なメッシュを処理できるが、それでもすべてのノードで一様計算処理を適用できる。 適応メッシュ量子化(Adaptive Mesh Quantization): メッシュノード,エッジ,クラスタ特徴間の空間適応量子化であり,量子化モデルで使用されるビット幅を動的に調整する。 我々は,MP-PDEとGraphViTという2つの最先端モデルと統合して,複数のタスクのパフォーマンスを評価することで,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2025-11-23T14:47:24Z)
• 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)
• Multiscale Graph Neural Network for Turbulent Flow-Thermal Prediction Around a Complex-Shaped Pin-Fin [1.0195618602298682]
  本研究では, 定常, 乱流, 熱的挙動を予測できる領域認識型マルチスケールグラフニューラルネットワークの開発について述べる。 ネットワークは、境界層、再循環、およびピンフィンの上流の停滞領域を精度良く予測し、壁時間を2～3桁削減した。
  論文  参考訳（メタデータ） (2025-08-28T16:46:03Z)
• Point Cloud Denoising With Fine-Granularity Dynamic Graph Convolutional Networks [58.050130177241186]
  ノイズの摂動は、しばしば3次元の点雲を破損させ、表面の再構成、レンダリング、さらなる処理といった下流のタスクを妨げる。 本稿では,GDGCNと呼ばれる粒度動的グラフ畳み込みネットワークについて紹介する。
  論文  参考訳（メタデータ） (2024-11-21T14:19:32Z)
• Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
  本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。 学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。 各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-09-26T16:22:08Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• 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)
• Simple and Efficient Heterogeneous Graph Neural Network [55.56564522532328]
  不均一グラフニューラルネットワーク(HGNN)は、不均一グラフの豊富な構造的および意味的な情報をノード表現に埋め込む強力な能力を持つ。 既存のHGNNは、同種グラフ上のグラフニューラルネットワーク(GNN)から多くのメカニズム、特に注意機構と多層構造を継承する。 本稿では,これらのメカニズムを詳細に検討し,簡便かつ効率的なヘテロジニアスグラフニューラルネットワーク(SeHGNN)を提案する。
  論文  参考訳（メタデータ） (2022-07-06T10:01:46Z)

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。