核心概念
Ein neuartiges Graph-U-Net-Modell, MAgNET, das innovative Multichannel-Aggregations- und Graph-Pooling-/Unpooling-Schichten verwendet, um effizient nichtlineare Finite-Elemente-Simulationen zu beschleunigen.
摘要
Der Artikel präsentiert ein neuartiges Graph-U-Net-Modell namens MAgNET, das speziell für Simulationen auf Basis von Gittern entwickelt wurde. MAgNET besteht aus innovativen Multichannel-Aggregations- (MAg) Schichten und Graph-Pooling-/Unpooling-Schichten, die eine effiziente Darstellung und Vorhersage nichtlinearer Finite-Elemente-Simulationen ermöglichen.
Die Kernpunkte sind:
- Entwicklung der MAg-Schicht, die eine trainierbare lokale Aggregation auf Graphen ermöglicht und eine Erweiterung der Faltungsschichten in CNNs darstellt.
- Einführung neuartiger Graph-Pooling- und Unpooling-Schichten, die eine U-Net-ähnliche Architektur auf Graphen ermöglichen.
- Anwendung des MAgNET-Modells auf verschiedene nichtlineare Finite-Elemente-Benchmark-Probleme in 2D und 3D, um die Leistungsfähigkeit als Surrogatmodell zu demonstrieren.
- Bereitstellung von Quellcode, Datensätzen und Anleitungen zur Reproduzierbarkeit der Ergebnisse.
統計資料
Die Finite-Elemente-Modelle haben zwischen 160 und 12.096 Freiheitsgrade.
Die Trainingsdatensätze umfassen zwischen 3.800 und 33.858 Samples, mit 110 bis 1.000 Samples pro Knoten.
Die Lastbereiche reichen von -6 bis 6 N/kg für Volumenkräfte und von -5 bis 5 N für Knotenkräfte.
引述
"Computational models are essential tools for studying, designing, and controlling complex systems in many fields, including engineering, physics, biology, economics, and social networks."
"Recently, deep learning (DL) techniques have taken a center stage across many disciplines. The DL models have proven to be accurate and efficient in predicting non-trivial nonlinear relationships in data."