利用多尺度图神经网络模拟连续介质力学
利用并行多尺度模型比单尺度模拟可以更准确地模拟先进材料的力学响应,但是计算成本是该方法实际应用的障碍。本研究提出了一种备选的代理建模策略,允许保持问题的多尺度特性,并可与有限元求解器交替使用。通过使用图神经网络 (GNN) 预测完全场微观应变,并保留微观本构材料模型以获得应力,我们在弹塑性材料上实现了这一点。这种基于数据和物理的图形方法避免了预测完全场响应所产生的高维度,并允许非局部性产生。通过对各种网格进行训练,GNN 学习了对未见过的网格的泛化,使单个模型可以用于一系列的微结构。GNN 中嵌入的微观本构模型隐式地跟踪历史依赖变量,并提高了准确性。我们证明了对于几个具有挑战性的情景,代理模型能够预测复杂的宏观应力 - 应变路径。由于我们的方法的计算时间与微结构中的元素数量相比的呈良好的缩放规律,因此我们的方法可以显著加速 FE2 模拟。
Feb, 2024
该研究使用图神经网络建立了一种基于局部交互法则的颗粒流动的高效模拟器,称为 GNS。该模型在训练中考虑了不同颗粒轨迹,并且在测试中展现了优秀的性能,可用于预测不同宽高比下的颗粒柱倒塌情况。GNS 快速且可泛化到远大于训练数据的粒子数目范畴。
May, 2023
本研究提出了一种基于图神经网络的模拟器框架,通过学习信息传递来模拟包括流体、刚性固体和可变形材料在内的各种复杂物理现象,模型从单一粒子预测到测试时的数千个粒子,并且能够处理不同的初始条件和数万个时间步骤,具有较强的可靠性与预测能力。
Feb, 2020
使用图神经网络开发了基于 GNN 的 granular flows 模拟器(GNS),成功复现了各种纵横比的柱体崩塌的整体行为,并且计算速度比高保真数值模拟器快 300 倍。
Nov, 2023
介绍一种名为 REMuS-GNN 的旋转等变的多尺度模型,它可以用于预测一个输入物理域的输出向量场,改进了在数值模拟中存在的性能限制及深度学习模型在准确性及推广能力方面的不足,实验证明在椭圆柱体不可压缩流动领域具有良好的效果。
May, 2022
通过引入学习的多连续介质模型,提出了一种新颖的方法来改进多尺度问题中单连续介质模型的准确性,并通过涉及线性和非线性流方程的数值实验明显改善了模拟结果。
Mar, 2024
本论文研究了三种基于神经积分算子的多分辨率模式,并使用消息传递图神经网络进行了验证,以解决描述物理现象中的偏微分方程最具挑战性问题之一 —— 在不同尺度下表示物理信号。
Jun, 2022
通过构建多级图神经网络框架,解决基于深度学习的物理系统模拟和偏微分方程求解中数据格式与神经网络所需结构不匹配所带来的挑战,提出一种对于 GNN 和多分辨率矩阵核分解统一的方法,该方法可以处理所有范围的相互作用并具有线性复杂度。实验证明,这种多图网络可以学习离散化不变的 PDE 解算符并可以在线性时间内进行评估。
Jun, 2020
本文讲解了如何通过域分解方案将 MeshGraphNets(MGN)应用于具有百万节点的 3D 网格,进而生成计算流体力学(CFD)模拟结果,并通过高阶数值积分技术提高 MGN 的准确性和训练时间,为其在实际应用中的大规模使用提供了有效的路径。
Apr, 2023