一种用于预测 3D 网格节点数据的混合 GNN 方法
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
提出用于 3D 深度学习辅助建模的贝叶斯图神经网络框架,通过直接从 CAD 中学习几何特征进行工程性能预测,通过贝叶斯优化确定网格元素的最佳大小,实现高准确性的辅助模型。
Jun, 2024
该研究提出了一种基于图神经网络和专家指导的机器学习方案,用于自动生成飞机模型的计算流体动力学网格,通过引入一种新的三维分割算法、预测从三维网格到 CAD 表面的方法以及边缘统计保证和鲁棒的不确定性量化和处理,实现了避免精细度不足所导致的计算流体动力学网格生成失败,并通过真实案例研究证明了与专家生成网格质量可比的自动生成网格的有效性,使求解器能够收敛并产生准确结果。此外,通过与自适应重网格方法的对比,我们发现我们的方法在仿真过程中的速度是后者的 5 倍。
Aug, 2023
该研究论文介绍了 PI-MGNs,一种将 PINNs 和 MGNs 相结合的混合方法,用于在任意网格上快速准确地解决非稳态和非线性偏微分方程的热工过程模拟。
Feb, 2024
提出了一种基于全卷积图神经网络的学习方法,用于虚拟试穿应用。该方法可以适用于许多服装类型,并使用几何深度学习方法对 3D 服装进行拟合。通过对目标物体形状和材料进行建模,我们的模型学习了更精细的细节,提高了试穿模型的性能。
Sep, 2020
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