Oct, 2023

利用图神经网络预测岩石的有效弹性模量

PDF
TL;DR本研究提出了一种基于图神经网络（GNNs）的方法，从数字 CT 扫描图像中预测岩石的有效弹性模量。使用 Mapper 算法将 3D 数字岩石图像转换为图数据集，包含关键的几何信息。经过训练的这些图在预测弹性模量方面表现出良好的效果。与卷积神经网络（CNNs）进行比较分析后发现，GNNs 在预测未见过的岩石性质方面具有卓越的性能。此外，微结构的图表示明显降低了 GPU 内存的需求，从而在批量大小选择方面具有更大的灵活性。该研究展示了 GNN 模型在提高岩石性质预测准确性和加强数字岩石分析效率方面的潜力。
graph neural networkseffective elastic modulirocksdigital ct-scan imagesdigital rock analysis
发现论文，激发创造
  • StrainNet：使用 SE（3）- 等变图神经网络预测晶体结构的弹性特性

    本文提出了一种基于数据驱动的方法，使用 SE (3) 等变图神经网络高效预测晶体结构的弹性性质，该方法能较准确地预测重要弹性模量和变形能密度以及相应的弹性常数，并提供可解释预测的有意义的潜在特征。

    Jun, 2023

  • 应用图神经网络预测均匀受载钢板的应力

    本研究提出了一种新颖的图嵌入技术，通过将分离的板域视为顶点，利用图采样和聚合（GraphSAGE）预测具有不同几何形状的加劲板的应力分布，对比有限元 - 顶点图表示的方法，研究结果表明，图神经网络和所提出的图嵌入方法作为强大的三维结构的高效减阶模型具有巨大潜力。

    Sep, 2023

  • 物理编码图神经网络用于接触下形变预测

    机器人学中，通过物理编码的图神经网络，建模刚性网格与可变形网格间的动力学关系，以精确理解接触过程中的物体变形，推动机器人模拟与抓取研究的进展。

    Feb, 2024

  • 基于图神经网络的预测颗粒破碎强度的混合框架

    通过使用图神经网络（Graph Neural Networks）来建模颗粒破碎中的颗粒片段之间的连接性，本研究生成了一个大规模的数据集，以促进颗粒破碎的机器学习研究，并通过一个基于图神经网络的混合框架来预测颗粒破碎强度，最后通过与传统机器学习方法和传统 MLP 进行对比验证其有效性。

    Jul, 2023

  • 聚合物属性预测的图卷积神经网络

    本文采用图卷积神经网络（GCNN）预测聚合物的介电常数和能带隙，GCNN 可以达到与 DFT 结果非常接近的精度，并显示 GCNN 优于其他机器学习算法。该方法不再需要繁琐的手工描述符，仅依靠聚合物的形态数据即可实现准确快速的预测，可用于快速、精准地逆向设计聚合物。

    Nov, 2018

  • 晶体图神经网络在合金置换合金化中的应用

    本文利用晶体图神经网络（CGNN）预测水晶的属性，通过对原子、结合和整体状态特征的编码，在 DFT 的级别上实现预测的正确性，从而在合金探索中找到有前途的路径。

    Jun, 2023

  • 用于格陵兰和南极冰盖有限元冰动力学仿真的图神经网络

    数值模型、卷积神经网络、等变图卷积网络、冰川动力学和计算效率的研究。

    Jun, 2024

  • 基于图神经网络的颗粒流代理模型

    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

  • 物理建模的 UNets 用于发现异质材料中隐藏的弹性特性

    本文提出了一种基于 UNet 的神经网络模型（El-UNet）用于推断机械参数和应力分布，相比于全连接物理信息神经网络，其精度更高且计算成本更低；并且提出了一种自适应空间权重的方法，用于求解三维反向弹性问题，有效性得到验证。

    Jun, 2023

  • 用图神经网络作为快速高保真模拟器进行有限元冰盖模型建模

    本研究利用图神经网络 (GNN) 开发了快速代理模型来解决冰川动力学问题，通过使用 20 年的变动模拟数据训练和测试 3 个 GNN（图卷积网络，图注意力网络和等变图卷积网络），结果显示这些 GNN 能够以更高的准确性重建冰厚度和速度，并成功捕捉到 Pine Island Glacier 中由较高底侵蚀速率引起的冰量减少和加速。当将我们的 GNN 模拟器应用于 GPU 上时，计算时间比基于 CPU 的 ISSM 模拟快 50 倍。

    Feb, 2024