.png){kind=icon}
返回
Graph-based surrogate modeling for structural eigenvalue problems with modal matching training
.png){kind=icon}
PRE
AI
DOI：10.1007/s00366-026-02310-8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
模态分析需要求解特征值问题以获得固有频率和振型。虽然单个有限元（FE）特征值求解可以高效进行，但实际工作流通常需要为多维设计空间探索和容差/不确定性筛选进行数千次重复求解，而当局部几何或拓扑扰动触发网格重构时，成本会进一步增加。我们提出了一种基于图神经网络的结构特征值问题代理模型，该模型可直接从网格表示中预测多阶固有频率和振型。有限元网格被编码为具有连续和分类节点特征的图，并通过基于Graphormer的处理单元捕捉全局振动耦合。一个双头解码器联合输出特征频率和位移场，其训练采用结合频率回归和振型一致性的不确定性加权目标函数。为解决在聚簇特征值（例如振型相互作用和简并）情况下的监督模糊性问题，我们采用了模态匹配训练（MMT）策略，该策略通过模态相似性对齐预测值与真实值，从而实现跨样本的稳定振型跟踪。实验结果表明，该模型在多参数数据集上具有高精度和强振型一致性；我们进一步在统一采样池下评估了从中心范围样本到尾部样本的泛化性能，并报告了相应结果。此外，代理模型的推理速度比FE特征值求解器快达196倍。总体而言，所提出的代理模型支持快速筛选和大规模设计探索，可作为高精度FE模态分析的补充。
Keyword:
Finite elements
Field prediction
Eigenvalue problems
Graph neural networks
Clustered Eigenvalues
期刊
IF:
4.9
论文数:
2.7K
被引数:
9.3K
机构
引用论文
Deep learning model to predict complex stress and strain fields in hierarchical composites.png)
SCIENCE ADVANCES
OAAI
SCIENCE ADVANCESIF12.5
OAAI分享收藏
Topology optimization: a review for structural designs under vibration problems拓扑优化: 振动问题下的结构设计综述
PREAI
分享收藏分享收藏Deep UQ: Learning deep neural network surrogate models for high dimensional uncertainty quantification深度UQ: 学习用于高维不确定性量化的深度神经网络代理模型OAAI
OAAI分享收藏
查看更多内容