.png){kind=icon}
返回
Physics-Guided Graph Convolutional Network for Ship Structural Failure Mode Classification
.png){kind=icon}
PRE
AI
DOI：10.3390/math14101768.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
船舶结构失效模式分类仍然严重依赖主观专家判断，这不仅耗时，还可能在安全评估中引入不确定性。尽管深度学习为自动化提供了有前景的途径，但许多现有学习方法依赖于二维图像表示，因此在将复杂的三维加筋结构投影时，可能会因几何遮挡和信息损失而受到影响。为解决这些挑战，我们提出了一种基于物理引导的图卷积网络（PGGCN）用于失效模式分类。具体而言，我们的方法将有限元（FE）网格直接建模为图，保留了整体拓扑和位移场保真度，且不依赖视角。我们进一步通过混合策略融入领域知识：深度图卷积网络（DeepGCN）首先检测局部构件屈曲状态，如板或腹板屈曲，随后从经典失效定义中派生的逻辑矩阵确定板级失效模式。为进行系统评估，我们通过拉丁超立方采样构建了一个涵盖多种加筋板几何形状的数据集。每个加载情况下的渐进分析状态被组织成任务特定的图样本用于监督学习。在测试集上的实验分别实现了95.48%和91.42%的板和腹板屈曲分类精度，以及89.56%的板级失效模式判别精度。这些结果表明，所提出的方法为从船舶加筋板的FE网格中实现可解释的自动化失效模式分类提供了框架。
Keyword:
ship structure
graph convolutional network
failure mode classification
stiffened panel
finite element analysis
