基于图神经网络的桁架结构响应代理模型

摘要

本文提出了一种基于图神经网络（GNN）的代理模型用于桁架结构响应预测。基于图论，利用图表征方法描述桁架结构的拓扑特征和物理信息，通过图卷积建立变量间的相关性实现基于结构几何与物理特征的训练空间降维；此外，在模型中引入注意力机制有效计入节点和边特征，并基于单元刚度自适应地分配邻居节点及边的特征权重，进而实现在训练过程中准确模拟结构中的力学传递路径。最后，以3个具有10、19和27个变量的桁架结构为例，对所提出模型预测精度进行了评估。结果表明：随着训练样本数量的增加，GNN模型的预测误差能显著降低；且在样本量合适的前提下，模型对于高维问题仍能获得极高的预测精度，克服了传统代理模型在样本数量增长和处理高维问题时预测精度急剧下降的弊端。

关键词

代理模型 / 图神经网络 / 结构分析 / 预测精度 / 计算效率