基于图神经网络的替代模型,用于预测车辆面板部件的基于网格的碰撞安全性

《Results in Engineering》:A graph neural network surrogate model for mesh-based crashworthiness prediction of vehicle panel components

【字体: 大 中 小 】 时间:2026年05月12日 来源:Results in Engineering 7.9

编辑推荐:

  李浩然|赵英学|周浩苏|托比亚斯·帕夫|李楠 伦敦帝国理工学院戴森设计工程学院,英国伦敦 **摘要** 抗撞性是设计关键安全车辆面板组件(如B柱)时的关键性能指标。有限元(FE)模拟被广泛用于评估碰撞响应,但对于大规模、非线性冲击场景来说,计算成本仍然很高,尤其是在

  李浩然|赵英学|周浩苏|托比亚斯·帕夫|李楠
伦敦帝国理工学院戴森设计工程学院,英国伦敦

**摘要**
抗撞性是设计关键安全车辆面板组件(如B柱)时的关键性能指标。有限元(FE)模拟被广泛用于评估碰撞响应,但对于大规模、非线性冲击场景来说,计算成本仍然很高,尤其是在集成到迭代设计和优化过程中时。尽管已经开发了基于机器学习的替代模型来快速进行抗撞性分析,但它们在详细表示复杂三维组件方面存在局限性。图神经网络(GNN)作为处理复杂结构数据的有希望的解决方案应运而生。然而,现有的GNN模型往往缺乏足够的准确性和计算效率来满足工业需求。本文提出了一种基于图的替代模型——循环图U-Net(ReGUNet),用于车辆面板组件的抗撞性分析。通过将FE网格以图的形式表示,该模型能够自然地适应复杂的不规则结构几何形状。其分层架构提高了计算效率和准确性,同时引入的递归机制增强了多时间步长上时间预测的稳定性。一个采用不同几何形状的热冲压钢B柱的侧向冲击案例研究用于生成训练数据集。训练有素的模型在预测未见过的组件设计的动态变形行为和抗撞性指标方面表现出高准确性。与基线方法相比,ReGUNet的平均变形预测误差降低了52%以上,并且计算效率显著提高。ReGUNet提供了快速可靠的抗撞性评估,从而加速了车辆面板组件的设计周期。

**1. 引言**
由于对全球气候变化的关注日益增加,车辆轻量化已成为汽车行业的核心焦点[1]。人们投入了大量努力,开发创新的设计方法来减轻车辆组件的重量,同时确保高结构性能。对于车辆的安全关键面板组件(如A柱、B柱和前 roof 横向构件),抗撞性仍然是主要的设计要求。这衡量了组件在潜在车辆事故中保护乘客的能力,包括碰撞过程中的变形抗力和能量吸收。典型的车辆组件抗撞性分析涉及研究组件在碰撞测试中的动态行为。例如,侧向冲击碰撞测试评估横向碰撞性能,其中B柱是一个关键的薄壁结构元素[2]。常见的抗撞性指标包括B柱的最大侵入量和能量吸收。尽管物理车辆碰撞测试可以提供关于组件抗撞性性能的可靠见解,但它们过于昂贵,无法在设计周期中反复使用。有限元(FE)模拟作为一种计算替代方案。然而,对于复杂且高度非线性的场景,特别是在涉及大变形和高应变率的条件下,它们需要大量的计算资源。此外,严重依赖FE模拟的迭代设计优化过程可能会非常耗时。
为了克服这些限制,基于机器学习(ML)的替代建模被广泛探索,以大幅降低计算成本来近似碰撞模拟。这些替代模型通常使用人工神经网络(ANN)构建,旨在用较少的计算资源来近似复杂模拟。基于ANN的替代模型在抗撞性分析领域显示出潜力[3],[4],[5],[6],[7],[8]。大多数现有的替代模型[3],[4],[5],[6],[7],[8]基于多层感知器(MLP),旨在预测抗撞性指标等标量量。一些研究[9,10]使用循环神经网络(RNN)进行时间序列数据预测,这对于抗撞性分析至关重要。在时间序列数据中,会在特定时间间隔内记录许多测量值,如加速度曲线和力-时间历史。基于MLP和RNN的模型都局限于基于标量输入和输出的预测,它们在完全描述复杂模拟(如碰撞模式)的详细行为方面存在局限性。为了克服这一限制,提出了使用卷积神经网络(CNN)开发的场基模型,以预测高保真物理场,例如冲击过程中的位移场[11,12]。场基模型能够更全面和详细地分析组件在冲击过程中的行为。然而,典型的抗撞性研究涉及研究具有不规则几何形状和非结构化FE网格的薄壁结构的非线性动态行为。基于CNN的替代模型本质上限于欧几里得数据结构(如图像),它们在处理具有非欧几里得数据结构的复杂几何形状方面能力有限。这种局限性突显了开发更先进的替代模型的重要性,这些模型可以处理更复杂的数据结构,同时保持高水平的准确性。
图神经网络(GNN)由于直接使用图的形式表示三维结构,为解决这一限制提供了自然框架。Wen等人[13]利用GNN预测车辆抗撞性组件的动态行为。在这项工作中,车辆组件以图的形式表示,其中每个节点代表一个段,每条边描述段之间的连通性。尽管在规则结构组件上展示了强大的预测性能,但该方法处理复杂不规则形状组件的能力尚未探索。一种更灵活的方法是将FE网格表示为图,图节点对应于网格节点,图边捕获连通性。最近的研究将GNN应用于一般力学相关领域,如连续介质力学[14],[15],[16],[17],[18]、结构力学[19,20]、计算流体动力学[21],[22],[23],[24]和超材料建模[25,26]。一些开创性工作将GNN应用于基于拉格朗日网格的模拟[27],[28],[29],但这些研究通常限于具有小图的简化加载条件。尽管这些工作为GNN在力学相关领域的应用奠定了坚实的基础,但它们处理工业相关碰撞场景的能力(涉及大型图、复杂的冲击条件和非线性动态行为)仍很大程度上未得到探索。据作者所知,基于网格的GNN替代模型尚未应用于抗撞性研究。
在本文中,我们提出了一种新的基于GNN的替代模型——循环图U-Net(ReGUNet),以应对抗撞性预测中的这些挑战。ReGUNet旨在对薄壁汽车组件在冲击载荷下的动态变形进行时空全场预测。通过结合分层图粗化和循环时间机制,ReGUNet实现了高效的长距离空间信息传播和稳定的时间预测,适用于非线性、高应变率和大变形特征的碰撞问题。为了证明其有效性,ReGUNet在一个具有不同几何形状的热冲压钢B柱的侧向冲击案例研究中进行了评估。结果表明,ReGUNet提供了准确且高效的碰撞响应预测,为加速薄壁汽车结构的设计和优化提供了实用工具。

**2. 相关工作**
据作者所知,GNN在抗撞性分析中的应用仍处于早期阶段。迄今为止,只有有限数量的研究探索了基于GNN的方法来模拟车辆组件在冲击条件下的复杂动态。一个值得注意的例子是Wen等人[13]的工作,他们提出了一个结合GNN和时空卷积神经网络(TCN)的模型,用于预测表示为图的车辆组件的非线性响应,其中节点表示组件段,边表示邻接性。虽然节点和边决定了组件的几何形状,但节点特征包含了抗撞性分析的测量信息。该模型采用了编码器-解码器时空GNN架构。具体来说,时空GNN层包括用于时间建模的门控时间卷积层[30]和用于捕获空间信息的图卷积网络层[31]。节点和边特征以及全局参数(如初始冲击速度)被输入模型,以预测下一个时间步的更新节点特征。上述模型的一个局限性是它仅在规则结构组件上进行了验证,其在不规则图数据上的性能尚未得到验证。
许多现有研究在相关工程领域(如结构力学、流体动力学和材料建模[32])中使用GNN进行基于网格的数据预测。在大多数研究中,网格数据以图的形式定义,其中每个图节点代表一个网格节点,每个图边代表一个网格边。例如,Deshpande等人[14]提出了多通道聚合网络(MAgNET)用于预测非线性基于网格的模拟。MAgNET包括多通道聚合(MAg)层,为图的每条边分配一个不可共享的权重,以实现局部特征聚合。与其他使用可共享权重(滑动核)的传统CNN不同,不可共享的权重矩阵允许在不同通道之间进行更准确的非线性特征预测。其他一些研究使用MLP进行特征更新和聚合,这可能更具通用性和可扩展性。Sanchez-Gonzalez等人[33]开发了基于图网络的模拟器(GNS),用于预测具有粒子的物理系统的运动。GNS遵循编码器-处理器-解码器架构。该框架基于一系列图网络(GN)块,以实现图数据中的长距离消息传递。Pfaff等人[27]采用了并改进了这一框架,提出了MeshGraphNet(MGN)。MGN专门用于基于网格的数据预测,利用消息传递神经网络[34]。该模型引入了额外的世界边,以更好地模拟不同图之间的碰撞。为了执行节点级预测任务,模型使用MLP作为边和节点更新函数。
为了实现空间上遥远的信息传播,传统方法是堆叠一系列GN块,以实现多步消息传递。这通常会导致处理大图时GPU内存消耗显著增加。为了克服这一限制,Fortunato等人[29]提出了一个分层架构——MultiScale MeshGraphNet(MS-MGN),它可以在不同分辨率的图之间进行消息传递。由于从一个全局位置到另一个位置所需的消息传递步骤减少,因此实现了更高的效率。信息通过下采样和上采样层在图之间传播。Cao等人[28]提出了另一种基于双步长多尺度GNN(BSMS-GNN)的降采样方法。在这项研究中,引入了一种基于广度优先搜索(BFS)的新双步长降采样技术。图大小可以通过每隔一个BFS前沿对所有节点进行降采样来减小。还有其他图降采样方法,如空间近似方法[35],[36],[37]、Guillard的粗化算法[38]和基于聚类的池化方法[14]。所有这些不同的方法都旨在降低图数据的复杂性,从而提高模型效率。这些自动化图降采样方法的一个局限性是降采样图中可能失去均匀性,这可能对消息传递操作的准确性产生不利影响。
力学中的常见GNN任务通常涉及时间数据预测,其中目标是预测随时间的变化特征。例如,Pfaff等人[27]使用MGN预测金属板在准静态载荷下的变形。变形被划分为特定时间间隔,每次训练迭代预测每个时间间隔内的增量变形。下一个时间步的预测基于前面的步骤,当时间步数增加时,展开误差会增加。Chen等人[17]提出了基于物理信息的边缘循环模拟器(Piers)来改进这一限制。Piers基于MGN开发,并结合了RNN和物理信息因素。在GNN单元中,边更新函数被一个门控循环单元(GRU)层取代,以更好地捕捉长距离依赖性。这导致随着时间步长的增加,滚动误差减少,并使得预测更加稳定。Piers是一类更广泛的基于物理知识的替代模型的例子,在这些模型中,诸如本构定律或能量一致性之类的知识被嵌入到学习目标或架构中[17]。在固体力学中,已经提出了基于物理知识的GNN,用于软组织和超弹性材料,其中基于网格的GNN通过最小化总势能或深度能量泛函来训练,从而产生比纯数据驱动的替代模型更符合物理规律的变形场[39,40]。更一般地说,物理一致性的神经网络通过输出投影或软惩罚项来强制执行诸如能量或质量守恒之类的不变量,这已被证明可以提高动态系统替代模型的鲁棒性和可解释性[41]。尽管上述GNN应用取得了成就,但大多数模型仅在相对简单的案例研究中进行了评估,涉及的图规模较小。在固体力学领域,MGN及其扩展模型能够预测在准静态加载条件下的板变形。高速动态系统通常更为复杂,因为它们具有高度的非线性。Piers是为预测具有非线性的连续可变形体(CDBs)的动态响应而设计的[17]。然而,由于大图会导致GPU内存消耗巨大,因此图的大小受到限制。对于车辆面板部件的耐撞性分析,高速冲击和精细的网格配置是不可避免的。替代模型训练通常涉及数百个具有不同几何设计的样本,因此,在设计架构时模型效率成为一个关键因素。在本文中,我们提出了循环图U-Net(ReGUNet),它专门针对上述限制进行了优化。

3. 仿真设置和数据集生成
本节描述了用于生成模型训练和评估数据集的FE仿真设置。分析了一个受到侧面冲击的冲压钢材B柱。FE模型是为了仅关注组件级别的B柱而开发的简化 crash 测试[44]。如图1 a) 所示,B柱的上端和下端是固定的,一个半球形冲击器位于较低的位置,模拟车辆的侧面碰撞场景。图1 b) 显示了冲击测试的FE设置,B柱的顶部和底部都施加了固定边界条件,冲击器以负z方向上的初始速度与组件碰撞。提取出的位移场展示了碰撞过程中的变形。图1 c) 显示了z位移场的一个例子。

为了研究设计形状对耐撞性性能的影响,所有样本的材料属性、边界和加载条件保持不变。通过网格变形来实现组件形状的变化。对于加载条件,根据网格变形调整冲击器的初始位置,以确保加载条件保持恒定。B柱的FE模型是一个缩放版本,大约是实际应用中全尺寸B柱组件的三分之一大小。相应地,冲击器也按相同的比例进行了缩放,保持了相同的尺寸比。B柱的长度为350毫米,冲击器的直径为40毫米,质量为100千克,初始冲击速度为4米/秒。仿真使用Virtual-Performance Solution (VPS-2022) 和显式时间积分方案进行。B柱使用厚度为1.6毫米的三角形壳体元素进行建模,平均元素大小为3毫米,每个模型大约有4000个节点和7000到8000个壳体元素。在FE仿真中采用了沙漏控制来抑制由于减少积分而产生的零能量变形模式,确保数值稳定性。冲击器与B柱之间的接触使用表面到表面接触算法(类型33)定义,摩擦系数为0.1。仿真持续时间为30毫秒,时间步长由求解器自动确定。在从动态仿真构建图序列时,整个碰撞持续时间被分为20个时间步长,每个步长之间的时间间隔为1.5毫秒。然而,只有前12个步长用于模型训练和评估,因为在此之后B柱不再发生进一步变形。这允许在整个仿真过程中进行一致的时间分析,确保变形的进展可以在均匀的时间间隔内准确建模和捕捉。图序列构建的详细信息在第4.1节中描述。

B柱的材料被定义为室温下具有100%马氏体相的硼钢,这是一种应变率依赖的材料。其属性使用Li [45] 开发的本构模型定义,然后作为查找表输入到VPS中。图2显示了材料在四种代表性应变率下的真实应力与真实应变之间的关系。当前的材料模型没有包括损伤演化。这是一个有意的建模选择,因为本工作中提出的替代建模方法旨在通过实现快速、基于网格的全场预测来辅助早期设计工作流程。这种简化的材料描述通常用于早期设计和方法开发。实际上,显式的损伤或断裂公式通常在后期评估或以失败为主的研究中引入,因为它们需要大量的校准并增加计算开销。重要的是,所提出的框架是可扩展的,可以在未来的工作中通过从损伤耦合的仿真中学习或纳入与损伤相关的标准来增强。

设计修改是通过网格变形来实现的,它通过直接操纵组件的几何形状来改变其形状。如图3所示,B柱在组件上定义的三个控制点之一沿z方向进行变形。变形距离被控制在基线B柱z方向总厚度的±8%范围内。可选地,组件的顶部区域在x方向向右变形,变形范围不超过组件总宽度的10%。使用拉丁超立方采样(LHS)来随机采样控制点变量和变形距离,以确保在设计空间中进行全面探索,同时保持采样变量的均匀分布。这种变形策略用于生成两个案例研究。案例研究1较为简单,因为组件一次只在其中一个控制点沿z方向变形。在这个案例研究中,只预测节点级别的输出,即x、y和z方向的位移场。这使模型能够学习B柱的曲率如何影响碰撞测试期间的变形。案例研究2更为复杂,涉及同时沿x和z方向进行变形。这使得数据覆盖了更广泛的设计空间。此外,模型不仅预测节点位移场,还输出其他工程关键性能指标(KPIs)的图级别标量预测。这包括组件的内部能量(估计碰撞测试期间的能量吸收)和随时间的接触力。对于这两个案例研究,分别使用LHS操作生成了三组数据,分别用于训练、验证和测试,每组数据覆盖整个设计空间。这确保了每个数据集都包含来自设计空间的多样性和代表性样本。训练集包含100个样本,而验证集和测试集各包含50个样本。每个样本包含12个图的图序列,包括整个碰撞仿真过程中的每个时间步长的中间帧。采样数据集的多样性在附录A中进行了评估。

4. 循环图U-Net的开发
本节详细描述了循环图U-Net(ReGUNet)。我们首先介绍FE网格的图表示形式,然后解释模型架构。该模型旨在预测在不同几何设计下B柱的完整冲击动力学。

4.1. FE网格的图表示
一个典型的图可以表示为,其中 是全局图特征,是一组节点,是一组连接节点的边。 和 分别是节点和边的数量。图的连通性描述了节点如何通过边连接,可以通过边索引来表示。边索引矩阵 是一个矩阵,包含由每条边连接的节点索引,可以表示为(1),其中 和 分别是每条边的发送节点和接收节点。在这个图中,数据可以通过将其局部嵌入到节点特征向量 和边特征向量 中来存储,其中 和 分别是节点和边特征向量的维度。全局图特征 包括任何全局标量特征,其中 是图特征的维度。组装的矩阵 和 分别表示节点特征矩阵和边特征矩阵。在深度GNN中,通常使用多个层。特征在每层中被聚合和传播,其中 和 分别表示第层的隐藏节点或边特征矩阵和向量。

B柱的FE网格的图数据表示如图4所示。与现有方法[17,27,29]类似,每个图节点代表一个FE网格节点,边连接属于同一网格元素的任意一对节点。为了预测组件的冲击动力学,将碰撞仿真划分为等间隔的时间间隔。因此,碰撞动力学的时间演化由一系列图 描述,其中 是总时间步数。由于仿真中没有应用网格细化,图连通性在所有时间步长中保持不变。节点和边特征表示感兴趣的物理场信息,并随时间动态变化,描述了图的当前状态。

我们按如下方式编码图特征:节点特征基于每个网格节点的增量位移定义。具体来说,对于给定的节点 在时间步长 ,节点特征向量定义为:,其中 , 和 分别表示从上一个时间步长 到当前时间步长 的x、y和z方向的增量位移。这些组件被连接成一个三维特征向量,作为GNN模型的输入。为了实现平移不变性,节点特征中不包括绝对节点坐标。相反,我们使用节点之间的相对距离来编码几何特征,并将其包含在边特征中。具体来说,对于一条边 ,时间 的边特征向量包括8个组件, ,其中 表示连接节点之间的x、y和z方向的相对距离, 表示相应的欧几里得距离。边特征向量包括时间 和初始时间步长的信息。这些信息描述了组件在冲击过程中的当前形状及其原始形状。根据输入的节点和边特征,模型预测一组更新的节点特征,即在时间间隔内每个节点的增量位移。图特征是可选的,它可以包括组件级别的标量信息,如总内能和接触力。4.2 多尺度图表示一次消息传递迭代将信息从每个节点传播到其直接相邻的节点。然而,由于材料的刚性,固体力学模拟通常涉及长距离动态,即使节点不是非常接近,它们也可能相互影响。更糟糕的是,车辆部件的碰撞模拟通常需要细粒度网格配置。这意味着为了在图中传播信息,可能需要数百次消息传递迭代。为了减少计算负担并提高模型效率,使用了多尺度消息传递,类似于MS-MGN [29]。在这里,消息既在细尺度图上进行以捕获局部特征,也在多个粗化级别上进行以加快信息传播速度。这种消息传递策略在4.3节中有详细说明。为了解决与固体力学相关的问题,粗化图需要保持整个组件结构并维持网格的相对均匀性。因此,使用具有较大元素大小的FE网格来创建粗化图。图5展示了B柱模型的图粗化过程。在每个图粗化级别中,元素大小增加2倍,导致节点总数减少4倍。经过3次粗化迭代后,节点数从大约3500个减少到90个,同时保持了整体形状和相对均匀的节点分布。下载:下载高分辨率图像(160KB)下载:下载全尺寸图像图5. B柱组件的图粗化演示。这些粗化图是从具有初始几何设计的基准样本生成的。这是通过网格变形生成数据集所使用的基准样本。因此,所有样本的细图都被降采样到相同的粗化图集合。选择这种方法有两个原因:首先,在组件设计优化任务中,尽管样本之间的设计特征有所不同,但所有样本都表现出相似的整体结构;其次,这确保了粗化层中边的数量固定,从而显著提高了跨图消息传递的准确性和效率。这将在4.3.4节中进一步解释。我们使用图U-Net架构,具有多个下采样和上采样层。为了在不同级别的图之间传递信息,在细图和粗图之间连接边。图6说明了两个不同级别之间的边连接。跨图边通过将细图中的每个节点与其在相应粗图中的k个最近邻居连接起来实现,基于空间邻近性。图6展示了单个节点的跨图边连接示例。这种方法确保了细层中的每个节点都保持与粗层的连接,避免了在下采样和上采样过程中的信息丢失。下载:下载高分辨率图像(97KB)下载:下载全尺寸图像图6. 图下采样和上采样过程中的跨图边连接示例,在这个例子中,一个细图节点连接到3个最近的粗图节点。4.3 循环图U-Net在本节中,将详细介绍ReGUNet的架构。首先提供架构的概述,然后是模型每个组件的详细信息。4.3.1 ReGUNet的整体架构ReGUNet旨在预测具有时间序列结构的时间图。先前的研究[11,17]已经证明了循环架构在时间预测任务中的性能改进,因此ReGUNet以循环方式运行。图7a)展示了ReGUNet在预测具有时间步长的图序列时的整体架构。模型的核心是GUNet块,它根据当前时间步长的输入和隐藏状态来预测下一个时间步长。在预测的第一轮迭代中,初始隐藏状态与序列中的第一个图一起输入。对于每个时间步长,GUNet接收来自上一个时间步长的隐藏状态。然后它输出更新的隐藏状态,这直接输入到下一个迭代中,以及下一个时间步长的节点特征。与Piers [17]类似,隐藏状态用边特征更新。为了最佳的计算效率,我们采用了一个简单的RNN层来更新隐藏状态,因为本研究中涉及的时间序列相对较短。这将在4.3.3节中更详细地解释。作为一个多尺度架构,循环消息传递在最细和最粗的层次上进行。整体隐藏状态包括两组隐藏状态矩阵,分别对应最细和最粗的层次。进行多轮节点特征预测,直到达到最终时间步长。下载:下载高分辨率图像(755KB)下载:下载全尺寸图像图7. a) 图序列预测的整体循环架构,b) 从到的个别GUNet块的架构。图7b) 展示了GUNet块内的内部架构。在时间步长,输入图及其节点和边特征矩阵和(以及可选的图特征向量)首先通过编码器,将输入特征编码到潜在空间,表示为和。然后与上一个时间步长的细层隐藏状态一起,使用带有消息传递步骤的循环消息传递(Re-MP)层更新编码后的节点和边特征。Re-MP层返回第层的更新特征和,以及隐藏状态,这些直接输入到下一个时间步长。接下来是多个下采样层,将信息传播到最粗的图。下采样层的数量取决于FE模拟数据的网格密度。通常,更密集的网格需要更多的图下采样层次来在最粗的层次上实现高效的长距离消息传递。在图7所示的示例中,使用了三个下采样层,包括一个消息传递下采样层(DS-MP)和两个不可共享权重下采样层(DS-NW)。DS-NW为所有通道中的每个跨图边分配一个唯一的权重,使得非线性关系的消息传递更加准确。这导致了一个限制,即所有输入样本必须包含固定数量的边,以便与DS-NW的权重矩阵兼容。请注意,对于不可共享权重层,不考虑边特征,因为使用的是常见的粗化图。为了解决这个限制,在第一个下采样层中采用了更通用的下采样方法DS-MP。这种方法利用了基于MLP的消息传递机制,类似于Re-MP层,能够处理具有不同节点和边数量的图结构。因此,模型可以适应以前未见过的形状和连接性的几何形状,增强了其在多样化和复杂网格配置中的适用性。在最粗层次上的Re-MP中,尽管使用图内边特征进行消息传递,但它在不同样本之间保持不变。由于边特征不是变量,因此没有包括在图7b)中。下采样后,特征通过另一个带有消息传递步骤的Re-MP层进行处理。这一层在对粗化图进行消息传递的同时,更新粗层隐藏状态矩阵。由于粗图小得多,可以选择比更大的,而不会显著牺牲性能。然后使用一组与下采样层对称的上采样层对更新后的特征进行上采样。在每个上采样层之前,使用跳过连接来促进长距离信息传递,形成U-Net架构。最终的上采样节点特征通过Re-MP层的步骤进行消息传递处理,然后与隐藏状态和之前更新的边特征一起输入到解码器中,返回当前时间步长的最终节点预测,即每个节点的增量位移场。这也是下一个时间步长的节点输入,用于自回归预测。下一个时间步长的边特征可以根据部件的变形形状计算得出。4.3.2 编码器和解码器与GNS [33]类似,编码器将图特征编码到潜在空间中,通道数为。具体来说,节点、边和图特征分别用3个MLP序列编码,每个序列由4个全连接层组成,后接ReLU激活函数。采用层归一化来提高训练期间的稳定性。编码器可以定义为:(2)其中,分别是编码的节点、边和图特征。解码器架构取决于模型所需的输出。如果仅需要节点级预测,则解码器由单个节点级MLP组成。当需要节点级和图级输出时,引入了一个额外的图级MLP分支。Re-MP层的输出不仅输入到节点MLP中进行最终节点预测,还通过对所有节点进行平均池化来形成图级潜在特征。然后将其与编码的图特征连接起来,并通过图MLP处理以获得图级输出。图8展示了编码器和解码器的示意图。图级分支是可选的,仅在需要图级响应的任务中激活。下载:下载高分辨率图像(69KB)下载:下载全尺寸图像图8. a) 编码器的示意图,b) 解码器的示意图。4.3.3 循环消息传递层如图7所示,ReGUNet在最细层次和最粗层次都采用了循环消息传递(Re-MP)层。首先提供架构的概述,然后是模型每个组件的详细信息。4.3.1 ReGUNet的整体架构ReGUNet旨在预测具有时间序列结构的时间图。先前的研究[11,17]已经证明了循环架构在时间预测任务中的性能改进,因此ReGUNet以循环方式运行。图7a)展示了ReGUNet在预测具有时间步长的图序列时的整体架构。模型的核心是GUNet块,它根据当前时间步长的输入和隐藏状态来预测下一个时间步长。在预测的第一轮迭代中,初始隐藏状态与序列中的第一个图一起输入。对于每个时间步长,GUNet接收来自上一个时间步长的隐藏状态。然后它输出更新的隐藏状态,该状态直接输入到下一个迭代中,以及下一个时间步长的节点特征。与Piers [17]类似,隐藏状态用边特征更新。为了避免GRU层,我们采用了一个简单的RNN层来更新隐藏状态,以实现最佳的计算效率,因为本研究中涉及的时间序列相对较短。这将在4.3.3节中更详细地解释。作为一个多尺度架构,在最细和最粗的层次都进行循环消息传递。整体隐藏状态包括两组隐藏状态矩阵,分别对应最细和最粗的层次。进行多轮节点特征预测,直到达到最终时间步长。下载:下载高分辨率图像(755KB)下载:下载全尺寸图像图7. a) 图序列预测的整体循环架构,b) 从到的个别GUNet块的架构。图7b) 展示了GUNet块内的内部架构。在时间步长,输入图及其节点和边特征矩阵和(以及可选的图特征向量)首先通过编码器,将输入特征编码到潜在空间,表示为和。然后将编码后的节点和边特征与上一个时间步长的细层隐藏状态一起,通过带有消息传递步骤的循环消息传递(Re-MP)层进行更新。Re-MP层返回第层、和的更新特征,以及隐藏状态,这些直接输入到下一个时间步长。接下来是多个下采样层,将信息传播到最粗的图。下采样层的数量取决于FE模拟数据的网格密度。通常,更密集的网格需要更多的图下采样层次来在最粗的层次上实现高效的长距离消息传递。在图7所示的示例中,使用了三个下采样层,包括一个消息传递下采样层(DS-MP)和两个不可共享权重下采样层(DS-NW)。DS-NW为所有通道中的每个跨图边分配一个唯一的权重,从而使非线性关系的消息传递更加准确。这导致了一个限制,即所有输入样本必须包含固定数量的边,以便与DS-NW的权重矩阵兼容。请注意,对于不可共享权重层,不考虑边特征,因为使用的是常见的粗化图。为了解决这个限制,在第一个下采样层中采用了更通用的下采样方法DS-MP。这种方法利用了基于MLP的消息传递机制,类似于Re-MP层,能够处理具有不同节点和边数量的图结构。因此,模型可以适应以前未见过的几何形状和连接性,增强了其在多样化和复杂网格配置中的适用性。在最粗层次上的Re-MP中,虽然使用图内边特征进行消息传递,但它在不同样本之间保持不变。由于边特征不是变量,因此没有包括在图7b)中。下采样后,特征通过另一个带有消息传递步骤的Re-MP层进行处理。这一层在对粗化图进行消息传递的同时,更新粗层隐藏状态矩阵。由于粗图小得多,可以选择比更大的,而不会显著牺牲性能。然后使用一组与下采样层对称的上采样层对更新后的特征进行上采样。在每个上采样层之前,使用跳过连接来促进长距离信息传递,形成U-Net架构。最终的上采样节点特征通过Re-MP层的步骤进行处理,然后与隐藏状态和之前更新的边特征一起输入到解码器中,返回当前时间步长的最终节点预测,即每个节点的增量位移场。这也是下一个时间步长的节点输入,用于自回归预测。下一个时间步长的边特征可以根据组件的变形形状计算得出。4.3.2 编码器和解码器与GNS [33]类似,编码器将图特征编码到潜在空间中,通道数为。具体来说,节点、边和图特征分别用3个MLP序列编码,每个序列由4个全连接层组成,后接ReLU激活函数。采用层归一化来提高训练期间的稳定性。编码器可以定义为:(2)其中,分别是编码的节点、边和图特征。解码器架构取决于模型所需的输出。如果仅需要节点级预测,则解码器由单个节点级MLP组成。当需要节点级和图级输出时,引入了一个额外的图级MLP分支。Re-MP层的输出不仅输入到节点MLP中进行最终节点预测,还通过对所有节点进行平均池化来形成图级潜在特征。然后将图级分支与编码后的图特征连接起来,并通过图MLP处理以获得图级输出。图8展示了编码器和解码器的示意图。图级分支是可选的,仅在需要图级响应的任务中激活。下载:下载高分辨率图像(69KB)下载:下载全尺寸图像图8. a) 编码器的示意图,b) 解码器的示意图。4.3.3 循环消息传递层如图7所示,循环消息传递(Re-MP)层在U-Net的最细层次和最粗层次都得到应用。第一个Re-MP层的目的是在下采样步骤之前聚合信息。原因是几何信息仅以边特征的形式编码。为了在最粗的尺度上进行空间计算,这些信息必须首先整合到节点特征向量中,因为下采样操作符只将节点特征传递到下一个层次。此外,Re-MP层可以聚合和编码重要的非平滑局部特征,否则这些特征可能会在下采样过程中丢失。由于细图中边过多,这一层中的消息传递步骤数量应该最小化,以提高整体模型效率。最粗层次中的Re-MP层在架构中起到瓶颈的作用。这一层通过消息传递步骤传播和更新集中的节点特征,以模拟输入特征和输出特征之间的映射。由于边数减少,这一层中的消息传递非常高效,可以选择更大的。详细的超参数调整将在5.3节中解释。在上采样到最细层次之后,再使用另一个Re-MP层,同时使用跳过连接引用初始特征。每个Re-MP层由一个循环边块和一个节点块组成,迭代更新边和节点特征。顾名思义,Re-MP层通过在时间步长间更新隐藏状态来引入循环操作。两组隐藏状态通过时间传播:一组在最细层次,另一组在最粗层次。隐藏状态矩阵与输入边特征一起输入到边块中。在每次消息传递迭代中,特征首先通过边块更新边信息和隐藏状态。边块的详细算法可以表示为:(3)其中是更新后的边特征矩阵,和是所有边的发送者和接收者节点的节点特征矩阵,是隐藏状态,是更新的隐藏状态。请注意,隐藏状态与边特征矩阵具有相同的维度,在时间初始化为0,并在每个时间步长迭代更新以传递局部历史信息。更新后的边信息随后被用于节点模块中,以聚合和更新节点特征,这可以描述为:(3a)其中是连接任意节点的边集。图9展示了Re-MP层的架构。下载:下载高分辨率图片(77KB)下载:下载全尺寸图片图9. 循环消息传递层的架构示意图。通过在图中堆叠一系列Re-MP层来实现多次消息传递。每个Re-MP层中的消息传递步骤数量作为超参数进行调整,这将在第5.3节中详细讨论。当层数增加时,模型可能会遇到梯度消失的问题。为了解决这个问题,在每个Re-MP层中通过结合输入和输出添加了残差连接。这种技术在深度神经网络[46]和图神经网络[31]中被广泛采用,作为缓解梯度消失问题并实现更深层架构的有效方法。4.3.4. 下采样和上采样层如前所述,粗化图是使用软件生成的FE网格构建的,这些网格在数据集中的所有样本之间是共享的。然而,每个样本的输入图都有自己的网格配置,因此包含不同的连接模式和不同数量的图中边。因此,输入图与第一个粗化图之间的图间连接也不同。为了处理这个问题,该架构不假设固定的输入图拓扑。从输入图到第一个粗化图的下载是使用消息传递下采样层(DS-MP)来执行的,它可以处理任意的图间连接。相比之下,不可共享的权重下采样/上采样层(DS-NW / US-NW)仅在共享的粗化图之间使用,其中图间拓扑在样本之间是固定的。因此,固定拓扑的要求仅适用于共享的粗化层,而不适用于原始输入图。DS-MP层类似于在图中执行消息传递的Re-MP层。DS-MP层通过图间边传播节点特征,这些特征包括4个通道,即x、y和z方向上的相对距离以及欧几里得距离。每个DS-MP层只执行一次消息传递,因此不使用残差连接。在第一个下采样层之后,使用DS-NW层在粗化图之间进行下采样。受MAg层[13]的启发,DS-NW首先为每条边分配一个唯一的权重向量以进行特征更新,使得权重矩阵不可共享。为每条边分配唯一的权重允许更精细的特征聚合,使模型能够捕获和适应数据中的更复杂模式。权重矩阵可以表示为,其中是边的数量,和是输入到该层的通道编号。与标准的U-Net类似,每个下采样层都将通道数量增加2倍。DS-NW特别适合于具有大量通道的特征聚合,因为它为每条边分配了通道级别的权重。然后DS-NW将更新的特征聚合到相邻节点。这些算法可以表示为:(5)其中是通过从发送节点到接收节点的边传播的更新后的节点特征,是节点特征向量的第通道分量,是对应于边的权重矩阵的第通道分量,是所有接收节点的最终聚合节点特征矩阵,是连接到接收节点的发送节点集合。然后通过LeakyReLU激活函数传递聚合后的特征以引入非线性。与DS-MP相比,DS-NW的优势在于不可共享的权重矩阵使得多通道计算的特征更新更为准确且直接。每个唯一的权重分量都是完全可训练的,从而提高了性能同时保持了高效率。然而,这种方法的泛化能力较差,因为它要求边的数量保持不变。训练好的权重矩阵不能直接用于具有不同边的其他样本。因此,DS-NW仅适用于在常见共享的粗化图之间的下采样和上采样。相比之下,DS-MP基于MLP更新特征,因此可以应用于不同数量的边,而不受图大小的影响。在聚合之前考虑边特征进一步增强了这种方法的泛化能力。因此,消息传递下采样/上采样层用于最细的层次,而不可共享权重方法应用于较粗的层次。为了总结这一部分,我们强调了ReGUNet相对于现有方法的关键创新。与之前的基于循环的GNNs[17]不同,ReGUNet在分层U-Net架构的最细和最粗的尺度上都集成了循环。此外,ReGUNet采用了专门的不可共享权重策略进行图的下采样和上采样,使得与现有的多尺度图基模型[28,29]相比,能够更精确地传递消息以捕获复杂的非线性关系。5. 结果与讨论ReGUNet旨在进行时间预测,可以使用教师强制、自回归展开或预定采样方法进行训练。对于教师强制方法,在每个时间步骤中,模型的预测基于图序列的真实输入,而不是其之前的预测。这种训练技术通过提供正确的中间输入来指导模型,有助于更快地学习并减少训练过程中累积错误的风险。自回归展开训练方法涉及根据模型对上一时间步的预测重新计算输入图。这种方法也用于模型评估,其中只向模型提供每个序列的初始图。然后模型使用自己对初始图的预测来生成第二个图,这个过程不断迭代,直到整个序列结束。这种方法会导致后期时间步骤的错误累积,可能会影响训练稳定性。作为折中方案,也测试了预定采样训练方法。预定采样在教师强制和自回归训练之间进行插值,在每个时间步骤中随机选择是向模型提供真实图还是其之前的预测,随着训练的进行,使用预测的概率逐渐增加。这减少了暴露偏差,并鼓励模型对其自身的预测误差具有鲁棒性。在本节中,除非另有说明,否则默认使用教师强制作为训练策略,因为它提供了最直接和可控的训练设置,以便于模型之间的公平比较,并允许比较研究集中在目标组件本身上。训练过程中使用均方误差(MSE)作为损失函数。5.1. 基线模型比较ReGUNet与5个基线模型进行了比较,以评估其性能。在本节中,使用案例研究1,并且只预测和评估节点级别的输出。基线1是一种CNN架构,具体来说是由Li等人[12]提出的用于抗撞性预测的Res-SE-U-net。该模型接收4个通道的输入图像,包括一个形状图像和3个位移图像。形状图像是从z方向变形组件形状的2D投影,位移图像是上一个时间步骤的x、y和z方向的增量位移场。基线2是MGN[27]的一个变体架构,它是一种基于编码器-处理器-解码器的GN模型。基线3是Piers[17]的一个变体,包括一个用于边循环功能的GRU层。由于输出预测和比较的公平性问题,仅采用了神经网络架构,在本研究中没有使用基于物理的损失函数。基线3是一个定制的GN模型,它使用Re-MP层在时间步骤之间引入了简单的循环。基线命名为ReGNet。ReGNet和ReGUNet之间的主要区别在于ReGNet仅在原始图上操作,不进行任何下采样。基线3具有与ReGUNet类似的U-Net架构,但在时间步骤之间没有循环。该模型命名为GUNet。基线1、2和3可以被视为外部基线模型,其中ReGNet和GUNet是ReGUNet的变体。基线4和5与ReGUNet之间的比较是一个消融研究,通过引入下采样层和隐藏状态传播,清晰地可视化了性能的提升。所有6个模型使用相同的超参数设置训练了1000个周期。批量大小、学习率计划、优化器和损失函数在表1中详细列出,以确保公平和可重复的比较。表1. 训练超参数。超参数值批量大小2学习率(1-500周期)0.0004学习率(501-1000周期)0.0002优化器Adam损失函数均方误差(MSE)基线模型和ReGUNet的架构配置在表2中进行了总结。对于Res-SE-U-Net,使用5个下采样和上采样层在瓶颈处达到128个通道。对于MGN、Piers和ReGNet,编码器将输入特征映射到一个具有128个通道的潜在空间,类似于[17,27]。已经验证这是最佳通道数量,因为进一步增加会导致GPU内存消耗过多。隐藏状态维度与边特征维度保持相同。上述GNN模型使用15个消息传递步骤。GUNet和ReGUNet使用分层结构:编码器从32个通道开始,在每个不可共享权重下采样层中通道数量翻倍,在最粗的层达到128。GUNet和ReGUNet在最细的层使用1个消息传递步骤,在最粗的层使用15个步骤。表2. 模型架构总结。模型隐藏通道数量循环下采样策略消息传递步骤Res-SE-U-Net8, 16, 32, 64, 128无分层(5层)N/AMGN128无无15Piers128GRU无15ReGNet128简单RNN无15GUNet32, 64, 128无分层(3层)1(细),15(粗)ReGUNet32, 64, 128简单RNN分层(3层)1(细),15(粗)所有模型都以教师强制的方式训练了1000个周期,但在训练后使用自回归推理进行评估。通过计算每个时间步骤中真实值和预测之间的平均点对欧几里得距离来评估预测准确性,对所有节点和所有样本进行平均。对于给定的时间步骤,对所有样本进行平均:(6)其中和x分别是预测和真实的节点特征。对于CNN基线,执行图像到节点的插值以实现公平比较。图10 a)显示了所有模型在12个时间步骤中的错误累积。图10 b)显示了所有模型在最终时间步骤中整个数据集的错误分布。下载:下载高分辨率图片(395KB)下载:下载全尺寸图片图10. 基线模型之间的比较,方面是12个时间步骤中的错误累积,另一方面是最终时间步骤的错误分布,以平均欧几里得距离表示。如图10 a)所示,由于自回归展开的复合效应,所有模型的预测误差随时间增加。然而,不同架构之间的性能差异明显。CNN基线在时间步骤中的预测误差增长最大,表明在自回归展开下保持时间一致性的能力有限。然而,其图10 b)中的错误分布相对较窄,表明预测不准确但稳定。MGN在后期时间步骤中显示出比CNN更高的准确性,反映了基于图的时空推理的优势。尽管如此,随着展开的进行,其错误仍然迅速累积,突显了纯局部消息传递在长预测范围内的局限性。Piers在后期时间步骤中的预测准确性可与ReGNet相媲美,并且在某些方面优于MGN,但代价是GPU内存消耗显著增加,这将在后面详细讨论。MGN、ReGNet、GUNet和ReGUNet之间的比较形成了一个结构化的消融研究,以隔离时间循环和图下采样的效果。ReGNet通过引入时间循环扩展了MGN的功能,使得隐藏状态能够在时间步骤之间传播。这种设计大大降低了错误累积的速度,如图10 a)中预测误差增长较慢所示,特别是在后期时间步骤。相比之下,GUNet在没有时间循环的情况下采用了分层图下采样。虽然GUNet在早期时间步骤中的错误较低,但其预测误差随时间的增长更快,最终超过了ReGNet。这表明在没有递归的情况下,时间误差的传播更为严重。尽管如此,通过比较MGN和GUNet以及ReGNet和ReGUNet,可以突出图降采样带来的好处。在这两种情况下,降采样的变体都一致地实现了更低的预测误差,并且在所有时间步骤中表现出更慢的误差增长。这证明了分层降采样通过扩展有效的感受野显著增强了空间信息传递,使得长时间范围内的交互作用能够被捕获,而这些交互作用仅靠单分辨率的信息传递是无法有效实现的。这些趋势通过图10 b)中显示的最终时间步误差分布得到了进一步的验证。基准模型的误差分布更广,而ReGUNet实现了最低的中位误差和最窄的四分位距,表明其具有更高的准确性和鲁棒性。值得注意的是,尽管ReGNet的中位误差低于GUNet,但其较宽的误差分布反映了由于缺乏空间降采样而增加的不确定性。总体而言,这些结果表明时间递归主要减少了长期误差的积累,而图降采样则改善了空间信息传递和预测的可靠性。图11比较了消融系列中4种模型——MGN、ReGNet、GUNet和ReGNet在最终时间步的真实值和预测的总z位移等高线。选取了一个代表性的验证样本进行定性说明。可以得出两个关键观察结果。首先,对于仅基于细粒度图且不进行降采样的MGN和ReGNet,误差场主要由具有相同误差符号的大范围、空间连贯区域主导。这是因为这些模型中的信息传递步骤不足。在细粒度图中,由于节点密度更高且边连接较短,需要更多的信息传递步骤才能将信息传递到物理上相距较远的节点。在15个信息传递步骤的情况下,信息在细粒度图中的传输距离非常有限,导致预测不够准确。进一步增加信息传递步骤的数量会导致GPU内存和推理时间的显著增加。相比之下,使用图降采样的GUNet和ReGUNet显示出更好的等高线一致性并减少了大尺度偏差。降采样在粗粒度图上增加了每个信息传递步骤覆盖的物理距离,使得在相同的步骤数量下信息能够传播到更广泛的空间范围。

其次,还可以注意到MGN和GUNet的最终预测图中存在严重的散布型错误,导致图形出现随机波动。由于这两种模型都缺乏时间递归,它们的预测对自回归过程中的局部不一致更新更为敏感,从而导致图结构不那么平滑和连贯。与由信息传递步骤不足引起的大尺度误差模式不同,这些错误主要影响局部特征预测。它们源于随时间积累的小误差,这些小误差在后期时间步骤中变得显著。隐藏状态的递归,其中包含了来自之前时间步骤的历史信息,有助于减轻随时间积累的误差。因此,具有递归的模型能够产生更平滑的图结构预测。

所有模型的训练都是使用Nvidia A100 GPU进行的。表3总结了所有模型在效率和准确性方面的比较。报告的均值和95%置信区间(CI)是使用非参数自助法重采样(B=10,000次重采样)计算得出的。在外部基准模型中,尽管基于图像的Res-SE-U-Net的误差范围最小,但其验证误差均值最高(2.17毫米),表明其在自回归推理下保持长期结构演变的能力有限。MGN提高了准确性(1.92毫米),但仍然表现出较大的误差分散(0.68毫米),表明其鲁棒性较低。Piers实现了具有竞争力的准确性(0.95毫米),但需要最大的GPU内存占用(32.1 GB)和最长的每个epoch的训练时间(1.46分钟),突显了性能与计算成本之间的明显权衡。这是由于GRU层的复杂性所致。

MGN、ReGNet、GUNet和ReGUNet构成了一个受控的消融实验,用于隔离递归和图降采样的效果。将MGN与GUNet进行比较表明,降采样显著减少了GPU内存使用(从15.9 GB减少到8.7 GB),同时提高了准确性(从1.92毫米减少到1.20毫米),反映了更好的可扩展性和更长的空间信息传递能力。将MGN与ReGNet进行比较表明,引入递归提高了长期预测的准确性(从1.92毫米减少到0.92毫米),尽管计算成本略有增加(从15.9 GB增加到20.3 GB;每个epoch从1.00分钟增加到1.24分钟)。关键的是,将这两种机制结合在ReGUNet中,获得了最强的整体性能。与GUNet相比,添加递归将平均验证误差从1.20毫米减少到了0.44毫米(约减少了63%)。与ReGNet相比,引入降采样将误差从0.92毫米减少到了0.44毫米(约减少了52%),同时也减少了GPU内存消耗(从20.3 GB减少到9.5 GB)。此外,ReGUNet还表现出紧密的误差分布(标准差0.14毫米)和最窄的95%置信区间[0.40, 0.48]毫米,表明其不确定性降低,预测更加可靠。最后,与ReGUNet相比的成对p值远低于所有竞争方法的常规显著性阈值,提供了强有力的统计证据,表明观察到的改进并非偶然。总体而言,ReGUNet在准确性、鲁棒性和计算效率之间提供了最佳平衡。

在本节中,通过案例研究1评估了不同的跨图信息传递方法,即不同分辨率之间的信息传输。为了隔离跨图信息传递的效果,评估了4个非递归变体,以便将性能差异主要归因于降采样策略而非递归。第一个变体No DS对应于仅在细粒度图上操作的MGN风格模型。第二个变体Variable DS-MP使用分层表示,其中每个降采样图是通过独立的基于软件的重网格化生成的,类似于[29]中的方法。重网格化使用Hypermesh完成,确保粗粒度图保留了细粒度图的精确几何形状,但在连接性上有所不同。在这种情况下,只有DS-MP可以在所有层级链接上进行跨图信息传递,因为边缘数量不同。第三个变体Fixed DS-MP使用所有样本共享的单一基准层次结构,同样采用DS-MP进行跨图信息传递。最后,Fixed DS-MP/NW对应于前一段中的GUNet设置,其中跨图传输是通过共享基准层次结构上的DS-MP和DS-NW组合处理的。

图12 a)显示了自回归推理下的误差累积曲线,图12 b)报告了最终时间步的误差分布。首先,引入多分辨率层次结构明显有益。所有降采样变体在所有时间步骤中的表现都优于No DS,表明降采样改善了长距离信息传递并提高了预测准确性。这与直觉相符,即在细粒度图上,适量的信息传递步骤只能覆盖有限的物理范围,而粗化有效地扩大了感受野。

其次,在这个案例研究中,变量降采样图和固定降采样图之间的选择对平均误差轨迹只有轻微的影响。Variable DS–MP和Fixed DS–MP随时间的平均误差增长非常相似。然而,如图12 b)所示,Fixed DS–MP变体在最终时间步显示出明显的更宽误差分布。这表明当强加单一共享层次结构时,样本间的鲁棒性降低了。此外,时间曲线显示了固定层次结构的轻微但可见的泛化差距,表明存在轻微的过拟合。尽管如此,这种差距仍然有限,意味着使用共享的基准层次结构仍然是一个合理且可扩展的设计选择。然而,为了使用DS-NW,需要固定粗化层次的连接性,因为它依赖于特定的边权重分配。可以观察到,用DS-NW替换粗化层次中的DS-MP可以带来最大的改进。Fixed DS-MP/NW模型在所有时间步骤中始终实现了最低的累积误差,并且同时产生了比DS–MP变体更紧凑的最终时间步结果。这表明NW机制不仅减少了平均误差,还通过抑制样本间的变异性提高了可靠性。总体而言,这些结果表明,虽然分层降采样是实现长距离空间推理的关键,但DS-NW对于准确和稳定的跨图信息传递至关重要,从而导致最低的平均误差。请注意,当前的基准测试评估了形状变化适中的样本,其中几何形状大致相当。这些趋势在更大几何变化下的变化将在未来的工作中进行探索。

为了获得ReGUNet的最佳性能,确定超参数的最优组合至关重要,包括消息传递层Pf和Pc的数量、每个节点在细粒度图和粗粒度图之间的跨图边数k的数量以及通道数量。该模型使用由Google Colab提供的Nvidia T4 GPU和16 GB RAM进行训练。本节中使用的随机种子是36,每次运行随机种子的变化效果在附录B中呈现。首先,研究了通道数量对模型性能的影响。编码器的通道数量在16、32、64之间变化。在2个不可共享的权重降采样层之后,最粗粒度层的通道数量达到64、128、256。表4总结了不同通道数量下的模型效率和准确性。消息传递步骤保持恒定,Pf=1和Pc=15;每个节点的跨图边数保持为k=6。当通道数量增加到64 - 256时,GPU内存消耗超过了16 GB的限制,使得模型无法执行。比较16 - 64和32 - 128,后者尽管在GPU内存和训练时间方面的权衡不大,但验证误差更低。因此,选择32 - 128进行进一步校准。

接下来,测试了3到12之间的四个k值,以确定最优的跨图边数。两个图之间的跨图边数越多,接收节点从发送节点接收的信息就越多。与之前一样,Pf和Pc分别保持为1和15。表5和图13显示了k对模型性能的影响,包括验证准确性和效率。可以观察到,当k超过6时,训练时间和内存消耗都会迅速增加,但随着k的增加,验证误差的减少逐渐减小。这表明,虽然增加k最初提高了模型的准确性,但超过某个点后,计算成本超过了性能收益。因此,选择k=6进行进一步校准。

最后,确定了消息传递步骤Pf和Pc的最优数量。评估了八种消息传递步骤的组合,其中Pc取5、10、15和20的值,Pf设置为1和2。较大的Pf会导致内存消耗超过可用限制,因为在细粒度图上的信息传递计算成本更高。表6和图14总结了消息传递步骤与模型性能之间的关系。可以观察到,当Pf=2时,验证误差减少,同时训练时间略有增加。对于Pc,10次消息传递步骤显示出最佳的预测准确性和最低的GPU内存消耗。同时,训练时间显著低于Pc为15和20的情况。更多消息传递步骤导致误差增加的原因可能是过度平滑问题。当经过一定数量的层次后,节点特征变得越来越相似,使得模型难以区分不同的节点。随着消息传递的继续,节点特征趋于一致,降低了模型捕获局部差异的能力。还可以观察到,将消息传递层的数量增加到20次会略微恢复验证性能。这可能是因为额外的消息传递步骤使模型能够捕捉图结构中更复杂或更远的依赖关系。因此,最终选择的优化参数是 fine 级别的2次和 coarse 级别的10次消息传递步骤。

表6. 消息传递步骤数量对模型性能的影响。
空单元格
GPU内存 / GB
每个时代的时间 / 分钟
平均验证误差 / 毫米
空单元格
Pf=1
Pf=2
Pf=1
Pf=2
Pf=1
Pf=2
Pc=5
7.39
9.20
0.76
0.98
0.40
0.36
Pc=10
7.09
9.61
1.10
1.26
0.38
0.30
Pc=15
8.51
10.11
1.40
1.63
0.45
0.36
Pc=20
8.71
10.11
1.73
1.86
0.44
0.34

下载:下载高分辨率图像(342KB)
下载:下载全尺寸图像

图14. 说明了消息传递步骤数量对模型性能的影响,包括a) GPU内存消耗、b) 训练时间和c) 以平均欧几里得距离表示的验证误差。

最后,选择了每个发送节点具有6个跨图边、通道数量从32到128、以及fine和coat级别分别为2次和10次消息传递步骤的模型作为最终调优的模型。图15首先比较了调优模型和未调优模型在训练集和验证集上的误差累积情况。与未调优模型相比,误差累积显著减少,表明调优过程通过最小化误差传播有效提高了模型性能,从而得到了更准确和一致的预测。此外,还对调优模型进行了测试集的进一步评估。图15中也绘制了测试集上的平均误差累积情况。可以观察到,与验证集相比,在后期时间步骤中平均欧几里得距离有非常轻微的增加,最终测试误差达到0.32毫米。这证明了模型能够在之前未见过的样本上进行泛化并做出准确预测。

下载:下载高分辨率图像(276KB)
下载:下载全尺寸图像

图15. 超参数调优后ReGUNet的误差累积情况,以平均欧几里得距离表示。

图16 显示了测试集中代表性样本的总z位移场的预测结果。可以观察到预测值与真实值之间有很好的一致性。此外,模型还能够捕捉到由于组件设计变化而引起的变形场变化。用于评估抗撞性性能的一个关键指标是B柱的最大侵入量,定义为碰撞测试中B柱的最大z位移。这是从每个样本的最后一个时间步提取的最大z位移值。每个样本的百分比误差计算为 |z^max?zmax|÷zmax|×100%,其中z^max和zmax分别表示预测值和真实值的最大z位移。所有测试集中B柱侵入量的平均百分比误差为0.74%。为了量化随机训练效应引起的批次间变化,使用不同的随机种子对模型进行训练和评估。结果表明,性能改进在多次训练中是可重现的,并不是由单一有利种子驱动的。更多细节可以在附录B中找到。测试集中一个代表性样本的动态行为的完整预测在附录C中提供。

下载:下载高分辨率图像(2MB)
下载:下载全尺寸图像

图16. 代表性测试样本的总z位移的实测值与预测值之间的差异(单位:毫米)。

5.4 训练策略的影响
本研究考虑了三种用于学习时间碰撞响应的训练策略:教师强制(teacher forcing)、定时采样[scheduled sampling [47]和展开(ROLLOUT,完全自回归)训练。所有训练模型都在相同的自回归推理设置下进行评估。教师强制通过将每个预测值条件化为上一个时间步的真实状态来训练模型。虽然这种方法通常能带来快速稳定的优化,但它引入了训练和推理之间的不匹配。这是因为在测试时,模型必须基于自己的预测来进行推理,而不是真实值。这种“暴露偏差”在图17a)中有所体现,其中教师强制模型随时间的变形误差增加最明显;而在图17b)中,最终步骤的验证误差分布比其他策略更高更宽。这表明教师强制在理想输入下可以学习到准确的一步映射,但在闭环展开过程中输入序列逐渐不完美时则不够稳健。

下载:下载高分辨率图像(378KB)
下载:下载全尺寸图像

图17. 不同训练策略的比较:a) 12个时间步长内的误差累积;b) 最终时间步的误差分布,以平均欧几里得距离表示。

定时采样[scheduled sampling [47]在训练过程中结合了教师强制和自回归输入。具体来说,下一个时间的输入由教师强制比率(tf-ratio)控制,选择为真实状态或模型预测。在这种实现中,教师强制比率从1线性衰减到0,因此模型逐渐从完全监督的条件化过渡到完全自回归的条件化。这种方法减少了暴露偏差,同时不会使早期训练变得不稳定。如图17a)所示,定时采样一致地减少了误差累积的斜率;图17b)显示最终步骤的误差平均值更低,不确定性范围也更窄,表明稳定性有所提高。

最后,展开训练在整个训练过程中始终使用tf-ratio=0,意味着模型在构建下一个输入时总是反馈自己的预测。这种策略最接近推理方式,因此直接在与推理相同的条件下优化模型,使用自己的预测作为输入。如图17a)所示,尽管训练误差略高,但展开训练产生的误差增长最慢,验证集的最终步骤变形误差也最低。图17b)中的统计数据显示展开训练获得了最低的平均值和最窄的误差分布。通常,在早期阶段,展开训练在长预测范围内可能会遇到困难,因为早期预测噪声可能会使优化变得不稳定。然而,在这项工作中,预测范围相对较短,误差累积没有增长到导致训练发散的程度。因此,消除训练-测试不匹配的优势使得展开训练成为提高长期一致性的最有效方法。这也可以通过展开训练在训练和验证准确性之间产生的最小泛化差距来证明。

总体而言,这些结果表明,当预测范围适中且底层动态可以在没有严重累积不稳定性的情况下学习时,使训练方式与推理方式相匹配是有益的。定时采样提供了一种稳健的中间解决方案,而完全展开训练通过明确训练模型使其在自身递归预测下保持稳定,从而实现了最佳性能。

5.5 扩展到更广泛的设计空间和多任务输出
在本节中,ReGUNet在案例研究2上进行了训练和评估,该案例涵盖了更广泛的设计空间,需要同时进行节点级和图级的预测,以便进行更全面的抗撞性评估。在每个时间步骤中,模型输出(i)三个节点位移通道和(ii)两个标量KPI,即B柱的内能(此处用作碰撞事件中能量吸收的估计值)和冲击器与组件之间的接触力。与位移场不同,标量KPI以标准化绝对形式(而不是增量形式)进行学习,以减少自回归展开过程中的误差累积并稳定序列级趋势预测。模型采用教师强制训练策略进行训练,超参数与第5.3节中描述的一致。

图18总结了调优模型的预测性能。图18a) 使用自回归推理下预测节点坐标与真实节点坐标之间的平均欧几里得距离报告了变形精度。正如预期的那样,由于误差传播,变形误差随时间增加,但在最后一个时间步仍得到良好控制,低于0.5毫米。图18b)和c)展示了最终步骤预测(Pred)与真实值(GT)标量KPI的散点图,以及决定系数(R2),还包括y=x参考线。模型在内部能量(训练R2=0.942,测试R2=0.892)和接触力(训练R2=0.940,测试R2=0.850)方面达到了 strong 的一致性,表明尽管设计空间扩大,学习到的全局响应趋势仍然具有很好的泛化能力。

下载:下载高分辨率图像(336KB)
下载:下载全尺寸图像

图18. 预测结果的示意图:a) 随时间变化的平均变形误差,预测值与真实值的散点图;b) 内部能量;c) 接触力。

为了进一步解释这些标量结果,图19为三个代表性测试样本提供了时间历史比较。对于能量和力来说,预测轨迹在整个序列中紧密跟踪真实值,捕捉到了整体上升和后期阶段的转向行为。由于力-时间曲线的变化较大,力预测中观察到了较小的偏差,这与图18c)中力的较低测试R2一致。总体而言,这些例子证实了模型不仅匹配了最终步骤的值,还保持了工程响应的时间演变。附录D展示了两个标量输出在中间时间步骤的详细预测精度,包括散点图和R2。

下载:下载高分辨率图像(385KB)
下载:下载全尺寸图像

图19. 三个代表性测试样本的所有时间步的预测能量和力与真实值的比较。

最后,表7使用相对误差(百分比)报告了测试集上三个工程KPI的统计摘要,包括自助法平均值、标准差和95%自助法置信区间。调优模型在最大侵入量方面的平均相对误差较低,特别是在内部能量方面,表明可以从学习到的动态中可靠地估计能量吸收。接触力显示出较高的不确定性,这是由于接触力的整体幅度较小。总体结果表明,ReGUNet在更广泛的设计空间内保持了稳定的变形输出,同时提供了准确且统计上有良好支持的节点位移和关键抗撞性标量的预测。

表7. 工程KPI的误差统计
工程KPI
平均测试误差(自助法)
测试误差的标准差
测试误差的95%自助法置信区间
最大侵入量 / 毫米
1.76%
1.58%
1.31% – 2.21%
内部能量 / 焦耳
0.60%
0.45%
0.48% – 0.72%
接触力 / 千牛
3.59%
3.59%
2.64% – 4.59%

除了准确性之外,还评估了推理时间和内存消耗,以评估ReGUNet的实际效率。在单个NVIDIA T4 GPU上,推理一个完整样本(12个时间步)大约需要1.8秒,GPU内存使用量峰值达到2.5 GB。相比之下,相应的FE模拟在CPU工作站上需要大约5分钟,总运行时间提高了160倍。此外,图构建过程(包括网格加载和图生成)不到1秒,使得整个替代流程比传统的FE工作流程快得多且更轻量级。

6. 结论
在本文中,提出了一种基于GNN的替代模型ReGUNet,用于预测车辆面板组件的抗撞性性能。该模型基于图结构数据运行,这是网格数据的自然适用表示形式。为了提高可扩展性并实现物理距离较远节点之间的有效信息传播,ReGUNet采用分层图降采样策略,生成底层几何体的粗化网格。创建了多个具有不同节点密度的粗化图层,以建立U-Net架构。专门设计的下采样和上采样层被用于在不同层次之间的图中实现高效且准确的信息传递。在最细和最粗的层次上,使用循环式信息传递层来实现图内的循环信息传递。在最粗的层次上,信息传递可以通过较少的步骤在更长的距离上传播特征信息,从而捕捉节点之间的空间长距离依赖性。每个循环信息传递层不仅在执行图内信息传递的同时,还传递包含先前时间步历史信息的隐藏状态。这种循环机制使得在更多时间步骤上的预测更加稳定。通过使用侧面碰撞下热压B柱的有限元数据,ReGUNet能够高精度地预测动态变形行为。与多个基线的比较表明,层次化下采样和循环机制都有助于提高长期稳定性并减少最终步骤的变形误差,相对于基线,在平均欧几里得距离上提高了超过52%。此外,关于跨图信息传递的消融研究显示,用DS-NW替换DS-MP可以提高准确性和鲁棒性,从而减缓随时间的误差增长,并在最终时间步骤获得更窄的误差分布。这突出了所提出的不可共享权重下采样策略的重要性。另外,还评估了不同的训练策略,其中rollout训练为这项研究带来了最佳结果。在超参数调整之后,ReGUNet能够准确且高效地预测整个碰撞模拟中之前未见过的B柱组件的动态变形行为。在第二个具有更广泛设计空间的案例研究中,ReGUNet被扩展用于联合预测节点级位移场和图形级抗撞性关键绩效指标(内能和接触力),与有限元结果有很好的一致性,并在关键工程指标上具有较低的相对误差。总体而言,这些结果表明ReGUNet为组件级抗撞性评估提供了一种快速可靠的替代方法。未来的工作仍有几个有前景的方向。首先,当前的实验考虑了一个相对狭窄的设计空间,主要由几何变化驱动,材料属性、边界和加载条件是固定的。可以通过将额外的设计变量(如材料参数或壁厚)作为条件的输入纳入网络来扩展该框架。这可以通过专门的特征注入模块或基于预训练主干网络的迁移学习策略来实现。其次,层次化图构建将粗级别锚定在单一基准网格上,这可能在泛化到大幅不同的几何形状时导致跨图映射的偏差。将进一步研究更适应性和通用性的下采样策略。此外,尽管目前的方法纯粹是基于数据的,但未来的工作将探索物理感知的增强措施,例如通过引入针对非物理节点穿透的惩罚项或基于全局能量一致性的正则化来提高物理一致性。未来的研究方向还包括探索该模型在多组件模拟中的潜力,通过引入不同的材料属性和更复杂的边界条件。最终,该方法可以应用于整车碰撞模拟,提供更加全面和真实的评估。

图21 图22 图23

作者贡献(CRediT)
李浩然:概念化、数据整理、形式分析、调查、方法学、验证、可视化、撰写——初稿。
赵英雪:概念化、方法学、验证、撰写——审阅和编辑。
周浩苏:概念化、验证、撰写——审阅和编辑。
托比亚斯·帕夫:验证、撰写——审阅和编辑。
李楠:概念化、项目管理、监督、验证、撰写——审阅和编辑。

数据可用性
支持本研究发现的数据将在合理请求下由相应作者提供。

未引用参考文献
[42,43]

CRediT作者贡献声明
李浩然:撰写——初稿、可视化、验证、方法学、调查、形式分析、数据整理、概念化。
赵英雪:撰写——初稿、验证、方法学、概念化。
周浩苏:撰写——审阅和编辑、验证、概念化。
托比亚斯·帕夫:撰写——审阅和编辑、验证。
李楠:撰写——审阅和编辑、验证、监督、项目管理、概念化。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号