科研之友
微信
新浪微博
Facebook
分享链接
摘要
本文提出了一个理论驱动的弹性结构体系图神经网络计算模型StructGNN-E，能够高保真数字化结构体系的拓扑连接关系与构件组成信息，无需外部标签数据即可实现对任意杆系结构体系的弹性内力分析，且计算结果具有理论正确性。首先，总结了结构体系层次的特点，理论分析了常规神经网络的不可行性，进而采用了基于非欧图数据的图神经网络架构，能够有效刻画结构体系的非序列性与非平移不变性。考虑到体系层次数据严重匮乏以及常规智能计算方法忽视力学意义的问题，通过将三大力学方程与深度学习推理过程相结合，提出了适用于体系内力分析的理论驱动模式，实现了不依赖于外部标签数据的智能求解方案。数值试验表明，StructGNN-E模型能够高精度完成杆系结构体系的弹性内力分析，且在大规模框架结构计算中计算效率提升可达36%。最后，通过具体的对比试验，证明了常规深度学习模型与数据驱动模式在体系层次的不适用性，进一步阐释了StructGNN-E模型的有效性与合理性。
- 单位
