基于混合局部–全局注意力的自回归图变换器预测复合材料层合板渐进损伤演化

《COMPUTER METHODS IN APPLIED MECHANICS AND ENGINEERING》：Autoregressive Graph Transformers with hybrid local–global attention for progressive damage evolution in composite laminates

　　

图变换器（Graph Transformer）可在非结构化有限元（FEA）网格上预测渐进破坏演化过程。两阶段解码器（two-stage decoder）预测失效指数（failure index），并在损伤起始后预测损伤增长。相较于参考的渐进损伤有限元（FEA）模拟，该方法实现了5900×的加速比。几何外推至双孔板构型保持了预测精度。自动化的FEA-to-GNN流程可直接从商用求解器构建训练数据。

在工程设计领域，有限元分析（Finite Element Analysis, FEA）作为基于离散化网格求解偏微分方程的数值方法，其非线性增量式分析成本高昂，在设计空间探索、不确定性传播及实时监测中尤为耗时。卷积神经网络（Convolutional Neural Network, CNN）虽能加速模拟，却依赖规则网格，难以直接处理非结构化的有限元网格。算子学习方法在变几何场景下亦受离散化位置固定的约束。图神经网络（Graph Neural Network, GNN）可直接在网格图上运行，然而其消息传递机制本质上是局部的：信息传播受限于跳数，并伴随过压缩（over-squashing，长程信息在消息传递中受损的现象）与过平滑（over-smoothing，节点特征随层数增加而趋同的现象），难以有效捕捉静态平衡问题的长程椭圆特性。更为关键的是，现有研究多局限于静态场预测，而复合材料层合板（composite laminates，由多层纤维增强材料铺叠而成的结构件）中的渐进损伤是一个沿加载历史演化的不可逆过程，具有内在自回归特性：预测误差沿轨迹复合，且损伤演化受失效起始准则严格约束。这一特征使得渐进损伤演化预测超出了既有静态代理模型的能力范围。因此，如何构建能够处理非结构化网格、捕捉长程相互作用并严格满足损伤起始与不可逆性约束的自回归代理模型，成为该领域亟待解决的关键问题。

针对上述问题，Luca Patrignani与Silvestre T. Pinho的研究团队提出了首个用于复合材料层合板渐进损伤自回归预测的Graph Transformer（图变换器）方法。该方法的核心在于将频率控制的混合局部–全局注意力机制（frequency-controlled hybrid local–global attention，交替进行局部消息传递与周期性全局注意力注入的架构）与两阶段起始门控解码器（two-stage initiation-gated decoder，先预测失效指数再依据起始准则激活损伤预测的结构）相结合。研究表明，该架构能够有效预测含内聚界面（cohesive interfaces，模拟分层损伤的黏聚区）的复杂层合板中的自回归失效指数（failure index）与损伤扩展过程，在单铺层与八铺层对称层合板验证中均取得了与参考解高度吻合的精度，并展现出对未见双孔构型的几何外推能力。相较于Abaqus渐进损伤模拟，该方法实现了约5900×的CPU总时间加速比。这一成果对航空航天结构的设计与认证具有重要工程意义，有望推动代理驱动设计方法的发展。

研究人员采用了几个关键的技术方法以实现上述目标。首先，模型架构基于Graph Transformer，其处理器（processor）将局部消息传递（local message passing，仅在相邻节点间交换信息的操作）与周期性全局注意力（global attention，作用于全图节点的缩放点积注意力）相结合，每M层注入一次全局注意力，混合系数α_global固定为0.2，以捕捉准静态损伤问题中局部演化规则与全局椭圆型平衡方程的耦合结构。其次，解码器采用两阶段乘法参数化，对失效指数速率与损伤速率分别预测，并以LaRC05起始准则作为硬门控（hard gate，严格限制激活条件的逻辑），仅在失效指数达到起始阈值后激活损伤演化，从而保证损伤不可逆性。第三，训练过程采用多GPU分布式数据并行（distributed data parallelism，多GPU同步梯度的训练范式），在单步转换上使用教师强制（teacher forcing，以真实值作为下一步输入的自回归训练策略），测试时采用自回归反馈rollout。研究数据来源于Abaqus渐进损伤模拟：单铺层问题采用200个样本，通过拉丁超立方采样（Latin Hypercube Sampling，多维空间均匀抽样方法）覆盖参数空间；八铺层对称[45/?45/0/90]_s层合板采用400个样本。此外，研究人员开发了自动化的FEA-to-GNN流程，直接从Abaqus输出文件生成训练张量，无需人工预处理。

在**单铺层验证**部分，研究团队在含开孔的单层90°CFRP铺层中测试了模型。通过200个训练样本与拉丁超立方采样覆盖参数空间，自回归rollout在未见测试样本上取得了R²=0.980（失效指数）和R²=0.977（损伤变量）的精度，裂纹起始于孔边界并横向穿过铺层扩展，预测场与真实值高度一致。

在**层合板验证**部分，研究团队将方法推广至含cohesive界面的八铺层对称[45/?45/0/90]_sCFRP层合板，共生成400个样本。利用对称性建模为四铺层半层合板，离散面内单元尺寸0.9 mm，铺层厚度0.375 mm，cohesive界面采用含双线性牵引–分离律的COH3D8单元。全100步自回归rollout对失效指数场达到R²=0.72，对损伤场达到R²=0.60，平均绝对误差（Mean Absolute Error, MAE）分别为0.17和0.06。预测损伤面积占网格17.3%，参考解为16.8%，重叠Dice系数达0.81。模型对失效起始时间的预测精度极高，伪时间MAE仅0.014，与离散化步长0.01同量级。

在**超参数优化**部分，研究团队采用Optuna框架结合Tree-structured Parzen Estimator进行搜索。分析显示验证损失对学习率的依赖最强（功能ANOVA重要性评分0.54），最优配置学习率为1.91×10^-4，处理器深度L=9，全局注意力频率M=4。

在**注意力机制作用**部分，通过消融实验发现，移除局部与全局注意力（退化为标准消息传递GNN）会使失效指数R²从0.72降至0.50，损伤R²从0.60降至0.30，MAE增加55%–59%。局部与全局注意力各自带来实质性提升且相互叠加，证实了混合架构的必要性。

在**全局混合系数α_global敏感性**部分，研究发现当α_global从0增至0.2时，失效指数R²从0.58升至0.72并进入平台期。全局分支对处理器更新的贡献占比随系数单调增加，在α_global=0.8时达0.29。模型对该系数弱敏感，只要非零即可显著提升性能。

在**几何外推**部分，模型未重新训练即应用于含双孔的未见构型。预测显示裂纹在双孔处起始并汇合为单一条带向板边扩展，失效指数R²=0.76，损伤R²=0.64，MAE为0.155和0.042，与单孔测试集精度相当，证明了优秀的几何泛化能力。

在**可解释性分析**部分，研究人员通过接收的注意力（received-attention）场量化模型关注区域。损伤起始前，开孔边界与加载边分别获得均匀值的9.3倍和9.1倍关注；损伤起始后，裂纹前沿成为最受关注区域（13.9倍）。局部注意力通过有效贡献者数量（N_eff，注意力权重分布倒置参与度的度量）从36.3降至21.7，以及困惑度（perplexity，注意力权重分布熵的指数）从66.1降至39.5，显示其显著增强了邻居选择的选择性。

在**计算复杂度分析**部分，Abaqus对八铺层模型400个模拟的平均CPU总时间为1.74×10⁴ s（Intel Xeon w9-3495X，20核）。Graph Transformer在单张NVIDIA A40上每步rollout耗时29.6 ms，完整100步轨迹2.96 s。以总CPU时间计加速比约5900×，以20核墙钟时间计约730×。一次性建模成本包括1928 CPU小时生成语料库、12.3小时超参数搜索和44小时训练（使用双NVIDIA L40S GPU）。

讨论部分强调，所有报告的精度均为自回归rollout精度，误差沿轨迹复合，裂纹前沿的空间偏移导致点wise误差增大，但裂纹路径与空间模式被精确复现。单铺层与层合板的精度差异源于层合板引入了更多机制，如cohesive界面分层导致铺层间载荷重分配、不同铺层取向产生差异化的横向应力状态，以及多铺层损伤模式的耦合效应。Graph Transformer的局部消息传递与状态条件化非局部注意力块，在宏观结构上对应于连续损伤问题中局部演化规则与全局椭圆算子的耦合，全局注意力充当了灵活、上下文相关的图拓扑学习优化器。由于静态网格拓扑G=(V,E)固定，而注意力机制产生的有效信息流是状态条件化的，能够逐层重新加权以优先连接当前力学状态下具有决定性意义的区域。

研究结论翻译如下：第一，Graph Transformer能有效预测含cohesive行为的复杂层合板中的自回归失效指数与损伤扩展，在单铺层上R²达0.980（失效指数）和0.977（损伤），在八铺层全100步rollout上失效指数R²=0.72，损伤Dice系数0.81，且失效起始时间MAE仅0.014；第二，相较于Abaqus渐进损伤模拟，加速比最高约5900×；第三，方法具有几何外推能力，对仅含单孔训练的模型应用于双孔板无精度损失（R²=0.76和0.64）；第四，移除局部与全局注意力会使平均绝对rollout误差增加55%–59%，证实注意力对精度至关重要；第五，Graph Transformer充当了灵活、上下文相关的图拓扑学习优化器；第六，状态条件化注意力具有物理动机，因为损伤相关平衡问题的Green函数G_D随损伤场演化，任何固定非局部核在结构上均与物理不匹配；第七，自动化FEA-to-GNN流程支持端到端训练，大幅降低新问题的部署成本；第八，模型对全局混合系数弱敏感，决定性要求是其非零。该工作为复合材料代理驱动设计方法奠定了重要基础，有望显著缩短航空航天结构的设计与认证周期。