MeF-GCNN空间图卷积替代模型用于空间桁架位移和轴向力预测

《Journal of Building Engineering》:MeF-GCNN Spatial Graph Convolution Surrogate for Space-Truss Displacement and Axial-Force Prediction

【字体: 大 中 小 】 时间:2026年04月21日 来源:Journal of Building Engineering 7.4

编辑推荐:

  空间桁架结构设计效率优化与多边特征图神经网络模型研究|空间图卷积|位移预测|轴力计算|Grasshopper-SAP2000联合建模|MeF-GCNN|工程结构优化

  
杜慧波|冯若强|杨子伟|王朗|黄世军|崔璐
中国江苏省南京市东南大学教育部混凝土与预应力混凝土结构重点实验室,邮编211189

摘要

本研究旨在通过开发基于空间图卷积理论的图神经网络模型(MeF-GCNN)来提高实际工程中桁架结构设计的计算效率和优化能力,该模型结合了多种边缘特征。MeF-GCNN模型由输入层、卷积层和输出层组成,卷积层用于聚合节点和边缘特征。基于不变性生成理论,提出了一种空间桁架结构的生成规则。在Grasshopper中生成空间桁架结构,并建立计算模型。通过TJA插件将SAP2000软件与模型连接,提取结构特征和标签,构建包含3000个样本的训练数据集。使用均方误差和准确率作为评估指标对模型进行训练和微调,从而实现对桁架位移和轴向力的预测。MeF-GCNN模型在多个验证案例中表现出色,所有节点的位移预测准确率超过93%,平均准确率为95.4%。不同构件的轴向力预测准确率在69.5%到95.8%之间,验证了该模型在预测复杂工程结构方面的强大泛化能力。

引言

空间网格结构作为一种典型的大跨度空间系统,由于其优异的机械性能和结构效率,被广泛用于机场航站楼、体育场馆和展览馆等复杂结构的设计[1]。这些结构具有多种优势,包括高强度重量比、卓越的机械性能以及相当大的空间配置灵活性,使得能够开发出更轻便、更坚固的设计。因此,空间网格结构已成为低碳和绿色建筑设计领域的首选方案[2]、[3]、[4]。
然而,随着现代工程对复杂性和精度的要求不断提高,传统的空间网格结构设计方法面临重大挑战。当前的设计过程主要依赖于手动调整和基于经验的计算,缺乏全面的探索和科学优化方法[5]。特别是对于大型结构,传统的有限元方法(FEM)在涉及非线性材料行为或几何非线性的情况下会遇到显著的计算困难,计算复杂度呈指数级增长(O(n3)[6]、[7]。这种指数级增长使得快速满足设计要求变得困难。
随着GPU并行计算和机器学习技术,尤其是深度神经网络(DNN)的快速发展,深度学习为建模和模拟复杂工程系统提供了新的方法,展现出强大的函数逼近和高维数据关联能力[8]、[9]。此外,先进的神经网络架构,如超图卷积网络,在复杂工程模式识别任务中表现出色[10]。深度学习的端到端特征学习能力在加速有限元计算、构建设计空间的替代模型以及优化拓扑模式方面展现出革命性潜力[11]、[12]。特别是基于深度学习的替代模型在多尺度结构分析中显示出显著的技术优势[13]。例如,机器学习算法已被有效用于识别结构优化中的可行设计边界[14]。
基于深度学习的替代模型无需大量计算即可预测复杂工程系统的响应。这些模型在多尺度分析中显示出显著优势。最近的研究已经从微观尺度扩展到构件尺度和结构系统尺度分析,在材料性能预测和钢筋混凝土柱的塑性分析方面取得了突破[15]。神经网络在微观结构表征方面展现出独特优势,通过隐式特征提取有效揭示了复杂材料系统的机械响应机制[16]。例如,Abambres和Lantsoght[17]提出了一种基于人工神经网络的公式,用于估算集中荷载下钢筋混凝土板的抗剪能力,而González和Zapico[18]开发了一种使用前馈神经网络进行钢框架地震损伤检测的方法。Mai等人[19]、[20]提出了一种基于深度神经网络的替代模型,结合差分进化算法,用于几何非线性桁架结构的优化设计。
在空间结构的拓扑优化领域,深度神经网络可以映射设计参数与性能指标之间的关系,将优化过程从数千次迭代缩短到几秒钟,同时确保全局最优性。这种方法为解决大规模空间网格结构分析速度慢的难题提供了新的解决方案。
图神经网络(GNN)旨在处理非欧几里得数据结构,已成为结构优化设计中的研究热点[21]、[22]。GNN能够有效捕捉节点之间的复杂关系,特别适合于管理空间网格结构中节点和梁的拓扑[23]、[24]。与传统卷积神经网络(CNN)和循环神经网络(RNN)不同,GNN允许灵活的节点连接,无需依赖固定的网格结构。这一能力使GNN成为研究空间网格结构机械行为和拓扑优化的理想工具。例如,Zhao等人[25]、[26]使用图数据表示剪力墙结构,并开发了一种图数据形式的剪力墙结构数据增强方法,以提高GNN的泛化能力。Kuo等人[27]提出了一种基于GNN和LSTM的深度学习模型框架,能够从建筑物中捕获物理信息,并通过数据融合技术将地震运动序列与结构数据结合。Zheng等人[28]提出了一种基于图神经网络的结构机械响应预测模型,用于解决工程结构机械响应预测问题。Song等人[29]引入了一种基于图神经网络的计算模型,通过结合三个基本力学方程和深度学习推理过程来分析弹性结构系统。Parisi等人[30]开发了一种高效的替代模型(MISM),将结构力学的物理信息与图神经网络的图数据处理能力相结合,用于预测桁架结构中的节点位移。Wang等人[31]提出了一种混合模型,将图神经网络与物理信息损失函数相结合,高效准确地预测具有复杂变形蜂窝配置的空心混凝土结构的机械响应。
当前的研究往往缺乏代表性的空间数据集,无法同时评估整体变形和内部力。为了解决这个问题,本文提出了多边缘特征图卷积神经网络(MeF-GCNN),这是一种专门针对该领域的架构,将物理边缘特征深度整合到其卷积过程中。MeF-GCNN能够同时预测节点位移和构件轴向力,完全定义线性弹性桁架的静态状态,避免了预测可确定导出的应力和应变时产生的冗余网络复杂性。通过将这种替代模型与拓扑优化相结合,所提出的框架大幅提高了计算效率,为实际空间桁架设计提供了稳健的新解决方案。

部分摘录

空间桁架结构的生成规则

本研究专注于构建空间桁架数据集,特别关注三角形截面的空间桁架结构。数据集使用Rhinoceros 3D(以下简称Rhino)进行结构建模,使用SAP2000进行结构分析,数据交换通过TJA插件实现[32]。采用Zhao和Kristina[33]总结的空间结构中杆系系统和形状语法的生成规则(如图1所示)

具有多边缘特征的图神经网络模型(MeF-GCNN)

传统的图神经网络(GNN)本质上是以节点为中心的,通常将边缘权重视为简单的标量。这严重限制了它们在空间桁架中的应用,因为空间桁架的结构行为依赖于多维的物理边缘属性(例如,截面面积和3D方向余弦)。为了解决这个问题,提出的MeF-GCNN引入了两个根本性的方法论修改:显式的多维边缘嵌入和基于力学信息的序列化

MeF-GCNN模型的训练和验证

训练数据集包含3000个空间桁架结构样本,如第2章所述。所有训练都在NVIDIA GeForce RTX 3060笔记本电脑GPU上进行,使用Pytorch框架。数据集被随机打乱并分为训练(80%)和测试(20%)两部分。每个样本数据分批处理,批次大小设置为1。

结论

本研究提出了一种基于空间图卷积理论的新型替代模型MeF-GCNN,用于快速预测空间桁架结构的静态机械响应。为了训练和验证该模型,使用自动化的Grasshopper和SAP2000框架构建了一个包含3000个空间桁架样本的多样化数据集。主要发现总结如下:
通过显式结合物理构件特性(例如,截面面积和空间方向)作为边缘特征

CRediT作者贡献声明

杨子伟:监督、资源提供。王朗:可视化、验证、资源提供。杜慧波:撰写 – 审稿与编辑、撰写 – 原稿撰写、可视化、验证、监督、软件开发、方法论制定。冯若强:资源获取、资金筹集、正式分析。黄世军:资金筹集。崔璐:资金筹集

利益冲突声明

作者声明不存在利益冲突。

致谢

本文得到了国家自然科学基金(项目编号:51978151和51538002)和国家电网江苏电力有限公司的科学技术项目(J2025040和5210QD250008)的财政支持。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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