《Processes》：Multi-Fidelity Physics-Informed Graph Neural Networks for 3D Gear Contact Stress Prediction Under Extreme Gradients
编辑推荐：
全三维齿轮接触分析能解析简化模型无法恢复的局部化张量场，但重复的非线性有限元（FE）求解代价高昂。研究人员开发了一种多保真度物理信息图代理模型，结合粗学习图、峰值敏感KDTree投影、门控消息传递与正则化最小二乘有限差分平衡残差。基于应力先验约束的基准采用源自
全三维齿轮接触分析能解析简化模型无法恢复的局部化张量场，但重复的非线性有限元（FE）求解代价高昂。研究人员开发了一种多保真度物理信息图代理模型，结合粗学习图、峰值敏感KDTree投影、门控消息传递与正则化最小二乘有限差分平衡残差。基于应力先验约束的基准采用源自同一高保真FE场的粗先验，因此并非无标签。在750例测试集划分上跨5个随机种子，该基准得到NMSE = (9.1 ± 0.4) × 10?5，R2 = 0.985 ± 0.001，峰值应力误差 = 2.5 ± 0.2%。仅用几何的门控给出初步无标签结果，种子42下峰值应力误差4.1%；其完整多种子指标未被保留。一次受约束前向传播需42 ms（不含预处理与先验构建），报告硬件上峰值训练显存47.6 GB。在固定图分辨率下最大投影优于距离加权平均。所有目标均为仿真，故该方法被作为数值FE代理而非实验验证的数字孪生替代呈现。
研究背景方面，齿轮齿面疲劳评估依赖三维接触应力最大值的大小与空间位置。啮合齿面构成非共轭接触对，载荷变化产生窄接触斑与陡 subsurface 梯度，与裂纹萌生、点蚀和剥落密切相关。解析Hertz理论与二维切片模型效率高但无法恢复完整三维应力态；高保真三维有限元（FE）接触仿真虽准确，但密集接触椭圆周边网格与非线性迭代使单工况需数小时，难以直接用于实时监测、不确定性传播与大规模优化。已有图神经网络（GNN）继承FE节点连接，但各层邻域平均会平滑窄应力峰；物理信息神经网络（PINN）嵌入控制方程可提升物理一致性，而在大非结构网格上对平衡残差做坐标自动微分会带来显存爆炸。现有算子学习、PINN与图PDE求解器均未同时解决齿轮几何、峰值保持与全三维应力预测的组合需求。
研究人员据此构建一条多保真度图流水线：以稠密三维FE结果为监督，哈希编译器建拓扑，KDTree将含峰张量传至粗图，边门控在强先验应力对比处抑制平滑，训练时用局部输出差重建平衡导数而非对每跳消息传递做坐标自动微分。论文发表于《Processes》。
关键技术方法上，研究人员采用脚本化Ansys/APDL流程生成非线性三维接触数据集（变量含齿形、扭矩、转角、螺旋角、不对中与材料参数，小应变线弹性42CrMo4，Augmented Lagrange法 enforcement，Coulomb摩擦μ=0.10），以Hertz半宽定接触区首层尺寸并做自适应远场松弛以满足节点数上限；用哈希去重编译双向边拓扑；以KDTree将高保真节点映到粗节点并取同位置von Mises最大者的完整六分量Cauchy应力张量做峰值敏感投影；网络为五层128通道GatedSAGEConv，边门控输入含归一化距离、先验应力绝对差与乘积，经MLP+sigmoid得标量门权；物理约束用固定一跳邻域加权最小二乘有限差分（LSFD）由预测场重建应力梯度算静力平衡残差，课程式前20轮仅数据损失、21–29轮物理权重线性升、30轮后λphys=0.5，远场用二值掩码抑制非零应力，物理节点按粗应力重要性采样至多8192。
研究结果部分，第2节高保真FEM数据生成与多保真图构建中，研究人员通过自适应网格松弛在节点上限内保持接触区分辨率，用Augmented Lagrange接触算法控制穿透低于1.0×10?3 mm；哈希映射拓扑去重避免原始千万级边对存储的膨胀；KDTree最大投影表明在固定粗图密度下比距离加权平均降低粗网格NMSE 24.8%、峰值误差25.8%、互补能误差25.0%，但投影不保证C0连续与应变能守恒。第3节物理引导GatedSAGEConv中，各层邻域平均会使500 MPa峰与近邻低应力均化导致过平滑；加入先验应力对比门控后，种子42下条件模型峰值误差2.3%，无门控消融15.6%，仅几何门控（距离与单元质量特征）4.1%，证明门控主要缓解过平滑而非单纯靠容量或先验可用度。第4节物理约束优化中，数据损失用符号保持对数变换压缩六分量动态范围；坐标自动微分在百万节点五层图上于96 GB GPU超限（估需>100 GB），LSFD重建将峰值显存降至47.6 GB；投影诱发的相邻粗节点源张量跳跃会进入重建散度，故物理损失作正则化而非严格连续介质均衡强制。第5节时间课程学习中，λmask=0.02固定，λphys前20轮0、21–29轮线性ramp、30轮后0.5，先成形成体场再细化局部梯度。第6节结果讨论中，跨5种子条件模型测试集NMSE=(9.1±0.4)×10?5、R2=0.985±0.001、峰值误差2.5±0.2%；GCN+Prior种子42峰值5.8%说明先验贡献大，但同先验下GatedSAGE仍优于GCN；42 ms为粗图已备好时单次前向，非端到端；所有5000例为同接触公式仿真，未做实验台盲测与分组防泄漏验证；几何仅门控完整多种子指标未留。第7节结论翻译：本研究开发了面向六分量三维齿轮接触应力的峰值敏感图代理。应力先验条件基准下，留出测试集跨5种子NMSE=(9.1±0.4)×10?5、R2=0.985±0.001、峰值应力误差2.5±0.2%；初步几何仅门控种子42峰值误差4.1%；测试图分辨率下峰值训练显存47.6 GB，单次条件前向42 ms；固定分辨率投影比较支持最大传递优于距离加权平均。结论受七点限制：粗图分辨率未扫描、LSFD的η与ε及区域标记残差图未归档、头条指标为应力先验条件、切分未记几何分组致近邻泄漏不能排除、门控输入缩放与软硬件标识未全留、目标全仿真故实验精度未知、图5曲线与图6六边桶为示意或重建非原始基准。方法作为数值FE代理用于筛选而非已验证数字孪生。
