Zusammenfassung - Grapheneuralnetzwerk-Surrogaten für den Kontakt mit deformierbaren Körpern mit notwendiger und ausreichender Kontakt detention

Grapheneuralnetzwerk-Surrogaten für den Kontakt mit deformierbaren Körpern mit notwendiger und ausreichender Kontakt detention

2025-07-17 18:09:19

{"Vijay K. Dubey","Collin E. Haese","Osman Gültekin","David Dalton","Manuel K. Rausch","Jan N. Fuhg"}

{cs.CE,cs.AI,cs.LG,cs.NA,math.NA}

Dieser Forschungsbericht stellt eine Architektur eines Graphen-Neuronennetzes (GNN) für die Simulation des Kontakts zwischen deformierbaren Körpern vor, wobei insbesondere auf weiche Körper geachtet wird. Die wesentlichen Beiträge und Ergebnisse sind: - Der vorgeschlagene GNN-Framework nutzt kontinuierliche Kollisionserkennung, um den Kontakt zwischen deformierbaren Körpern genau zu identifizieren und zu handhaben. Dies stellt eine erhebliche Verbesserung gegenüber bestehenden GNN-Ansätzen dar, die auf festkörperlichen Kontakten oder dem Kontakt zwischen festen und weichen Objekten mit vorgegebenen Kontaktplänen angewiesen sind. - Das Framework integriert sowohl notwendige als auch hinreichende Bedingungen für die Kollisionserkennung, um eine genaue und robuste Kollisionserkennung auch in komplexen Szenarien zu gewährleisten. - Das Framework wurde auf zwei Benchmark-Probleme getestet: aufblähbare Membranen mit variabler Geometrie und ein bioprothetischer Aortenklappen. Die Ergebnisse zeigen, dass das Framework das Kontaktverhalten der Körper genau vorhersagen kann, selbst wenn die Kontaktflächen nicht gleichmäßig sind oder die Elemente unterschiedliche Normaleinwinkel haben. - Die Einfügung eines Kontaktverlustterms in die Verlustfunktion verbessert die Generalisierung des Netzes erheblich und führt zu besseren Vorhersagen für unvorhergesehene Daten. - Das Framework bietet eine erhebliche Beschleunigung der Inferenz im Vergleich zu Finite-Element-Methoden, mit einer Beschleunigung von bis zu tausendfach auf den Benchmark-Problemen. - Allerdings entstehen während des Trainings hohe berechnungsintensive Kosten, die für einige Anwendungen eine begrenzende Faktor sein könnten. Insgesamt bietet das vorgeschlagene GNN-Framework eine vielversprechende Herangehensweise für die Simulation des Kontakts zwischen deformierbaren Körpern. Es ermöglicht genaue Kontakt erkennung und Vorhersage und bietet gleichzeitig eine erhebliche Beschleunigung der Inferenz im Vergleich zu traditionellen Methoden. Allerdings könnte die hohe berechnungsintensive Kosten während des Trainings für einige Anwendungen eine begrenzende Faktor sein.