Resumen - Redes Neurales de Grafos como Sustitutos para el Contacto con Cuerpos Deformables con Detección de Contacto Necesaria y Suficiente

Redes Neurales de Grafos como Sustitutos para el Contacto con Cuerpos Deformables con Detección de Contacto Necesaria y Suficiente

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}

Este documento de investigación presenta una arquitectura de red neuronal de gráficos (GNN) para simular el contacto entre cuerpos deformables, específicamente enfocándose en cuerpos blandos. Las contribuciones clave y hallazgos son: - El marco propuesto de GNN utiliza detección de colisión continua para identificar y manejar de manera precisa el contacto entre cuerpos deformables. Esto representa una mejora significativa en comparación con los métodos de GNN existentes que dependen del contacto de cuerpos rígidos o el contacto entre objetos rígidos y blandos con planos de contacto predefinidos. - El marco incorpora tanto condiciones necesarias como suficientes para la detección de contacto, asegurando una detección de contacto precisa y robusta, incluso en escenarios complejos. - El marco se ha probado en dos problemas de referencia: membranas inflables con geometría variable y una válvula aórtica bioprostética. Los resultados muestran que el marco puede predecir de manera precisa el comportamiento de contacto de los cuerpos, incluso cuando los planos de contacto no son uniformes o los elementos tienen ángulos normales diferentes. - La inclusión de un término de pérdida de contacto en la función de pérdida mejora significativamente la generalización de la red, llevando a mejores predicciones en datos no vistos. - El marco proporciona una aceleración significativa en la inferencia en comparación con los métodos de elementos finitos, con un aceleramiento hasta mil veces en los problemas de referencia. - Sin embargo, el marco implica costos computacionales altos durante el entrenamiento, lo que puede ser un factor limitante para algunas aplicaciones. En resumen, el marco de GNN propuesto ofrece un enfoque prometedor para simular el contacto entre cuerpos deformables. Proporciona detección y predicción de contacto precisas, y ofrece una aceleración significativa en la inferencia en comparación con los métodos tradicionales. Sin embargo, los altos costos computacionales durante el entrenamiento pueden ser un factor limitante para algunas aplicaciones.