Résumé - Surrogats de Réseaux de Neurones Graphiques pour le Contact avec des Corps Déformables avec Détection de Contact Nécessaire et Sufficient

Surrogats de Réseaux de Neurones Graphiques pour le Contact avec des Corps Déformables avec Détection de Contact Nécessaire et Sufficient

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}

Ce rapport de recherche présente une architecture de réseau de neurones graphiques (GNN) pour simuler le contact entre des corps déformables, en se concentrant spécifiquement sur les corps souples. Les contributions clés et les résultats sont les suivants : - Le cadre de GNN proposé utilise la détection de collision continue pour identifier et gérer précisément le contact entre les corps déformables. Cela représente une amélioration significative par rapport aux approches GNN existantes qui dépendent du contact de corps rigides ou du contact entre des objets rigides et souples avec des plans de contact prédéfinis. - Le cadre intègre à la fois les conditions nécessaires et suffisantes pour la détection de contact, assurant une détection de contact précise et robuste même dans des scénarios complexes. - Le cadre a été testé sur deux problèmes de référence : des membranes gonflables avec une géométrie variable et une valve aortique biologique. Les résultats montrent que le cadre peut prédire précisément le comportement de contact des corps, même lorsque les plans de contact ne sont pas uniformes ou que les éléments ont des angles normaux différents. - L'inclusion d'une perte de contact dans la fonction de perte améliore considérablement la généralisation du réseau, conduisant à de meilleures prédictions sur des données inconnues. - Le cadre offre une accélération significative de l'inference par rapport aux méthodes des éléments finis, avec jusqu'à un accélération d'un millier de fois sur les problèmes de référence. - Cependant, le cadre entraîne des coûts de calcul élevés pendant l'entraînement, ce qui peut être un facteur limitant pour certaines applications. Dans l'ensemble, le cadre de GNN proposé offre une approche prometteuse pour simuler le contact entre des corps déformables. Il assure une détection et une prédiction de contact précises, tout en offrant une accélération significative de l'inference par rapport aux méthodes traditionnelles. Cependant, les coûts de calcul élevés pendant l'entraînement peuvent être un facteur limitant pour certaines applications.