Нейросеть, которая чувствует напряжение в деталях любой формы экспресс
Проектирование машин похоже на кулинарию: нужно точно знать, где «тесто» порвётся. Старые компьютерные расчёты проверяют каждую точку детали часами — как обмерять всю кастрюлю, чтобы ручка не отвалилась. Нейросеть нового поколения смотрит на деталь как на сетку точек, словно опытный повар, который с первого взгляда чувствует, как распределится жар в любой сковороде. Подобно спектроскопии, раскладывающей свет на цвета, она раскладывает напряжения, выявляя слабые места.
В отличие от старых методов машинного обучения, терявшихся при смене формы (точность падала до 1%), эта сеть понимает суть конструкции. Ей неважны повороты, смещения или материал — углеродное волокно, сталь — принцип работает одинаково. Точность достигает 97% за доли секунды. Удивительно, что сеть не знает физики: она просто натренирована на примерах, как повар, без учебников чувствующий, где порвётся тесто.
При росте энтропии — неопределённости из-за сложных форм — старые методы дают хаотичные предсказания, а нейросеть лишь немного снижает точность. Этот подход может стать стандартной моделью для быстрого анализа прочности.
Оригинальная аннотация
как её написали авторы, на английском arXiv:2606.08287
Finite element analysis (FEA) is essential for structural design but remains computationally expensive, particularly when evaluating multiple design iterations or load scenarios. Machine learning surrogate models offer a promising alternative, yet most approaches struggle with a critical limitation: generalizing across varying geometries. This work presents a mesh graph network (MGN) for predicting von Mises stress fields in 2D structural components with arbitrary hole geometries. Unlike traditional machine learning approaches that use absolute node coordinates as features, the proposed model builds on existing MGN frameworks that encode node types (e.g., fixed boundary, free surface, hole edge), relative edge features (distance between neighbors), and global features (applied load). This architecture is inherently translation- and rotation-invariant, enabling generalization to unseen geometries without retraining. The MGN was trained on 11 plate geometries under 20 load conditions and evaluated on 7 unseen geometries and 3 unseen loads. In the most favorable case, the model achieves $$R^2 \geq 0.97$$ on an unseen geometry and unseen load, compared to $$R^2 \approx 0.01$$--$$0.86$$ for conventional models (Random Forest, Gradient Boosting , K-Nearest Neighbors) trained on identical data. However, even in less favorable cases, the MGN model still outperforms conventional models. This work extends the mesh-based simulation framework of Pfaff et al. (arXiv:2010.03409) to structural mechanics, demonstrating that graph neural networks can serve as efficient surrogates for finite element analysis across varying geometries.
Отверстия в деталях — самые опасные места: именно вокруг них чаще всего начинаются трещины. Инженеры называют это 'концентрацией напряжений'.
В фантастических фильмах ИИ мгновенно создаёт чертежи кораблей. Похожий подход уже есть: нейросеть предсказывает прочность за секунды.