Study of Grid-like Structure under Compression via Finite Element Analysis and Graph Neural Networks

Abstract

Denne studien undersøker bruken av finitte elementanalyse (FEA) og graf-nevrale nettverk (GNN) for å forutsi den mekaniske oppførselen til gitterstrukturer under kompresjon, referert til her som gitter-lignende strukturer (GLS). Ettersom havvindenergi blir stadig viktigere, er det avgjørende å optimalisere materialer og utforminger av støttestrukturer. Denne studien utforsker hvordan GNN-modeller kan forutsi GLS-simuleringsresultater i FEA-programvaren Abaqus, og potensielt redusere tid og datakostnader. Tre GNN-modellvarianter benyttes: grafkonvolusjonsnettverk (GCN), grafoppmerksomhetsnettverk (GAT) og meldingspasserende nevrale nettverk (MPNN). Hver variant forutsier mekaniske oppførsler for GLSen og dens iboende torsjonsfjærer, inkludert x- og y-forskyvninger, vinkelvridninger og torsjonsmomenter, med simuleringer utført i 2D for kostnadseffektivitet. Studien beskriver modelleringsprosessen i Abaqus og GLS-konfigurasjonssimuleringer, som genererer et datasett for GNN-trening. Resultatene for vinkelvridning og torsjonsmomentforutsigelser viser lovende resultater, og fremhever potensialet for å integrere GNN-tilnærminger i FEA-arbeidsflyter for å effektivt analysere gittermaterialer og støttestrukturer i ingeniørarbeid. Studien konkluderer med å adressere de nåværende GNN-modellenes begrensninger og gir forslag til fremtidige undersøkelser.

This study investigates the use of finite element analysis (FEA) and graph neural networks (GNNs) to predict the mechanical behavior of lattice structures under compression, referred to here as grid-like structures (GLS). As offshore wind energy gains importance, optimizing materials and designs of support structures is crucial. This study explores how GNN models can predict GLS simulation results in the FEA software Abaqus, potentially reducing time and computational costs. Three GNN model variants are utilized: the graph convolutional network (GCN), graph attention network (GAT), and message-passing neural network (MPNN). Each variant predicts mechanical behaviors for the GLS and its inherent torsion springs, including x- and y-displacements, twist angles, and torsional moments, with simulations conducted in 2D for cost efficiency. The study describes the Abaqus modeling process and GLS configuration simulations, generating a dataset for GNN training. Results for twist angle and torsional moment predictions show promise, highlighting the potential of integrating GNN approaches in FEA workflows to efficiently analyze lattice materials and support structures in engineering. The study concludes by addressing current GNN model limitations with suggestions for future research.