图神经网络的贝叶斯网格优化以提升工程性能预测

在工程设计中，替代模型广泛用于通过计算机辅助设计（CAD）模型中的设计变量和几何参数来取代计算昂贵的仿真。然而，这些模型在简化为低维时常丢失关键信息，并在参数定义方面面临挑战，尤其是对于工业数据集中常见的复杂3D形状。为解决这些限制，我们提出了基于贝叶斯优化的图神经网络（GNN）框架，用于3D深度学习基于替代模型，通过直接从CAD的网格表示学习几何特征来预测工程性能。我们的框架通过贝叶斯优化确定网格元素的最优尺寸，从而实现高精度的替代模型。此外，它有效处理了3D CAD的非规则和复杂结构，这些结构与通常用于深度学习的2D图像的规则和统一像素结构有很大不同。实验结果表明，网格的质量显著影响替代模型的预测精度， optimally sizing 的网格实现了卓越的性能。我们比较了基于各种3D表示（如体素、点云和图）的模型性能，并评估了蒙特卡洛模拟和贝叶斯优化方法寻找最优网格尺寸的计算成本。我们预计该提出框架在各工程领域具有潜在应用，利用计算机辅助工程中常用的基于物理的信息。