基于网格图神经网络与物理感知注意力的碰撞评估

整车碰撞仿真计算成本高昂，限制了其在迭代设计探索中的应用。这项工作研究了用于预测工业侧柱碰撞基准中时间分辨结构变形场的学习型混合代理模型（MeshTransolver、MeshGeoTransolver和MeshGeoFLARE）。我们评估了神经代理模型是否能以足够的精度、空间规律性和结构合理性再现全场碰撞运动学，以满足工程解读的需要。所提出的架构结合了局部网格消息传递、几何感知全局注意力和用于自回归碰撞推演的稀疏接触感知校正。我们在统一的训练和超参数配置下比较了基于网格的图神经网络、基于注意力的几何模型和混合架构。混合模型同时捕获了短程结构相互作用和长程变形模式，而稀疏接触感知变体则评估了推演过程中动态邻近相互作用的影响。在一个包含25个样本的整车测试集上，最佳混合模型实现了3.20毫米的时间平均均方根误差。虽然几何感知注意力基线在定量上具有竞争力，但定性的侧视图检查显示它们可能引入局部空间噪声和变形不规则性，使结构解释复杂化。相比之下，混合网格-注意力模型在标量精度、生存空间一致性和物理可解释的位移场之间提供了最佳平衡。这些结果表明，碰撞代理评估应将全局误差指标与下游安全相关量以及定性场检查相结合。所提出的方法能够实现快速全场预测，同时为工业碰撞工程分析保留必要的结构信息。