Mask-Morph Graph U-Net：大几何变形下坠毁性能场预测的通用网格基 surrogate

非线性有限元坠毁仿真精确可靠，但计算成本高，限制了其在迭代设计优化中的应用。基于图神经网络(GNN)的机器学习 surrogate 模型提供了更快的替代方案。广泛使用的消息传递 GNN 在网格仿真中表现良好，其共享的节点和边更新函数在不同图结构之间具有较强的可泛化性。相比之下，无法共享的边特定聚合层能更准确地捕捉非线性关系，但通常需要固定的图连通性，从而限制了可泛化性。本文提出了 Mask-Morph Graph U-Net (MMGUNet)，以解决层次化 Graph U-Net 架构中基于边特定降采样和升采样层的局限性。需要固定粗糙图连通性才能实现边特定层。为保持这种特性同时提高空间对应性，所提方法通过特征对齐的双线性参数化对每个输入网格的粗化图层进行形变，然后构建跨图边。进一步应用节点遮蔽进行监督预训练，随后进行参数高效微调，其中高参数边特定层被冻结。该方法在分布内、分布外及跨组件迁移设置下进行评估，使用均值欧几里得距离和最大入侵百分比误差等指标。结果表明，粗糙图形变换相对于固定粗糙图基准显著提升了测试准确度，遮蔽监督预训练减少了训练-测试间的差异并提升了迁移数据效率。所提模型还在外部基准中实现了更低的预测误差。这些结果表明，所提方法为面向坠毁性能设计探索的可重用、数据高效的基于网格的 surrogate 模型提供了一条实用路径。