An initial investigation into the potential applications of mesh graph networks in structural mechanics

This work investigates the use of Graph Neural Networks (GNNs) for structural simulations as a potential alternative to Finite Element Method (FEM). Specifically, the GNN model MeshGraphNets was trained and tested using data generated from several structural cases simulated in ABAQUS software. The study aimed to identify the strengths and limitations of the model, exploring its behavior on relevant structures and different scenarios. The results demonstrated that the GNN has good generalization capabilities and accuracy in most of the cases. Also, it was discovered that the number of training epochs has a more significant impact on improving the model's accuracy and generalization if compared to the number datasets used during training. However, computational times were higher than FEM, implying that further research is necessary to understand how to improve the GNN computational efficiency, as the creators of the model claim that GNN simulation time is significantly faster than FEM. Additionally, it was observed that the GNN model produced incorrect results in some particular structural models, indicating the need for further development. In any case, the work presented here helps to highlight the state of the art of GNN for structural applications as well as to better understand its advantages and disadvantages

Questo lavoro studia l'uso delle Graph Neural Networks (GNN) per le simulazioni strutturali come potenziale alternativa al Metodo degli Elementi Finiti (FEM) e ad altri metodi numerici. In particolare, è stato utilizzato il modello GNN "MeshGraphNets" proposto dai ricercatori di DeepMind con dati provenienti da modelli strutturali ABAQUS costruiti appositamente per questa tesi, che sono stati utilizzati per l'addestramento e il test. Lo studio mirava a identificare i punti di forza e i limiti del modello, esplorando il suo comportamento su strutture rilevanti e vari scenari. I risultati hanno dimostrato le buone capacità di generalizzazione e l'accuratezza di questo tipo di GNNs e si è scoperto che il numero di training epochs ha un impatto più significativo sul miglioramento dell'accuratezza e della generalizzazione del modello rispetto alla varietà del dataset di addestramento. Tuttavia, i tempi di calcolo sono risultati superiori a quelli di softwares agli elementi finiti, il che implica la necessità di ulteriori ricerche per capire come ridurre questi tempi, dato che gli autori del modello affermano che i tempi sono drasticamente ridotti rispetto a quelli di FEM softwares. Inoltre, il modello GNN ha prodotto risultati errati in alcuni modelli strutturali, indicando la necessità di ulteriori studi sui casi in cui il modello non riesce a prevedere correttamente le deformazioni. Questo studio contribuisce al campo dell'apprendimento automatico per le simulazioni strutturali e fornisce spunti per gli sviluppi futuri in questo settore.