Accelerating Finite Element Simulations with Graph Neural Networks

Abstract

A usinagem de componentes de paredes finas é altamente suscetível a vibrações durante o processo de manufatura, uma vez que a flexibilidade estrutural resulta em vibrações e instabilidade significativas, frequentemente resultando em retrabalho excessivo e perdas de produtividade. Quando se trata de planejamento de processos para essas peças, a estimativa precisa das forças de fresagem e da dinâmica estrutural é fundamental, pois essas variáveis influenciam o comportamento dos modelos tecnológicos usados para a otimização do processo. Com a crescente digitalização da manufatura, esses modelos estão passando progressivamente de protótipos acadêmicos para ambientes CAM industriais, permitindo estratégias de usinagem preditivas e adaptativas. Nesse contexto, o Fraunhofer IPT desenvolveu a estrutura dPart® digital twin, que integra simulações de processos, dados de máquinas e modelos computacionais para dar suporte à tomada de decisões em tempo real. Na prática industrial, a previsão precisa do comportamento dinâmico das peças de trabalho é essencial para o planejamento do processo, o monitoramento e a integração do gêmeo digital. As abordagens existentes dependem muito de simulações repetidas do Método dos Elementos Finitos (FEM), que são precisas, mas computacionalmente caras, demoradas e pouco escalonáveis com o grande número de locais de corte necessários para a avaliação de toda a operação. À medida que a infraestrutura de gêmeos digitais dPart® evolui, essas limitações podem representar um gargalo no futuro. Para superar essas limitações, este trabalho investiga o uso de técnicas de aprendizado de máquina, especificamente redes neurais de grafos (GNNs) como modelos substitutos para a previsão de deformação baseada em FEM. Um conjunto de dados de simulações modais foi gerado no ANSYS, a partir do qual as coordenadas nodais, as condições de contorno e os campos de deformação foram extraídos e convertidos em representações gráficas. Duas arquiteturas foram testadas, sendo elas uma rede convolucional gráfica e uma rede inspirada na MeshGraphNet, ambas projetadas para operar diretamente na conectividade da malha e para aprender padrões de deformação espacial a partir de dados modais. Os modelos substitutos foram treinados para prever campos de deslocamento em nível de nó para o primeiro e o segundo modos de vibração da peça de trabalho. Os resultados demonstram que os modelos propostos são capazes de reproduzir o comportamento de deformação global com um erro percentual relativo médio inferior a 1% para o primeiro modo de deformação. Essas descobertas indicam que os substitutos baseados em GNN são promissores para acelerar a análise de vibração em aplicações de fresamento e podem dar suporte a fluxos de trabalho de monitoramento e planejamento de processos mais eficientes.