Crash Assessment via Mesh-Based Graph Neural Networks and Physics-Aware Attention
作者: Gabriel Curtosi, Carlos Manuel Ruiz Ruiz, Fabiola Cavaliere, Xabier Larráyoz Izcara
分类: cs.CE, cs.AI, cs.LG
发布日期: 2026-05-12
备注: 40 pages, 15 figures, 7 tables
💡 一句话要点
提出基于网格图神经网络和物理感知注意力机制的混合代理模型，用于快速车辆碰撞评估。
🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)
关键词: 碰撞仿真 代理模型 图神经网络 注意力机制 结构动力学 有限元分析 汽车安全
📋 核心要点
- 全车碰撞仿真耗时，限制了迭代设计。现有方法难以在计算效率和预测精度之间取得平衡。
- 论文提出结合网格消息传递、几何注意力机制和稀疏接触感知校正的混合代理模型，旨在提升碰撞预测的效率和精度。
- 实验结果表明，该混合模型在精度、空间规律性和物理可解释性方面表现出色，为工业碰撞工程分析提供了有效工具。
📝 摘要（中文）
全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。本研究探索了学习型混合代理模型（MeshTransolver、MeshGeoTransolver 和 MeshGeoFLARE），用于预测工业横向杆碰撞基准测试中随时间变化的结构变形场。我们评估了神经代理模型是否能够以足够的精度、空间规律性和结构合理性重现全场碰撞运动学，以供工程解释。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稀疏接触感知校正，用于自回归碰撞展开。我们比较了基于网格的图神经网络、基于注意力的几何模型和在通用训练和超参数配置下的混合架构。混合模型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评估了展开过程中动态邻近相互作用的影响。在包含 25 个样本的全车测试集中，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数量上具有竞争力，但定性侧视图检查表明它们会引入局部空间噪声和变形不规则性，从而使结构解释复杂化。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和定性场检查相结合。所提出的方法能够进行快速全场预测，同时保留用于工业碰撞工程分析的基本结构信息。
🔬 方法详解
问题定义：论文旨在解决全车碰撞仿真计算成本高昂的问题，这限制了其在汽车设计迭代过程中的应用。现有的全车碰撞仿真方法，例如有限元分析，虽然精度较高，但计算时间长，难以满足快速设计迭代的需求。因此，需要一种能够快速且准确地预测碰撞过程中结构变形场的方法。
核心思路：论文的核心思路是利用学习型混合代理模型来替代传统的全车碰撞仿真。这些代理模型通过学习已有的仿真数据，能够快速预测碰撞过程中结构的变形情况。通过结合局部网格消息传递、几何感知全局注意力和稀疏接触感知校正，模型能够同时捕捉短程结构相互作用和长程变形模式，从而提高预测精度和物理合理性。
技术框架：论文提出的技术框架主要包含以下几个模块：1) 数据准备：使用全车碰撞仿真数据作为训练集。2) 模型构建：构建三种类型的代理模型：MeshTransolver（基于网格的图神经网络）、MeshGeoTransolver（基于几何注意力的模型）和MeshGeoFLARE（混合模型）。3) 模型训练：使用训练数据对模型进行训练，优化模型参数。4) 模型评估：使用测试集评估模型的预测精度、空间规律性和物理可解释性。5) 碰撞展开：使用训练好的模型进行自回归碰撞展开，预测随时间变化的结构变形场。
关键创新：论文的关键创新在于提出了结合局部网格消息传递和几何感知全局注意力的混合代理模型。这种混合模型能够同时捕捉短程结构相互作用和长程变形模式，从而在预测精度和物理合理性方面优于传统的基于网格的图神经网络或基于几何注意力的模型。此外，论文还提出了稀疏接触感知校正方法，用于评估展开过程中动态邻近相互作用的影响。
关键设计：在网络结构方面，MeshTransolver 使用图神经网络进行局部消息传递，MeshGeoTransolver 使用注意力机制捕捉全局几何信息，MeshGeoFLARE 则结合了两者。损失函数主要采用均方根误差（RMSE），用于衡量预测变形场与真实变形场之间的差异。在训练过程中，使用了 Adam 优化器，并对学习率等超参数进行了调整。
🖼️ 关键图片
📊 实验亮点
实验结果表明，最佳混合模型（MeshGeoFLARE）在包含 25 个样本的全车测试集中，实现了 3.20 毫米的时间平均均方根误差。虽然基于几何注意力的基线模型在定量指标上具有竞争力，但混合模型在空间规律性和物理可解释性方面表现更优，能够提供更可靠的结构变形预测。
🎯 应用场景
该研究成果可应用于汽车设计早期阶段的快速碰撞评估，加速设计迭代过程，降低研发成本。通过快速预测不同设计方案的碰撞性能，工程师可以更高效地优化汽车结构，提高车辆的安全性。此外，该方法还可扩展到其他涉及结构动力学仿真的领域，如航空航天、桥梁工程等。
📄 摘要（原文）
Full-vehicle crash simulations are computationally expensive, limiting their use in iterative design exploration. This work investigates learned hybrid surrogate models (MeshTransolver, MeshGeoTransolver, and MeshGeoFLARE) for predicting time-resolved structural deformation fields in an industrial lateral pole-impact benchmark. We evaluate whether neural surrogates can reproduce full-field crash kinematics with sufficient accuracy, spatial regularity, and structural plausibility for engineering interpretation. The proposed architectures combine local mesh message passing, geometry-aware global attention, and sparse contact-aware correction for autoregressive crash rollout. We compare mesh-based graph neural networks, attention-based geometric models, and hybrid architectures under a common training and hyperparameter configuration. The hybrid models capture both short-range structural interactions and long-range deformation patterns, while a sparse contact-aware variant assesses the effect of dynamic proximity interactions during rollout. On a 25-sample full-vehicle test set, the best hybrid model achieves a temporal mean root-mean-square error of 3.20 mm. While geometry-aware attention baselines are quantitatively competitive, qualitative side-view inspection shows they can introduce local spatial noise and deformation irregularities that complicate structural interpretation. In contrast, hybrid mesh-attention models provide the best balance between scalar accuracy, survival-space consistency, and physically interpretable displacement fields. These results suggest that crash surrogate assessment should combine global error metrics with downstream safety-relevant quantities and qualitative field inspection. The proposed methodology enables fast full-field predictions while preserving essential structural information for industrial crash-engineering analysis.