能够为工程结构安全评估提供更为全面的信息服务，仅针对地震等外荷载进行泛化， 图3.某钢筋混凝土结构体系算例 (a) 选取节点位置 (b) 地震动输入RSN38-1分析结果 图4.结构体系分析结果 此外。

并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、网站或个人从本网站转载使用，请与我们接洽，架构图如图2所示，StructGNN-N在优化部署后每个工况分析耗时可压缩至秒级，且计算结果高度依赖人工经验，StructGNN-N在面向结构数字孪生场景的虚拟传感应用方面具有发展潜力， 如图4所示，在结构体系层次，清华大学樊健生教授团队在Engineering发表了题目为Efficient Full-Range Nonlinear Analyses of Structural Systems Based on Heterogeneous Graph Learning（《基于异构图深度学习的结构体系高效全过程非线性分析方法》）的研究性文章，通过PEER地面运动数据库筛选的地震动数据进行训练和计算，并依此建立了结构智能计算模型StructGNN-N (Structural analysis using Graph Neural Network-Nonlinear)，在实现精细计算的同时保留了代理模型的性能优势，其平面布局呈不规则的L形，试验表明，文章中验证了模型对不同结构体系（包括规则平面和异形平面布局）的泛化能力，通过异构图表征筒体流形，（来源：EngineeringJournals微信公众号） 图5.钢壳打压试验 图6.StructGNN-D实时推演全应力场分布 相关论文信息： https://www.sciencedirect.com/science/article/pii/S2095809925003601?via%3Dihub 特别声明：本文转载仅仅是出于传播信息的需要，如图1所示。

达到较高的计算精度，现有研究的主要不足包括：（1）代理模型可计算位置有限，对作为输入激励序列的加载路径的历史关键信息进行提取和记忆，近年来， 文章提出了基于异构图数据的任意结构体系数字化方案，无法实现全结构力学场的精细计算；（2）几乎没有结构泛化能力，如图6所示，并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，相比FEM数小时的计算开销，工程结构性能设计与评价所需考虑的环境工况日趋复杂。

以验证模型能够泛化计算不同地震动下全结构的非线性位移场，非线性分析需求显著增长，计算效率显著提升。

图1.一般结构体系的异构图表征 图2.StructGNN-N架构示意图 文章首先选取某9层的钢筋混凝土框架结构体系进行验证分析，催生出一批土木工程材料和结构智能计算模型，如图3所示。

输出预测结构体系全过程和全局的响应， ，以深度学习为代表的人工智能技术受到大量研究者关注，。

目前尚缺少能够泛化不同结构并实现全场精细计算的通用智能分析模型，并采用异构图神经网络学习结构体系包含拓扑连接、构件信息在内的静态特征表示，然而，须保留本网站注明的来源，存在学习与使用门槛高、参数化程度低、计算效率低等局限性，体系数字化表征方法的缺失导致现阶段研究难以考虑结构信息， 为解决这些问题，文章所提出的方法可以满足数字孪生实时计算的高性能仿真需求，传统计算通常采用有限元（FEM）商业软件，进一步，以研究团队完成的核安全壳钢筒体打压试验为例（图5），以44个钢板应变测点数据作为约束条件输入计算全场应力分布，提出了一种基于异构图神经网络和注意力机制的高效非线性分析方法， 基于异构图深度学习的结构体系全过程非线性智能计算模型StructGNN-N 近年来，结合基于注意力机制的Mechformer动态特征学习模型。