Graph neural networks as surrogate models for structural analysis: A study on buckling behavior
Yapısal analiz için vekil modeller olarak grafik sinir ağları: Burkulma davranışı üzerine bir çalışma
- Tez No: 921259
- Danışmanlar: DOÇ. DR. ULAŞ YAMAN
- Tez Türü: Yüksek Lisans
- Konular: Makine Mühendisliği, Mechanical Engineering
- Anahtar Kelimeler: Makine öğrenmesi, Machine learning
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Orta Doğu Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Makine Mühendisliği Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez, Grafik Sinir Ağlarını (GSA) vekil modeller olarak kullanarak yapısal analize yönelik yeni bir yaklaşım sunmaktadır. Çalışma özellikle takviyeli ve takviyesiz ince cidarlı yapıların burkulma davranışlarının tahminini ele almaktadır. Araştırma, geleneksel yöntemlere kıyasla daha hızlı hesaplama süreleri elde ederken doğruluğu koruyan etkili bir makine öğrenimi çerçevesi geliştirerek, geleneksel sonlu elemanlar analizindeki hesaplamalı zorlukların çözümünü amaçlamaktadır. Dengeli bir veri seti oluşturmak için, Bezier eğrilerini kullanarak çeşitli yapısal geometriler oluşturan ve sistematik yük durumu üretme prosedürlerini uygulayan kapsamlı bir veri üretim hattı sunulmuştur. Çalışma, süper düğümler ve sanal kenarlar gibi yenilikçi özellikler aracılığıyla hem yerel hem de global yapısal davranışları etkili bir şekilde yakalayan ve temel bileşen analizi tabanlı koordinat dönüşümü yoluyla dönme ve öteleme değişmezliğini sağlayan gelişmiş bir grafik temsil sistemi geliştirmiştir. Geliştirilen model burkulma tahmininde hem takviyesiz hem de takviyeli yapılar için kayda değer bir doğruluk göstermekte olup, performansı ölçeklendirilmiş geometriler ve karmaşık yükleme senaryoları dahil olmak üzere çoklu test veri setleri kullanılarak sonlu elemanlar analizi sonuçlarına göre doğrulanmıştır. Model analiz süresini azaltmakta ve birden fazla tasarım varyantının hızlı değerlendirilmesini sağlamaktadır. Hesaplama süresindeki bu azalma ve korunan tahmin doğruluğu, modelin ön tasarım süreçlerini dönüştürme potansiyelini göstermektedir. Bu araştırma, verimli vekil modeller oluşturmak için etkili bir metodoloji sağlayarak ve Grafik Sinir Ağlarının burkulma gibi global bir özellik tahminindeki etkinliğini göstererek yapısal analizdeki büyüyen makine öğrenimi alanına katkıda bulunmaktadır.
Özet (Çeviri)
This thesis presents a novel approach to structural analysis using Graph Neural Networks (GNNs) as surrogate models, specifically focusing on predicting buckling behavior of thin-walled structures with and without stiffeners. The research addresses the computational challenges in traditional finite element analysis by developing an efficient machine learning framework that maintains accuracy while achieving computational speeds faster than conventional methods. To create a well balanced dataset, a comprehensive data generation pipeline is introduced, creating diverse structural geometries using Bezier curves and implementing systematic load case generation procedures. The study developed an enhanced graph representation system that effectively captures both local and global structural behaviors through innovative features such as super-nodes and virtual edges, while ensuring rotational and translational invariance through principal component analysis-based coordinate transformation. The framework demonstrates remarkable accuracy in buckling prediction across both non-stiffened and stiffened structures, with performance validated against finite element analysis results using multiple test datasets, including scaled geometries and complex loading scenarios. The framework reduces analysis time and enables rapid evaluation of multiple design variants. This reduction in computational time, combined with maintained prediction accuracy, demonstrates the potential of the framework to transform preliminary design processes. The research contributes to the growing field of machine learning in structural analysis by providing a robust methodology for creating efficient surrogate models and by demonstrating effectiveness of GNNs on a global property prediction like buckling.
Benzer Tezler
- Surrogate modeling of aerodynamic surfaces using geometric deep learning
Aerodinamik yüzeyler için geometrik derin öğrenme tabanlı vekil modelleme
HAKAN ARI
Yüksek Lisans
İngilizce
2026
Havacılık ve Uzay MühendisliğiOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT MANGUOĞLU
DOÇ. DR. HANDE ALEMDAR
- Optimization over trained graph neural networks with an application in brain tumor resection
Eğitilmiş grafik sinir ağları üzerinde optimizasyon: Beyin tümörü rezeksiyonunda bir uygulama
KAAN ÇAKIROĞLU
Yüksek Lisans
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. ÖZLEM KARSU
DR. ÖĞR. ÜYESİ TAGHİ KHANİYEV
- Çevresel koşulların sığırlarda süt verimi üzerine etkisinin makine öğrenme modelleri ile araştırılması
Evaluation of the impact of environmental conditions on dairy cattle milk yield using machine learning algorithms
HAKAN DUMAN
Doktora
Türkçe
2023
ZiraatIğdır ÜniversitesiTarım Bilimleri Ana Bilim Dalı (disiplinlerarası)
DR. ÖĞR. ÜYESİ MEHMET KAZIM KARA
DR. ÖĞR. ÜYESİ ONUR ŞAHİN
- Graph neural networks for interpersonal relationship recognition in images
Görsellerde kişilerarası ilişki tanıma için grafik sinir ağları
SİMGE AKAY TEMUR
Doktora
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBahçeşehir ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. NAFİZ ARICA
- Graph neural networks on predicting aerodynamic flow fields around airfoils
Kanat kesitleri çevresindeki aerodinamik akış alanları tahmininde grafik sinir ağları
SÜLEYMAN ONAT ÇELTİK
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. HANDE ALEMDAR
DOÇ. DR. ÖZGÜR UĞRAŞ BARAN