In diesem Artikel wird ein Stellvertretermodell basierend auf graphbasierten neuronalen Netzwerken (GNN) zur Vorhersage des Antwortverhaltens von Fachwerkstrukturen vorgeschlagen. Basierend auf der Graphentheorie wird eine graphische Darstellungsmethode verwendet, um die topologischen Merkmale und physikalischen Informationen der Fachwerkstrukturen zu beschreiben. Durch graphbasierte Faltung wird die Korrelation zwischen Variablen aufgebaut, um eine dimensionsreduzierte Trainingsraumreduktion basierend auf der Strukturgeometrie und physikalischen Eigenschaften zu realisieren; zudem wird ein Aufmerksamkeitsmechanismus im Modell eingeführt, der Knoten- und Kantenmerkmale effektiv berücksichtigt und basierend auf der Steifigkeit der Elemente die Merkmalgewichte benachbarter Knoten und Kanten adaptiv zuweist, wodurch während des Trainings die mechanischen Lastpfade in der Struktur genau simuliert werden können. Abschließend wurde die Vorhersagegenauigkeit des vorgeschlagenen Modells anhand von drei Fachwerkstrukturen mit 10, 19 und 27 Variablen bewertet. Die Ergebnisse zeigen, dass mit zunehmender Anzahl an Trainingsproben der Vorhersagefehler des GNN-Modells signifikant sinkt; und bei geeigneter Stichprobengröße kann das Modell auch bei hochdimensionalen Problemen eine sehr hohe Vorhersagegenauigkeit erzielen und überwindet so die Nachteile traditioneller Stellvertretermodelle, deren Genauigkeit bei steigender Probenanzahl und Verarbeitung hochdimensionaler Probleme stark abnimmt.

Stellvertretermodell; graphbasierte neuronale Netzwerke; Strukturanalyse; Vorhersagegenauigkeit; Rechenleistung