Cet article propose un modèle proxy basé sur les réseaux de neurones graphiques (GNN) pour la prédiction de la réponse des structures en treillis. Basé sur la théorie des graphes, une méthode de représentation graphique est utilisée pour décrire les caractéristiques topologiques et les informations physiques des structures en treillis. Grâce à la convolution graphique, les corrélations entre les variables sont établies afin de réaliser une réduction de dimension de l'espace d'entraînement basée sur la géométrie structurelle et les caractéristiques physiques ; en outre, le modèle intègre un mécanisme d'attention qui prend efficacement en compte les caractéristiques des nœuds et des arêtes, et attribue de manière adaptative les poids des caractéristiques des nœuds voisins et des arêtes en fonction de la rigidité de l'élément, permettant ainsi de modéliser avec précision les chemins de transmission mécanique dans la structure pendant l'entraînement. Enfin, la précision prédictive du modèle proposé a été évaluée sur trois structures en treillis comportant respectivement 10, 19 et 27 variables. Les résultats montrent qu'avec l'augmentation du nombre d'échantillons d'entraînement, l'erreur de prédiction du modèle GNN diminue de manière significative ; et avec un nombre approprié d'échantillons, le modèle reste capable d'obtenir une précision prédictive élevée pour les problèmes à haute dimensionnalité, surmontant les limitations des modèles proxy traditionnels qui voient leur précision chuter brutalement avec la croissance des échantillons et le traitement des problèmes à haute dimension.

Modèle proxy; réseaux de neurones graphiques; analyse structurelle; précision de prédiction; efficacité de calcul