Este artículo propone un modelo proxy basado en redes neuronales gráficas (GNN) para la predicción de la respuesta de estructuras reticulares. Basado en la teoría de grafos, se utiliza un método de representación gráfica para describir las características topológicas e información física de las estructuras reticulares, y mediante convolución gráfica se establece la correlación entre variables para lograr una reducción del espacio de entrenamiento basada en la geometría estructural y las características físicas; además, el modelo introduce un mecanismo de atención que considera eficazmente las características de nodos y aristas, y asigna de forma adaptativa los pesos de las características de los nodos y aristas vecinos en función de la rigidez del elemento, logrando así simular con precisión las rutas de transmisión mecánica en la estructura durante el entrenamiento. Finalmente, se evaluó la precisión predictiva del modelo propuesto utilizando tres estructuras reticulares con 10, 19 y 27 variables. Los resultados indican que, a medida que aumenta el número de muestras de entrenamiento, el error de predicción del modelo GNN disminuye considerablemente; y con un tamaño adecuado de muestras, el modelo aún puede lograr alta precisión predictiva en problemas de alta dimensión, superando las deficiencias de los modelos proxy tradicionales cuyo error crece con el número de muestras y el tratamiento de problemas de alta dimensión.

Modelo proxy; redes neuronales gráficas; análisis estructural; precisión predictiva; eficiencia computacional