Um novo estudo, publicado na Engineering apresenta um método de cálculo inovador para prever a distribuição da carga de explosão em edifícios 3D complexos usando redes neurais de grafos. A pesquisa, liderada por uma equipe da Faculdade de Engenharia Mecânica da Universidade de Ciência e Tecnologia de Nanjing, introduz uma abordagem baseada em dados que melhora significativamente a precisão e a eficiência da previsão de carga de explosão. Isso é crucial para o projeto de estruturas, a proteção civil e as avaliações de segurança.
Métodos convencionais para prever cargas de explosão, como pesquisa experimental, modelos teóricos e simulações numéricas, têm várias limitações. Configurações experimentais são caras e difíceis de implementar, enquanto modelos teóricos geralmente se limitam a geometrias simples e não são precisos o suficiente. Embora simulações numéricas sejam precisas, elas exigem recursos computacionais e tempo consideráveis, tornando-as impraticáveis para aplicações em tempo real. Para superar esses desafios, os pesquisadores desenvolveram um modelo de rede neural de grafo (GNN) encoder-decoder chamado BlastGraphNet.
BlastGraphNet utiliza um mecanismo de passagem de mensagens para prever as distribuições de sobrepressão e impulso em edifícios com geometria convencional e complexa. O modelo é treinado em um conjunto de dados gerado a partir de simulações numéricas de explosão em um domínio computacional com várias configurações de edifícios. Ao focar em parâmetros-chave como sobrepressão de pico, impulso de pico e tempo de chegada da frente de onda, o BlastGraphNet simplifica o processo de previsão, mantendo alta precisão.
Os resultados do estudo mostram que o BlastGraphNet alcança um erro de previsão inferior a 2% em testes de edifícios convencionais, exibindo uma velocidade de inferência de três a quatro ordens de magnitude mais rápida do que os métodos numéricos de ponta. Em cenários mais complexos, como edifícios com geometrias intrincadas e aglomerados de edifícios, o modelo demonstra alta precisão e excelente generalização. O estudo também destaca o potencial do modelo para aplicações downstream, incluindo avaliação de danos estruturais e simulações virtuais de explosões urbanas.
Os pesquisadores criaram um conjunto de dados abrangente gerando 4.000 exemplos de várias configurações de edifícios para treinamento. Para avaliar a adaptabilidade geométrica do modelo, foram criados três tipos de conjuntos de dados de teste: geometrias de rotação, geometrias de múltiplos corpos e geometrias complexas. O desempenho do modelo foi avaliado usando métricas como o erro quadrático médio relativo (RMSE) e o coeficiente de determinação (R²). Os resultados demonstraram que o BlastGraphNet captura efetivamente as características de granulação fina da propagação de ondas de choque, fornecendo capacidades de previsão consistentes em vários atributos.
Além de sua alta precisão e eficiência, o BlastGraphNet exibe forte robustez e generalização. O modelo foi testado em várias geometrias complexas de edifícios e cenários de múltiplos corpos, apresentando desempenho de previsão satisfatório. O estudo também investigou o potencial do modelo para aplicações de engenharia, como avaliação de danos estruturais usando curvas de impulso de pressão (P–I) e simulações de explosão virtual em ambientes urbanos. Os resultados sugerem que o BlastGraphNet pode fornecer suporte crucial para projeto de edifícios, planejamento urbano e gerenciamento de emergências, permitindo avaliações rápidas e precisas de risco de explosão.
A pesquisa enfatiza o potencial das redes neurais de grafos para processar dados não estruturados e fenômenos físicos complexos, oferecendo um novo paradigma para a previsão de cargas de explosão e avaliação de danos em engenharia de proteção. Trabalhos futuros podem se concentrar na incorporação de cenários de explosão mais diversos e na otimização do modelo para aplicações ainda mais amplas, aprimorando ainda mais suas capacidades para avaliações de segurança urbana.
