DOI: https://doi.org/10.1038/s41467-026-75508-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42436122
تاريخ النشر: 2026-07-11
المؤلف: Ying Zhou وآخرون
الموضوع الرئيسي: تقليل النماذج والشبكات العصبية
نظرة عامة
يقدم هذا القسم نظرة عامة على SeisGPT، وهو نموذج أساسي مستنير بالفيزياء مصمم لتعزيز نمذجة الديناميكا الهيكلية لتطبيقات التصميم الهيكلي، وتخفيف الكوارث، وتقييم المرونة. تعتبر طرق التحليل العددي غير الخطية التقليدية (FEA) كثيفة الحسابات، وغالبًا ما تتطلب ساعات إلى أيام لإجراء المحاكاة، مما يحد من عمليتها للتقييمات في الوقت الحقيقي عبر محفظات المباني المتنوعة. يتناول SeisGPT هذا القيد من خلال دمج مبادئ الميكانيكا الهيكلية مع تقنيات التعلم العميق المتقدمة، بما في ذلك مشفر الشبكة العصبية الرسومية المستنير بالفيزياء ومفكك الشيفرة القائم على المحولات. تم تدريب النموذج مسبقًا على مجموعة بيانات شاملة تضم أكثر من 2 مليون محاكاة FEA غير خطية، محققًا توقعات الإزاحة والتسارع بأقل من 5% خطأ طبيعي، ويوفر تسريعًا حسابيًا يبلغ حوالي 40,000 مرة مقارنة بطرق FEA التقليدية.
علاوة على ذلك، يعزز SeisGPT دقة التوقع من خلال استيعاب قياسات المستشعرات النادرة، مما يسهل مراقبة صحة الهيكل في الوقت الحقيقي وتحديد مواقع الأضرار. يمثل هذا النموذج تقدمًا كبيرًا في مجال الديناميكا الهيكلية، مما يمكّن من توقعات سريعة وعالية الدقة تحت ظروف تحميل ديناميكية متنوعة، مثل الأحداث الزلزالية وأحمال الرياح. من خلال التغلب على قيود FEA التقليدية ومعالجة التحديات المتعلقة بالعمومية عبر تكوينات هيكلية مختلفة، يؤسس SeisGPT نموذجًا حسابيًا تحويليًا يمكن أن يؤثر بشكل كبير على تحسين تصميم الهياكل، واستجابة الكوارث، وتطبيقات التوأم الرقمي.
النتائج
في هذا القسم، يقدم المؤلفون تقييمًا صارمًا لأداء نموذجهم التنبؤي باستخدام ثلاثة مقاييس مصممة خصيصًا: متوسط الخطأ المطلق الطبيعي لكل طابق (FNMAE)، ومتوسط الجذر التربيعي الطبيعي للخطأ لكل طابق (FNRMSE)، ومعامل ارتباط بيرسون (R). تم تصميم هذه المقاييس خصيصًا لأخذ في الاعتبار التباين في أحجام الاستجابة عبر الطوابق المختلفة، والتي يمكن أن تختلف بشكل كبير بسبب الديناميكا الهيكلية وتخفيف السعة مع الارتفاع. لتخفيف التحيز الذي أدخلته مقاييس الخطأ التقليدية، قام المؤلفون بتطبيع الاستجابات الملحوظة في كل طابق بواسطة قيمها المطلقة القصوى، مما يضمن أن تقييم دقة التوقع كان عادلًا عبر جميع الطوابق.
تم حساب الاستجابات الطبيعية باستخدام المعادلات المقدمة، مما يسمح بحساب FNMAE وFNRMSE وR. تم تحديد هذه المقاييس أولاً لكل طابق ثم تم متوسطها لإنتاج مؤشرات على مستوى المبنى. أخيرًا، لتسهيل تقييم شامل لأداء النموذج عبر أنواع الهياكل المختلفة، تم متوسط هذه المؤشرات على مستوى المبنى عبر جميع المباني التي تم التحقيق فيها. تتيح هذه المقاربة المنهجية رؤى مقارنة قوية حول فعالية النموذج في توقع الاستجابات الهيكلية تحت سيناريوهات متنوعة.
المناقشة
تسلط قسم المناقشة في الورقة الضوء على التقدم الذي تم إحرازه في نمذجة الديناميكا الهيكلية من خلال تقديم SeisGPT، وهو نموذج أساسي مستنير بالفيزياء مصمم لتحقيق التوازن بين دقة الحسابات وكفاءة العملية. يستخدم SeisGPT بنية هجينة تدمج مشفر الشبكة العصبية الرسومية (GNN) المدرك للكتلة والصلابة، ووحدة تضمين الاستجابة الديناميكية المبسطة، ومفكك الشيفرة القائم على المحولات. يتيح هذا الإطار المبتكر للنموذج استيعاب أكثر من 10 مليارات خطوة زمنية للاستجابة غير الخطية، مما يسهل التوقعات السريعة والدقيقة للاستجابات الهيكلية للمباني التي لم تُرَ من قبل. من الجدير بالذكر أن SeisGPT يظهر تحسينات في سرعة الحساب تصل إلى 40,000 مرة أسرع من التحليل العددي التقليدي (FEA)، بينما يحقق أيضًا دقة تنبؤية متفوقة من بيانات المستشعرات النادرة، متفوقًا على البدائل الحالية في التعلم الآلي.
يُعزى الأداء القوي للنموذج إلى عدة ابتكارات أساسية، بما في ذلك استراتيجية تدريب مسبق مزدوجة تجمع بين مجموعة بيانات صناعية كبيرة وبيانات تجريبية من مباني العالم الحقيقي، مما يعزز قدراته على التعميم. علاوة على ذلك، يقوم المشفر المستنير بالفيزياء بتضمين معلومات الميكانيكا الهيكلية، مما يسمح بالتعديل الدقيق بكفاءة مع الحد الأدنى من البيانات الملاحظة. حقق نموذج SeisGPT-Base، المدرب على مجموعة بيانات متنوعة من 270,000 نموذج عنصر نهائي، أخطاء متوسطة طبيعية نسبية (FNMAE) تتراوح من 0.02 إلى 0.06 عبر تكوينات هيكلية مختلفة. على الرغم من قدراته الواعدة، يعترف المؤلفون بالحاجة إلى مزيد من البحث لتوسيع تطبيقات النموذج للاستجابات الهيكلية القصوى وظروف التحميل الأخرى، بالإضافة إلى تحسين نشره لتطبيقات على مستوى المدينة. بشكل عام، يمثل SeisGPT تقدمًا كبيرًا في الديناميكا الهيكلية، حيث يقدم أداة قابلة للتوسع وفعالة لمراقبة وتقييم في الوقت الحقيقي في السياقات الهندسية.
DOI: https://doi.org/10.1038/s41467-026-75508-5
PMID: https://pubmed.ncbi.nlm.nih.gov/42436122
Publication Date: 2026-07-11
Author(s): Ying Zhou et al.
Primary Topic: Model Reduction and Neural Networks
Overview
The section presents an overview of SeisGPT, a novel physics-informed foundation model designed to enhance structural-dynamics modeling for applications in structural design, disaster mitigation, and resilience assessment. Traditional nonlinear finite-element analysis (FEA) methods are computationally intensive, often requiring hours to days for simulations, which limits their practicality for real-time assessments across diverse building portfolios. SeisGPT addresses this limitation by integrating principles of structural mechanics with advanced deep-learning techniques, including a physics-informed graph neural network encoder and a generative Transformer-based decoder. The model is pretrained on a comprehensive dataset of over 2 million nonlinear elastoplastic FEA simulations, achieving displacement and acceleration predictions with less than 5% normalized error and providing a computational speedup of approximately 40,000 times compared to conventional FEA methods.
Furthermore, SeisGPT enhances prediction accuracy by assimilating sparse sensor measurements, facilitating real-time structural health monitoring and damage localization. This model represents a significant advancement in the field of structural dynamics, enabling rapid and high-fidelity predictions under various dynamic loading conditions, such as seismic events and wind loads. By overcoming the limitations of traditional FEA and addressing challenges related to generalizability across different structural configurations, SeisGPT establishes a transformative computational paradigm that can significantly impact structural design optimization, disaster response, and digital twin applications.
Results
In this section, the authors present a rigorous evaluation of their model’s predictive performance using three tailored metrics: floor-wise normalized mean absolute error (FNMAE), floor-wise normalized root mean squared error (FNRMSE), and the Pearson correlation coefficient (R). These metrics were specifically designed to account for the variability in response magnitudes across different floors, which can significantly differ due to structural dynamics and amplitude attenuation with height. To mitigate the bias introduced by traditional error metrics, the authors normalized the observed responses at each floor by their maximum absolute values, ensuring that the evaluation of prediction accuracy was equitable across all floors.
The normalized responses were computed using the equations provided, allowing for the calculation of FNMAE, FNRMSE, and R. These metrics were first determined for each floor and then averaged to produce building-level indicators. Finally, to facilitate a comprehensive assessment of model performance across various structural typologies, these building-level indicators were averaged across all investigated buildings. This methodological approach enables robust comparative insights into the model’s effectiveness in predicting structural responses under diverse scenarios.
Discussion
The discussion section of the paper highlights the advancements made in structural dynamics modeling through the introduction of SeisGPT, a physics-informed foundation model designed to balance computational fidelity with practical efficiency. SeisGPT utilizes a hybrid architecture that integrates a mass-stiffness-aware graph neural network (GNN) encoder, a simplified dynamic-response embedding module, and a generative Transformer-based decoder. This innovative framework enables the model to assimilate over 10 billion nonlinear elastoplastic response time-steps, facilitating rapid and accurate predictions of structural responses for previously unseen buildings. Notably, SeisGPT demonstrates computational speed enhancements of up to 40,000 times faster than traditional finite element analysis (FEA), while also achieving superior predictive accuracy from sparse sensor data, outperforming existing machine learning surrogates.
The model’s robust performance is attributed to several core innovations, including a dual-corpus pretraining strategy that combines a large synthetic dataset with empirical data from real-world buildings, enhancing its generalization capabilities. Furthermore, the physics-informed encoder embeds structural mechanics information, allowing for efficient fine-tuning with minimal observational data. The SeisGPT-Base model, trained on a diverse dataset of 270,000 finite element models, achieved normalized fractional normalized mean absolute errors (FNMAE) ranging from 0.02 to 0.06 across various structural configurations. Despite its promising capabilities, the authors acknowledge the need for further research to expand the model’s applicability to extreme structural responses and other loading conditions, as well as to optimize its deployment for city-wide applications. Overall, SeisGPT represents a significant advancement in structural dynamics, offering a scalable and efficient tool for real-time monitoring and assessment in engineering contexts.