Aller au contenu principal
Accès ouvert déclaré 2025 article

Graph neural network structural limitation for thermal simulation and architecture optimization through rating system

0Citations signalées, ce qui n’est pas une note de qualité
4Institutions déclarées
2Pays d’affiliation déclarés

Rattachement africain : fr, us. Niveau de preuve : code pays fourni par la source.

Le résumé fourni par la source

Abstract Graph neural networks are well suited for physics based simulation. Among other features, graphs can accurately represent thermal effects, with energy conservation operating on the nodes (vertices) and heat flow coursing through edges. Moreover, graph neural networks incorporate the data topology and allow simulation on a wide variety of geometries. In this paper, various graph neural networks are trained using analytical solutions to the transient heat equation. Several architectures and hyper-parameters are compared to empirically identify good practices when using a graph neural network for numerical simulation. In addition, a novel method to optimize the network architecture is proposed. It is based on rating systems used to evaluate players’ skill level in competitive games. The results show that graph neural network-based simulation shares mutual restrictions with classical discretizations techniques (such as the Von Neumann stability criterion) and also that graph neural networks can be a potent generalization tool for heat transfer problems.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.

Le contrôle bibliographique ouvert

DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.

Titre Crossref
Graph neural network structural limitation for thermal simulation and architecture optimization through rating system
Date Crossref
21/08/2025
Éditeur
Springer Science and Business Media LLC
Type
journal-article

Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude, et il ne compte pas comme une seconde source scientifique indépendante.

Où se fait cette recherche

  • Arts et Métiers pays non établi dans la notice
    Université ou école supérieure
  • HESAM Université pays non établi dans la notice
    Université ou école supérieure
  • Agence Nationale pour la Gestion des Déchets Radioactifs pays non établi dans la notice
    Institution
  • University of North Florida Department of Mechanical Engineering pays non établi dans la notice
    Université ou école supérieure
  • French National Radioactive Waste Management Agency Andra pays non établi dans la notice
    Organisme public
  • PIMM Laboratory pays non établi dans la notice
    Structure de recherche

Arts et Métiers, HESAM Université et Agence Nationale pour la Gestion des Déchets Radioactifs, avec 3 autres affiliations.

Une affiliation ne permet pas de déduire la nationalité d’un auteur.

Les sujets associés

Neural Networks and ApplicationsMachine Learning in Materials ScienceGraph Theory and Algorithms

BNTIC News n’est pas le producteur de ces données. Les publications sont interrogées à la demande dans Crossref, OpenAIRE, DOAJ, Europe PMC, HAL, DataCite, AfricArXiv, ROR et la Banque mondiale, sans clé d’accès. OpenAlex reste optionnel. Aucun service payant n’est nécessaire et aucune donnée externe n’est enregistrée en base. Consulter les sources et leurs limites.