A Neural-Network Framework to Learn History-Dependent Constitutive Laws and Identifiability of Internal Variables

ملخص تقني: إطار عمل للشبكات العصبية لتعلم القوانين التكوينية المعتمدة على التاريخ وتحديد قابلية التحديد للمتغيرات الداخلية

بيان المشكلة
يعد تحديد القوانين التكوينية أمراً بالغ الأهمية لنمذجة سلوك المواد، لا سيما عند سد الفجوة بين الفيزياء المجهرية والتطبيقات الهندسية الكلية. تعتمد النهج التقليدية غالباً على ملاءمة البيانات التجريبية لنماذج رياضية أو استخدام نماذج بديلة لتقليل التكلفة الحسابية للمحاكاة متعددة المقاييس (مثل FE2). ومع ذلك، فإن النماذج المعتمدة على البيانات القياسية، وخاصة تلك القائمة على الشبكات العصبية المتكررة (RNNs) التي تربط تاريخ الانفعال بالإجهاد مباشرة، غالباً ما تفتقر إلى الالتزام الصارم بالمبادئ الفيزيائية الأساسية. وبشكل محدد، قد تفشل في تحقيق:

1. القانون الثاني للديناميكا الحرارية (التبدد).
2. استقرار المادة تحت الانفعالات القصوى.
3. الشروط الرياضية (مثل التحدب المتعدد - polyconvexity) المطلوبة لضمان وجود حلول لمعادلات توازن الزخم غير الخطية الحاكمة.

علاوة على ذلك، في المواد غير المرنة، غالباً ما يتم افتراض المتغيرات الداخلية مسبقاً أو تعلمها من البيانات دون توصيف نظري واضح لفرادتها. وفي السياقات المعتمدة على البيانات، ليس من الواضح ما إذا كانت المتغيرات الداخلية المتعلمة فريدة أم أنها مجرد تمثيلات مختلفة للحالة الفيزيائية نفسها.

المنهجية
يقترح المؤلفون إطار عمل للشبكات العصبية (NN) سببية وطاقية، يعتمد على نظرية المتغيرات الداخلية لتعلم القوانين التكوينية المعتمدة على التاريخ. يقوم النهج بإعادة صياغة العلاقة غير الماركوفية بين الإجهاد والانفعال إلى نظام ماركوفي عبر إدخال مجموعة من المتغيرات الداخلية $\xi(t)$.

• الصياغة الطاقية: يتم اشتقاق الإجهاد $P$ وتطور المتغيرات الداخلية من جهد كثافة الطاقة $W(F, \xi)$ وجهد التبدد $\bar{D}(\dot{\xi})$. يفرض إطار العمل القانون الثاني للديناميكا الحرارية من خلال ضمان أن يكون $\bar{D}$ محدباً مع حد أدنى عند الصفر.
• الديناميكا الصريحة عبر تحويل ليجاندر: لتجنب حل المعادلات التفاضلية العادية (ODEs) الضمنية أثناء التدريب، يستخدم المؤلفون تحويل ليجاندر لجهد التبدد. يحول هذا الإجراء معادلة التطور الضمنية إلى شكل صريح، مما يسمح للشبكة بتعلم جهد التبدد المزدوج $D$ مباشرة.
• بنية الشبكة العصبية:
  • الشبكات العصبية المتسقة المدخلات (ICNNs): يتم تمثيل الجهود $W$ و $D$ باستخدام بنيات ICNN ضحلة. يتم تقييد الأوزان في الطبقة الأخيرة لتكون موجبة لضمان تحدب الجهود، وهو أمر ضروري للاتساق الديناميكي الحراري ووجود الحلول.
  • التحدب المتعدد والموضوعية: يتم تفكيك جهد الطاقة $W$ إلى مكونات هيدروستاتيكية وانحرافية. يتم نمذجة الجزء الهيدروستاتيكي لضمان التحدب المتعدد (وهو شرط لوجود النظريات في المرونة غير الخطية). ولتحقيق الموضوعية (عدم الاعتماد على الإطار)، يتم تدريب النموذج على تدرجات تشوه متناظرة (فضاء موتر كوشي-الحق المتناظر) ويتم توسيعه إلى تدرجات غير متناظرة عبر التفكك القطبي، بدلاً من الاعتماد على قيود ناعمة في دالة الخسارة.
  • استقرار المادة: لمنع السلوك غير الفيزيائي تحت الانفعالات القصوى (مثل ضغط المادة إلى نقطة بطاقة محدودة)، يتم إضافة وظائف نمو محددة ($G_1, G_2$) إلى الجهود. تعمل هذه الوظائف على البقاء ثابتة تقريباً ضمن نطاق البيانات، لكنها تفرض نمواً حدودياً خارجها، مما يضمن انفجار الإجهاد بشكل مناسب مع اقتراب محدد تدرج التشوه من الصفر أو زيادة الانفعال.
• استراتيجية التدريب: يتم تدريب إطار العمل على بيانات ناتجة من نموذج لدونة بلورية دقيقة لخلية مغنيسيوم متعددة البلورات. يتضمن التدريب تقليل الخطأ بين مكونات الإجهاد المتوقعة والحقيقية، مع وجود حدود خسارة منفصلة للأجزاء الهيدروستاتيكية والانحرافية للتعامل مع التفاوت في مقاديرها.

المساهمات الرئيسية

1. إطار عمل متسق فيزيائياً: يقدم المؤلفون إطار عمل للشبكات العصبية يحقق في آن واحد القانون الثاني للديناميكا الحرارية، واستقرار المادة، والموضوعية، والتحدب المتعدد. بخلاف الأعمال السابقة التي تفرض هذه القيود جزئياً أو عبر عقوبات ناعمة، يدمج هذا الإطار هذه الخصائص في البنية وتعريف الطاقة.
2. توسيع التحدب المتعدد الموضوعي: يقدم البحث طريقة لتحقيق التحدب المتعدد والموضوعية من خلال التدريب على موترات متناظرة وتوسيع التعريف عبر التفكك القطبي، مما يتجنب دقة التنبؤ الضعيفة المرتبطة بالنماذج القائمة على الثوابت أو مصطلحات القيود الناعمة.
3. قابلية تحديد المتغيرات الداخلية: يوفر العمل برهاناً نظرياً على أن المتغيرات الداخلية المتعلمة من البيانات فريدة حتى حد التحويل الخطي. يعالج هذا مسألة عدم التفرد التي تظهر غالباً في النمذجة التكوينية المعتمدة على البيانات، حيث يحدد فئة التكافؤ للنماذج البديلة.
4. نمذجة بديلة عالية الدقة: تم نشر إطار العمل بنجاح لتعلم الاستجابة المتوسطة لتايلور لبنية مجهرية من المغنيسيوم متعدد البلورات، محققاً دقة عالية دون المساس بالاتساق الفيزيائي.

النتائج

• دقة التنبؤ: حققت الشبكة العصبية المتعددة التحدب المدربة خطأً نسبياً قدره 2% في التنبؤ باستجابة إجهاد تايلور المتوسطة لمعدن المغنيسيوم متعدد البلورات. وجد أن استخدام تفكيك الطاقة (الهيدروستاتيكية مقابل الانحرافية) كان حاسماً، حيث قلل الخطأ من 15% (بدون التفكيك) إلى 2%.
• أبعاد المتغير الداخلي: يشير التحليل التجريبي إلى أن ستة متغيرات داخلية هي الأمثل لهذه المسألة المحددة من التجانس، مما يوازن بين الدقة والتكلفة الحسابية.
• استقرار المادة: تؤكد التصورات أن وظائف النمو تفرض الحدود الفيزيائية بنجاح. بدون هذه الوظائف، يتوقع النموذج إجهاداً محدوداً عند حجم صفر (det $F=0$)، وهو أمر غير مستقر فيزيائياً. مع الوظائف، يقترب الإجهاد بشكل صحيح من سالب ما لا نهاية عند ضغط المادة.
• التحقق من قابلية التحديد: قام المؤلفون بتدريب نموذجين مستقلين من الشبكات العصبية ببدايات مختلفة على نفس مجموعة البيانات. وُجد أن مسارات المتغيرات الداخلية الناتجة هي تحويلات خطية لبعضها البعض، مع خطأ ملاءمة خطية وسيط يبلغ حوالي 3%، مما أثبت تجريبياً ادعاء التفرد النظري.

الأهمية والنطاق
يزعم البحث أن هذا الإطار يقدم نهجاً قوياً، وقابلاً للتفسير، وسليماً رياضياً لتعلم القوانين التكوينية للمواد المعتمدة على التاريخ. ومن خلال ضمان الاتساق مع الديناميكا الحرارية ونظرية الوجود، فإن النماذج الناتجة مناسبة للاستخدام كبدائل في حلول العناصر المحدودة متعددة المقاييس (مثل Abaqus)، مما قد يحل محل حسابات FE2 المكلفة. يشير المؤلفون إلى أنه بينما تم عرض الطريقة على حالة المغنيسيوم اللزج المرن/اللزج البلاستيكي، فإن إطار العمل عام بما يكفي لالتقاط أي استجابة تعتمد على التاريخ. ويختتم العمل بتحديد الاتجاهات المستقبلية، مثل تعلم الجهود غير المتجانسة المعتمدة على البنية المجهرية والاستجابات غير المحلية مكانياً، لكنه لا يقترح عمليات تحقق تجريبية محددة تتجاوز دراسة التجانب العددي المقدمة.