Consistent machine learning for topology optimization with microstructure-dependent neural network material models

Resumen Técnico: Aprendizaje Automático Consistente para la Optimización de Topología con Modelos de Materiales de Redes Neuronales Dependientes de la Microestructura

Planteamiento del Problema
La integración de la fabricación aditiva (AM) y la optimización de topología (TO) ha permitido el diseño de estructuras multiescala con microestructuras de materiales que varían espacialmente. Sin embargo, optimizar tales estructuras bajo condiciones no lineales (geométricas y de material) sigue siendo un desafío significativo. Los enfoques tradicionales que dependen de la homogeneización computacional (por ejemplo, FE2) son computacionalmente prohibitivos cuando se realizan de forma concurrente con la TO. Por el contrario, los modelos constitutivos estándar de aprendizaje automático (ML) suelen fallar al no adherirse a principios físicos fundamentales —como la consistencia termodinámica, la objetividad y la policonvexidad— lo que conduce a inestabilidades numéricas y predicciones inexactas, particularmente en regímenes de escasez de datos o cerca de singularidades (por ejemplo, volumen cero). Si bien el ML se ha aplicado a la TO multiescala de elasticidad lineal, su aplicación a las respuestas hiperelásticas geométrica y materialmente no lineales aún está en una etapa incipiente.

Metodología
Los autores proponen un marco que fusiona una estrategia de TO basada en la homogeneización con un enfoque de aprendizaje automático "consistente" fundamentado en la teoría de la hiperelasticidad. La metodología consta de dos componentes principales:

1. Modelado Constitutivo de ML Consistente:

   • Arquitectura: El marco utiliza Redes Neuronales Convexas de Entrada (ICNN) para aprender el mapeo entre los descriptores microestructurales y la respuesta constitutiva homogeneizada.
   • Restricciones Físicas: Para asegurar la estabilidad numérica y la validez física, la arquitectura de la red neuronal impone condiciones críticas de hiperelasticidad:
     • Policonvexidad: La densidad de energía de deformación se formula como una función convexa del gradiente de deformación, el cofactor y el determinante, asegurando la existencia de minimizadores para el problema variacional.
     • Objetividad y Simetría: El modelo respeta la independencia de marco de material y la isotropía mediante el uso de intercambio de pesos simétrico y transformaciones de entrada específicas basadas en extensiones principales.
     • Consistencia Termodinámica: El modelo satisface las condiciones de estado natural (estrés y energía cero en deformación cero) y las condiciones de crecimiento volumétrico (la energía tiende al infinito cuando el volumen tiende a cero o al infinito).
   • Dependencia de la Microestructura: El espacio de entrada de la ICNN se extiende para incluir descriptores microestructurales, específicamente la fracción de volumen de inclusiones rígidas ($\alpha$) dentro de una matriz blanda. El modelo asume una relación convexa entre la densidad de energía de deformación y la fracción de volumen de inclusión.
   • Diferenciabilidad: Todo el modelo constitutivo es diferenciable, lo que permite el cálculo eficiente de la rigidez tangente y las sensibilidades mediante diferenciación automática.

2. Optimización de Topología Multiescala:

   • Formulación: El problema de TO se formula como un problema de maximización de trabajo sujeto a restricciones de fracción de volumen tanto para la distribución de material macroscópico ($\rho$) como para la fracción de volumen microestructural ($\alpha$).
   • Implementación: Se utiliza un enfoque basado en la densidad con interpolación SIMP y proyección de Heaviside suave para manejar densidades intermedias y asegurar la no linealidad geométrica en elementos sólidos, manteniendo simultáneamente la cinemática de deformación pequeña en elementos de vacío.
   • Bucle de Optimización: El optimizador (MMA) actualiza tanto las pseudo-densidades macroscópicas como las fracciones de volumen microestructurales de forma simultánea. El modelo de ML consistente proporciona la respuesta de esfuerzo homogeneizada y sus derivadas para el análisis directo y los cálculos de sensibilidad.

Contribuciones Clave

• Marco de ML Consistente: El artículo introduce un nuevo marco para la TO hiperelástica que integra ICNNs con restricciones físicas rigurosas (policonvexidad, objetividad, estado natural), abordando los problemas de estabilidad de las redes neuronales de "caja negra" en la optimación no lineal.
• Modelado Dependiente de la Microestructura: Los autores demuestran un método para embeber descriptores microestructurales (fracción de volumen) directamente en la entrada de la ICNN, permitiendo la predicción de respuestas homogeneizadas que varían espacialmente a través del dominio de diseño.
• Optimización Concurrente de Dos Escalas: El trabajo extiende la TO a un problema de diseño concurrente de dos escalas para materiales hiperelásticos, optimizando simultáneamente la disposición macroscópica y la composición microestructural local.
• Validación: El estudio valida el modelo de ML contra modelos fenomenológicos clásicos (Arruda-Boyce y Neo-Hookean) y demuestra su eficacia en pruebas comparativas de optimización de una sola escala y multiescala (soporte en T y viga en voladizo).

Resultados

• Precisión del Modelo: Los modelos de ML consistentes entrenados ($M_s$ para una escala y $M_m$ para multiescala) lograron una alta precisión ($R^2 > 0.999$) en la predicción de respuestas de esfuerzo y densidades de energía de deformación en comparación con los modelos fenomenológicos de referencia y las simulaciones RVE. Los modelos demostraron capacidades robustas de interpolación y razonables capacidades de extrapolación, particularmente cerca de las singularidades, debido a las restricciones físicas impuestas.
• TO de Escala Única: En los ejemplos de optimización de escala única (soporte en T y viga en voladizo), los diseños generados utilizando el modelo de material de ML fueron casi idénticos a los obtenidos mediante los modelos fenomenológicos de referencia, confirmando la confiabilidad del enfoque de ML para tareas estándar de TO.
• TO Multiescala: En la optimización concurrente de dos escalas, permitir que la fracción de volumen de inclusión ($\alpha$) varíe espacialmente resultó en valores de la función objetivo más bajos (mejor trabajo maximizado) en comparación con los casos base con microestructuras fijas. El optimizador distribuyó naturalmente el material de tal manera que las regiones que requerían mayor complacencia utilizaron fracciones de volumen de inclusión menores, mientras que las regiones más rígidas utilizaron fracciones mayores.
• Convergencia: El proceso de optimización convergió suavemente, ya que la naturaleza diferenciable del modelo de ML facilitó un análisis de sensibilidad eficiente sin la necesidad de una homogeneización numérica costosa en cada iteración.

Significancia y Reivindicaciones
El artículo sostiene que la integración de modelos de aprendizaje automático consistentes con la optimización de topología basada en la densidad mejora significativamente el diseño de optimización de estructuras hiperelásticas heterogéneas bajo deformaciones finitas. La principal significancia radica en la capacidad de realizar una optimización multiescala eficiente, estable y físicamente consistente sin el costo computacional de las simulaciones FE2 concurrentes. Al asegurar que el modelo de ML cumpla con la policonvexidad y otras propiedades de la hiperelasticidad, el marco garantiza la existencia de soluciones en el problema directo y produce diseños finales confiables. Los autores postulan que este enfoque proporciona un camino viable para el diseño de futuros materiales y estructuras funcionalmente graduadas, y señalan que el marco es generalizable a descriptores adicionales (como la orientación) y potencialmente a materiales dependientes de la historia.