Hybrid coupling with operator inference and the overlapping Schwarz alternating method

Resumen Técnico: Acoplamiento Híbrido con Inferencia de Operadores y el Método Alternante de Schwarz Superpuesto

Planteamiento del Problema
El modelado y la simulación multiescala (mod/sim) son esenciales para el diseño de sistemas de ingeniería complejos, pero enfrentan cuellos de botella significativos. Las simulaciones tradicionales de alta fidelidad (Modelos de Orden Completo, o FOMs) sufren tiempos de ejecución prolongados y requisitos arduos de generación de mallas, donde la creación de una única malla de alta calidad para un componente multiescala puede tomar semanas. Si bien los Modelos de Orden Reducido (ROMs) basados en proyección ofrecen un camino para reducir la complejidad computacional en línea, a menudo carecen de mecanismos de refinamiento sistemáticos, estabilidad en regímenes predictivos y requieren acceso intrusivo al código del FOM subyacente. Además, los métodos emergentes sin malla como las Redes Neuronales Informadas por la Física (PINNs) enfrentan desafíos relacionados con la interpretabilidad, los costos de entrenamiento y la convergencia. Existe una necesidad crítica de una estrategia de acoplamiento flexible que pueda integrar modelos, mallas y esquemas de integración temporal dispares sin requerir una malla monolítica o modificaciones intrusivas en el código.

Metodología
El artículo propone un enfoque híbrido basado en la descomposición de dominios que acopla ROMs de Inferencia de Operadores (OpInf) locales de subdominio, no intrusivos, entre sí y con FOMs locales de subdominio utilizando el Método Alternante de Schwarz Superpuesto (O-SAM).

1. Inferencia de Operadores (OpInf): Los autores utilizan OpInf, una técnica de reducción de modelos no intrusiva. En lugar de proyectar las ecuaciones gobernantes sobre una base reducida (lo que requiere acceso al código), OpInf aprende operadores reducidos (lineales, cuadráticos y cúbicos) directamente a partir de datos de instantáneas (snapshots) mediante regresión de mínimos cuadrados. El artículo se centra en una forma funcional cúbica (COpInf) para capturar no linealidades, aunque también se consideran las formas cuadrática (QOpInf) y lineal.
2. Método Alternante de Schwarz Superpuesto (O-SAM): El dominio físico se descompone en subdominios superpuestos. El método resuelve iterativamente problemas locales de subdominio, intercambiando información de condiciones de contorno de Dirichlet a través de las interfaces para asegurar la compatibilidad de la solución.
   • Acoplamiento Heterogéneo: O-SAM permite la integración fluida de diferentes modelos (FOM-ROM, ROM-ROM), diferentes resoluciones de malla, diferentes tipos de elementos y diferentes esquemas de integración de tiempo (por ejemplo, implícito vs. explícito) con distintos pasos de tiempo.
   • Entrenamiento Top-Down: Los ROMs de OpInf se entrenan utilizando un enfoque "top-down", donde los datos de entrenamiento se generan ejecutando una simulación O-SAM FOM-FOM acoplada en el dominio completo. Esto evita la necesidad de simulaciones de subdominio independientes y captura la dinámica de interfaz acoplada.
   • Reducción de Contorno: Para manejar un gran número de grados de libertad (DoFs) de contorno en problemas 3D, los autores emplean bases POD de contorno para reducir la dimensionalidad de los vectores de forzamiento de contorno antes de inferir los operadores de contorno.
   • Selección de Regularización: Se propone un algoritmo offline para seleccionar los parámetros de regularización óptimos para los problemas de mínimos cuadrados de OpInf mediante la simulación del ROM con datos de contorno congelados de la trayectoria de entrenamiento, asegurando la estabilidad sin requerir soluciones acopladas completas para cada candidato de parámetro.

Contribuciones Clave

• Marco de Acoplamiento Novedoso: Este trabajo presenta una de las primeras aplicaciones de O-SAM para acoplar ROMs de OpInf no intrusivos, extendiendo trabajos previos sobre FOM-FOM y acoplamientos de ROM intrusivos.
• OpInf de Orden Superior: Los autores introducen y demuestran el uso de ROMs de OpInf cúbica (COpInf), yendo más allá de las formas lineales y cuadráticas utilizadas en la literatura relacionada previa.
• Integración Dispar: La metodología acopla con éxito modelos con diferentes integradores de tiempo y pasos de tiempo, una capacidad no demostrada previamente para acoplamientos basados en OpInf en este contexto.
• Dinámica de Sólidos No Lineales 3D: El enfoque se valida en problemas realistas y complejos de dinámica de sólidos 3D que involucran materiales hiperelásticos (modelos de Saint Venant–Kirchhoff y Neohookean), variaciones en la resolución de la malla y diferentes tipos de elementos (tetraédricos vs. hexaédricos).
• Estrategias de Eficiencia: El artículo introduce estrategias específicas para mejorar la eficiencia de O-SAM, incluyendo bases POD de contorno para reducir los tamaños de los operadores y un método de selección automatizada de parámetros de regularización adaptado para problemas de subdominio acoplados.

Resultados
La metodología fue evaluada en cuatro casos de prueba numéricos: un problema de propagación de ondas elásticas lineales 1D, un problema de unión atornillada 3D, un problema de torsión 3D y un problema de probeta de tracción 3D.

• Precisión: Los acoplamientos híbridos (FOM-OpInf y OpInf-OpInf) alcanzaron una alta precisión, superando a menudo a los acoplamientos análogos FOM-FOM en términos de error relativo para los campos de desplazamiento y velocidad. En el caso de propagación de ondas 1D, los acoplamientos OpInf-OpInf con suficientes modos POD lograron una "superconvergencia" respecto a los acoplamientos FOM-FOM. En el problema de la unión atornillada 3D, se lograron errores relativos tan bajos como 0.1% para desplazamiento y velocidad.
• Convergencia: Las iteraciones de O-SAM para acoplamientos híbridos generalmente convergieron en menos iteraciones (a menudo 2–5) en comparación con los acoplamientos FOM-FOM. Los autores atribuyen esto a la naturaleza más suave de las soluciones de OpInf (basadas en modos POD) en comparación con las funciones de forma estándar de elementos finitos.
• Aceleración (Speedup): El enfoque produjo aceleraciones significativas.
  • En el problema de torsión 3D, se observaron aceleraciones de hasta 23.5×.
  • En el problema de la probeta de tracción 3D, el acoplamiento más agresivo (QOpInf-QOpInf) logró una aceleración de 10⁶ veces en comparación con el acoplamiento FOM-FOM correspondiente, manteniendo una precisión aceptable.
• Capacidad Predictiva: El método demostró capacidades predictivas robustas. En los problemas de la unión atornillada y de torsión, los modelos entrenados con condiciones iniciales o conjuntos de parámetros específicos predijeron con éxito las soluciones para condiciones no vistas, con errores relativos generalmente dentro de las tolerancias de ingeniería (a menudo <5% para el desplazamiento).

Significancia y Reivindicaciones
El artículo afirma que este enfoque híbrido de O-SAM aborda los desafíos duales de los largos tiempos de ejecución y la compleja generación de mallas en la simulación multiescala. Al "pegar" combinaciones arbitrarias de modelos de alta fidelidad y de orden reducido de manera plug-and-play, el método permite flujos de trabajo de simulación eficientes sin requerir acceso intrusivo al código FOM.

Los autores enfatizan que su estrategia es particularmente adecuada para problemas donde las geometrías del sistema son demasiado complejas para un mallado monolítico, permitiendo la creación de geometrías/mallas alternativas offline y su integración fluida mediante O-SAM. Aunque el trabajo actual se centra en la dinámica de sólidos, los autores declaran que la metodología es aplicable a una amplia gama de ecuaciones diferenciales parciales (PDEs). El trabajo se presenta como un paso hacia simulaciones de ingeniería más eficientes, con planes futuros para extender el marco a la descomposición de dominios no superpuestos, el cambio adaptativo entre ROM y FOM, y la integración en códigos de producción como SIERRA/SM.