Design of a specimen to train path-dependent deep learning material models from a single uniaxial test: eliciting strain diversity via automatically differentiable elastoplastic topology optimization

Resumen Técnico: Diseño de un Espécimen para Entrenar Modelos de Materiales de Aprendizaje Profundo Dependientes de la Trayectoria a partir de un Único Ensayo Uniaxial

Planteamiento del Problema
Las redes neuronales artificiales (ANN) han demostrado la capacidad de aprender con precisión el comportamiento de materiales no lineales y dependientes de la trayectoria, superando a menudo a las leyes constitutivas fenomenológicas tradicionales. Sin embargo, el entrenamiento de estos modelos basados en datos requiere típicamente grandes y diversos conjuntos de datos que abarquen una amplia gama de trayectorias de esfuerzo-deformación. Actualmente, dichos conjuntos de datos se generan predominantemente mediante simulaciones de celdas unitarias sintéticas en lugar de experimentos físicos. Los especímenes experimentales estándar, como las geometrías de hueso de perro (dogbone), no logran generar trayectorias de esfuerzo-deformación suficientemente diversas bajo una carga uniaxial simple. En consecuencia, entrenar modelos de redes neuronales complejas (por ejemplo, con millones de parámetros) a partir de experimentos físicos requeriría un número irrazonable de pruebas o configuraciones de carga multiaxial complejas. Este artículo aborda la brecha entre los requisitos de datos de los modelos de materiales de aprendizaje profundo y el contenido de información limitado de los ensayos mecánicos estándar.

Metodología
Los autores proponen un marco que integra la optimización de topología elastoplástica automáticamente diferenciable con la actualización de modelos de materiales basados en datos. El flujo de trabajo consta de tres etapas distintas:

1. Optimización de Topología (Diseño del Generador de Datos):
   La innovación central es el diseño de una geometría de espécimen que maximiza la diversidad de deformación bajo una carga uniaxial monotónica simple. Los autores formulan un problema de optimización donde el objetivo es maximizar la entropía de Shannon de la distribución de deformación dentro del espécimen.

   • Diferenciabilidad: Para permitir la optimización basada en gradientes, los autores utilizan el marco JAX para la diferenciación automática (AD). Esto permite el cálculo exacto de los gradientes a través de la integración por pasos de tiempo del modelo constitutivo elastoplástico, evitando la laboriosa derivación manual de las formulaciones adjuntas requeridas por los métodos convencionales.
   • Función Objetivo: La diversidad de deformación se cuantifica discretizando el espacio de deformación en celdas y construyendo un histograma diferenciable utilizando núcleos gaussianos (asignación suave o soft assignment) para asignar las muestras de deformación a las celdas. La entropía de Shannon de este histograma sirve como la función objetivo a maximizar.
   • Restricciones: La optimización emplea un enfoque basado en la densidad (esquema SIMP) con un filtro de cono y proyección de umbral para asegurar diseños fabricables y binarios (blanco y negro).

2. Generación de Conjuntos de Datos:
   Una vez determinada la geometría optimizada, esta se somete a una carga uniaxial cíclica (tensión-compresión) mediante el Análisis de Elementos Finitos (FEA). Se recolectan las trayectorias locales de esfuerzo-deformación de todos los elementos sólidos dentro del espécimen para formar un conjunto de datos exhaustivo. Este conjunto de datos está destinado a cubrir un amplio rango de estados de deformación, incluyendo la deformación plástica.

3. Actualización del Modelo de Material (Entrenamiento):
   El conjunto de datos generado se utiliza para entrenar un modelo de material de Red Neuronal Recurrente (RNN), específicamente utilizando Unidades Recurrentes con Puertas (GRU). Los autores emplean el marco de Actualización de Modelos Automáticamente Diferenciable (ADiMU) (implementado en HookeAI) para entrenar la red. Para probar rigurosamente la eficiencia de los datos del espécimen propuesto, se entrena un modelo sobreparametrizado (dos capas GRU con 500 unidades ocultas cada una, totalizando >2 millones de parámetros). El modelo se evalúa sobre trayectorias de esfuerzo-deformación polinómicas independientes y generadas aleatoriamente.

Contribuciones Clave

• Nueva Estrategia de Diseño de Especímenes: Este trabajo presenta la primera integración de la optimización de topología elastoplástica con el entrenamiento de modelos sustitutos de redes neuronales recurrentes a partir de un único espécimen optimizado. Demuestra que un único espécimen de geometría compleja puede diseñarse para generar suficiente diversidad de deformación para el entrenamiento de modelos dependientes de la trayectoria.
• Optimización Automáticamente Diferenciable: El artículo aprovecha la AD para resolver el problema de optimización de topología elastoplástica, permitiendo el uso de funciones objetivo complejas y no estándar (entropía de deformación) que son difíciles de formular con los métodos adjuntos tradicionales.
• Eficiencia de Datos: El estudio muestra que un solo espécimen optimizado bajo una carga simple puede generar conjuntos de datos capaces de entrenar grandes redes neuronales, reduiendo potencialmente la carga experimental asociada con el modelado de materiales basado en datos.

Resultados

• Desempeño Superior vs. Especímenes Estándar: Los modelos GRU entrenados con datos del espécimen optimizado por topología lograron valores de Error Cuadrático Medio Normalizado (NRMSE) significativamente más bajos en comparación con los modelos entrenados con especímenes estándar de hueso de perro o con muescas. Para componentes de esfuerzo en 2D, el espécimen optimizado produjo valores de NRMSE alrededor del 9–11%, mientras que los especímenes de hueso de perro resultaron en errores superiores al 55–166%.
• Diversidad y Redundancia de Deformación: El análisis de los conjuntos de datos reveló que el espécimen optimizado produce una cobertura mucho más amplia del espacio de deformación. Un estudio de redundancia (análisis de poda) mostró que el conjunto de datos del hueso de perro contenía alta redundancia (requiriendo casi la totalidad del conjunto de datos para mantener la precisión), mientras que el conjunto de datos optimizado tenía menor redundancia, con un 65% de los datos siendo suficientes para alcanzar una precisión cercana a la óptima.
• Generalización: El marco demostró robustez cuando se cambió el modelo de material subyacente. Un espécimen optimizado diseñado utilizando un modelo de plasticidad de von Mises se utilizó para generar datos para un modelo de Drucker–Prager. El modelo GRU resultante capturó con éxito el comportamiento de Drucker–Prager, indicando la capacidad del espécimen para generar datos informativos incluso cuando los supuestos constitutivos difieren de la fase de diseño.
• Extensión a 3D: La metodología se extendió a 3D, mostrando que optimizar para la diversidad de deformación en el plano también genera respuestas de esfuerzo fuera del plano informativas, aunque la predicción del esfuerzo cortante fue menos precisa debido a la exposición limitada en los datos de entrenamiento.

Significancia y Reivindicaciones
El artículo afirma establecer la viabilidad de la "Prueba de Materiales 2.0", un paradigma donde un único experimento cuidadosamente diseñado reemplaza las pruebas estandarizadas para calibrar modelos de materiales complejos. Los autores sostienen que este es el primer trabajo que integra la optimización de topología elastoplástica con el entrenamiento de modelos sustitutos de redes neuronales recurrentes a partir de un único espécimen optimizado.

La significancia radica en el potencial de reducir sustancialmente la carga experimental asociada con el modelado de materiales basado en datos. Al reemplazar la necesidad de extensas campañas de ensayos multiaxiales con un único ensayo uniaxial rico en información, el método propuesto busca permitir la aplicación práctica de modelos de redes neuronales de gran capacidad para materiales del mundo real. Los autores señalan que, si bien el presente estudio es totalmente computacional y depende de conjuntos de datos generados mediante FEA, las geometrías optimizadas son factibles de fabricación. El trabajo futuro planea validar estos diseños experimentalmente utilizando técnicas de medición de campo completo como la Correlación de Imágenes Digitales (DIC) para capturar los datos globales de desplazamiento y fuerza, que luego se utilizarían para entrenar o calibrar modelos dentro del marco ADiMU. El trabajo no pretende alcanzar la optimalidad global de la geometría del espécimen, sino que demuestra que maximizar la diversidad de los estados de deformación a través de la optimización de la topología es una estrategia viable para entrenar modelos de alta capacidad basados en datos.