Learning constitutive laws under explicit strain limits: An interpretable strain-limiting elasticity--Kolmogorov Arnold neural network framework

Resumen Técnico: Aprendizaje de Leyes Constitutivas bajo Límites de Deformación Explícitos

Planteamiento del Problema
El modelado constitutivo preciso es esencial para predecir el comportamiento de los materiales en la mecánica de sólidos, particularmente para materiales blandos como elastómeros, tejidos biológicos y polímeros. Las teorías hiperelásticas clásicas suelen asumir un crecimiento de deformación ilimitado bajo un aumento de tensión, una premisa que falla para materiales que exhiben saturación de deformación o comportamiento de limitación de deformación. En estos materiales, incrementos de tensión incrementales producen incrementos de deformación progresivamente menores debido a mecanismos microestructurales como el alineamiento de cadenas y el entrelazamiento de redes. Ignorar estos efectos puede conducir a predicciones no físicas, pérdida de elipticidad e inestabilidades numéricas cuando los modelos se extrapolan más allá de su rango de calibración.

Aunque los modelos de Elasticidad con Limitación de Deformación (SLE, por sus siglas en inglés) abordan estos problemas al imponer una deformación acotada y un módulo tangente evanescente a altas tensiones, presentan desafíos significativos para el aprendizaje basado en datos. Su naturaleza fuertemente no lineal y asintótica dificulta el tratamiento analítico y complica la calibración de aproximaciones puramente basadas en datos, las cuales a menudo luchan por capturar simultáneamente el comportamiento casi lineal a bajas tensiones y la saturación a altas tensiones sin violar restricciones físicas (por ejemplo, simetría, monotonicidad, acotamiento). Además, las redes neuronales convencionales de tipo "caja negra", aunque flexibles, a menudo fallan en respetar estos principios físicos esenciales durante la extrapolación, limitando su fiabilidad en simulaciones predictivas.

Metodología
Los autores proponen un marco de modelado constitutivo híbrido interpretable que integra SLE con Redes de Kolmogorov–Arnold (KANs). La estrategia central consiste en una separación estricta de roles:

1. Núcleo Basado en la Física (Physics-Based Backbone): El modelo SLE sirve como la ley constitutiva primaria, capturando la respuesta elástica no lineal dominante. Este modelo impone explícitamente principios mecánicos fundamentales: simetría impar (comportamiento de tensión/compresión idéntico), respuesta monotónica, deformación acotada y módulo tangente evanescente.
2. Corrección de Residuo Basada en Datos: Se emplea una KAN exclusivamente para aprender correcciones de residuo suaves y de baja amplitud en el espacio de tensiones. La KAN no reemplaza a la física, sino que la aumenta para dar cuenta de las desviaciones derivadas de la idealización del modelo o la incertidumbre experimental.

Componentes Técnicos Clave:

• Descomposición Constitutiva: El mapeo tensión–deformación se descompone en una reconstrucción que preserva el signo y una función no lineal dependiente de la magnitud, $g(|\tau|)$. Esta estructura refleja la simetría intrínseca de la elasticidad isotrópica.
• Arquitectura KAN: La función $g(|\tau|)$ se representa mediante splines lineales por tramos definidos sobre una rejilla fija de magnitudes de tensión. Esta elección asegura que los parámetros de la red (coeficientes de spline) tengan interpretaciones físicas directas (magnitud de deformación en niveles de tensión específicos) y que el módulo tangente esté explícitamente representado por las pendientes locales.
• Imposición de Restricciones: Las restricciones físicas se integran directamente en la arquitectura del modelo en lugar de depender de la regularización basada en penalizaciones.
  • Simetría Impar: Se impone mediante la reconstrucción determinista de la deformación con signo a partir de la magnitud.
  • Monotonicidad: Se impone mediante la restricción de las pendientes de los splines para que sean no negativas.
  • Deformación Acotada: Se impone limitando los coeficientes de los splines de acuerdo con el límite teórico de deformación.
  • Rigidez Evanescente: Se fomenta mediante la regularización de las pendientes de los splines en el régimen de alta tensión.
• Estrategia de Entrenamiento: El marco utiliza una función de pérdida informada por la física que combina la fidelidad de los datos (Error Cuadrático Medio) con penalizaciones por violar la monotonicidad y los límites de deformación. En aplicaciones experimentales (datos de Treloar), se utiliza un proceso de dos etapas: primero, se calibran los parámetros de SLE con los datos experimentales; segundo, se entrena la KAN sobre las tensiones residuales mientras los parámetros de SLE permanecen fijos.

Resultados
El marco fue evaluado utilizando tanto pruebas de referencia sintéticas como datos experimentales clásicos (experimentos de elasticidad de caucho de Treloar bajo deformación uniaxial, biaxial y planar).

• Pruebas de Referencia Sintéticas:

  • En regímenes de limitación de deformación moderados, la formulación basada en KAN logró una recuperación casi exacta de la ley analítica de SLE ($R^2 > 0.999$) mientras preservaba estrictamente la deformación acotada y la monotonicidad.
  • En regímenes de limitación de deformación fuerte (caracterizados por transiciones bruscas), el modelo mantuvo la admisibilidad física. Aunque aparecieron discrepancias localizadas cerca de la transición brusca debido a la resolución finita de la rejilla de splines fija, el modelo capturó correctamente la saturación asintótica y la caída de rigidez sin oscilaciones espurias o pérdida de monotonicidad. Los autores atribuyen estos errores a la resolución de la representación más que a un fallo de optimización.

• Validación Experimental (Datos de Treloar):

  • El núcleo SLE capturó con éxito la respuesta no lineal dominante en todos los modos de deformación.
  • La formulación híbrida SLE–KAN mejoró sistemáticamente la concordancia con las respuestas de tensión–deformación medidas mediante el aprendizaje de correcciones residuales suaves y dependientes del modo.
  • Crucialmente, el componente basado en datos se mantuvo subordinado al núcleo basado en la física, sin sobrepasar nunca la estructura constitutiva global ni violar la deformación acotada.
  • Análisis Basado en Regímenes: Cuando el límite de deformación se fortaleció deliberadamente más allá de la calibración experimental (restricciones físicas más fuertes), las desviaciones de los datos experimentales aumentaron. Sin embargo, estas desviaciones fueron identificadas transparentemente como consecuencias de las restricciones físicas impuestas, demostiendo un compromiso controlable entre la fidelidad de los datos y la admisibilidad mecánica.

Contribuciones Clave

1. Marco Híbrido: Introducción de un nuevo marco SLE–KAN que equilibra la admisibilidad mecánica con una flexibilidad controlada basada en datos.
2. Interpretabilidad: Demostración de que las KANs, cuando se estructuran con representaciones basadas en splines, proporcionan parámetros internos transparentes con significado físico directo, contrastando con la naturaleza opaca de las redes neuronales densas.
3. Imposición Estructural: Una metodología para integrar restricciones físicas esenciales (simetría, acotamiento, monotonicidad) directamente en la arquitectura de la red, asegurando una extrapolación robusta sin depender de términos de penalización.
4. Análisis de Compromiso: Un análisis basado en regímenes que revela que las desviaciones en regímenes altamente restringidos son indicadores explícitos de las restricciones físicas, ofreciendo una alternativa transparente al ajuste de caja negra sin restricciones.

Significado
El artículo afirma que el marco SLE–KAN proporciona una alternativa transparente, robusta y físicamente consistente para el modelado constitutivo frente a las redes neuronales de caja negra. Su importancia radica en su capacidad para asegurar la robustez predictiva y el cumplimiento estricto de los límites físicos, los cuales son críticos para las aplicaciones de mecánica de sólidos experimental. Al priorizar la admisibilidad mecánica sobre la expresividad sin restricciones, el marco ofrece un enfoque principista donde el aprendizaje se confina al espacio de las respuestas físicamente válidas. Esto hace que el modelo sea particularmente relevante para aplicaciones que involucran materiales blandos y tejidos biológicos, donde la interpretabilidad y la fiabilidad bajo grandes deformaciones son primordiales. Los autores concluyen que este enfoque demuestra con éxito que el aprendizaje interpretable e informado por la física no solo es factible, sino ventajoso para el modelado constitutivo, proporcionando tanto predicciones precisas como capacidad de diagnóstico.