Non-local physics-informed neural networks for forward and inverse solutions of granular flows

Este trabajo presenta un marco basado en redes neuronales informadas por física (PINNs) acopladas al modelo de fluidez granular no local (NGF) que permite resolver flujos granulares densos y inferir con precisión parámetros materiales clave, como la amplitud no local, a partir de campos de flujo transitorios, superando así las limitaciones de los modelos reológicos locales tradicionales.

Lo esencial

Imagina que tienes un montón de arena, granos de café o azúcar. Si los dejas quietos, se comportan como un sólido (puedes construir un castillo de arena). Pero si los mueves o los presionas, empiezan a fluir como un líquido.

El problema es que predecir exactamente cómo se moverán es un caos. La física tradicional falla aquí porque asume que cada grano solo "habla" con sus vecinos inmediatos. Pero en la realidad, los granos son como una multitud en un concierto: si alguien empuja en un lado, el efecto se siente varios metros más allá. A esto los científicos lo llaman "efectos no locales" (cosas que ocurren lejos influyen en lo que pasa cerca).

Aquí es donde entra este nuevo estudio, que es como un detective con superpoderes de inteligencia artificial.

El Problema: El "Secreto" de la Arena

Los científicos tienen una fórmula matemática muy buena (llamada modelo NGF) para describir este comportamiento. Pero esa fórmula tiene un secreto: un número mágico llamado "A" (amplitud no local).

• El problema: Este número "A" es imposible de medir directamente con una regla o un sensor. Es como intentar adivinar el peso exacto de un fantasma.
• La vieja forma de hacerlo: Antes, para encontrar este número, tenían que hacer miles de simulaciones por computadora o experimentos costosos en laboratorios, ajustando el número hasta que la simulación coincidiera con la realidad. Era lento, caro y a veces fallaba si cambiabas la forma del recipiente.

La Solución: El Detective PINN

Los autores de este paper crearon una Red Neuronal Informada por la Física (PINN). Imagina que esta red neuronal es un estudiante muy inteligente al que no le dan un libro de respuestas, sino que le enseñan las leyes del universo (las ecuaciones de la física) y le dicen: "Tienes que adivinar el número secreto 'A' basándote solo en cómo se mueve la arena".

Funciona en dos pasos, como un juego de "adivina quién":

1. El Paso Directo (El Entrenador): Primero, le dan a la IA un valor conocido para "A" y le piden que prediga cómo fluirá la arena. La IA aprende a ser perfecta, resolviendo las ecuaciones físicas sin necesidad de dibujar una cuadrícula (es "libre de mallas", como pintar con luz en lugar de usar pincel).
2. El Paso Inverso (El Detective): Ahora, le dan a la IA solo una película de cómo se mueve la arena (datos de velocidad) y le dicen: "No te decimos el valor de 'A'. Tienes que descubrirlo tú sola para que tus predicciones coincidan con la película".

¿Qué descubrieron?

¡Funcionó increíblemente bien!

• Precisión quirúrgica: La IA pudo encontrar el número secreto "A" con un error menor al 1%. Es como si pudieras adivinar el peso exacto de un objeto solo mirando cómo se balancea una cuerda que lo sostiene.
• Sensibilidad: Descubrieron que pequeños cambios en este número "A" cambian drásticamente el comportamiento de la arena.
  • Si "A" es alto, la arena es muy "social": si un grano se mueve, arrastra a muchos otros, creando zonas de flujo amplias y suaves.
  • Si "A" es bajo, la arena es "antisocial": el movimiento se queda muy localizado, creando grietas o cortes bruscos (como cuando la arena se atasca de repente).

La Analogía Final: El Tráfico

Piensa en el tráfico de un día de lluvia:

• Modelo antiguo (Local): Asume que si un coche frena, solo afecta al coche de atrás.
• Realidad (No local): Si un coche frena, los de 100 metros atrás también frenan porque ven las luces de freno o sienten la tensión.
• El trabajo de este paper: Es como tener una cámara de tráfico que solo ve los coches moviéndose, y una IA que, sin ver a los conductores ni saber sus intenciones, deduce exactamente cuánto se influyen entre sí (el valor "A") solo observando el flujo del tráfico.

¿Por qué importa esto?

Esto es revolucionario porque ahora podemos entender y predecir el comportamiento de materiales complejos (como la arena en una mina, el chocolate en una fábrica o la pasta dental en un tubo) usando muy pocos datos y sin necesidad de costosos experimentos de laboratorio.

En resumen: Crearon una IA que entiende la física de la arena y puede descubrir los secretos ocultos de cómo se mueve, solo mirando cómo fluye. Es una herramienta poderosa para ingenieros, geólogos y cualquier persona que trabaje con materiales granulares.

Resumen técnico

Título: Redes Neuronales Informadas por Física No Locales para Soluciones de Flujo y Inversas de Flujos Granulares

1. El Problema

Los materiales granulares densos exhiben comportamientos mecánicos complejos que oscilan entre sólidos y fluidos. En regímenes cuasi-estáticos o de cizallamiento lento, estos sistemas presentan efectos no locales significativos debido a la transmisión de tensiones a través de eventos micro-plásticos.

• Limitación de los modelos locales: Los modelos reológicos tradicionales (basados únicamente en condiciones locales de tensión y tasa de deformación) fallan al capturar la cooperatividad espacial, la formación de bandas de cizalla de ancho finito y el flujo en regiones por debajo del umbral de fluencia (sub-yield).
• El modelo NGF: El modelo de Fluididad Granular No Local (NGF, por sus siglas en inglés) aborda esto introduciendo una ecuación diferencial parcial (EDP) difusiva para un campo de fluididad ($g$). Sin embargo, este modelo depende críticamente de un parámetro material: la amplitud no local ($A$).
• Desafío de calibración: Determinar $A$ es extremadamente difícil. No es medible directamente ni en experimentos ni en simulaciones (como DEM), ya que es un coeficiente de una derivada espacial de segundo orden de una variable de estado implícita. Los métodos actuales requieren calibraciones intensivas, dependientes de la geometría y costosas computacionalmente, lo que limita la aplicabilidad predictiva del modelo NGF en nuevas configuraciones.

2. Metodología

Los autores proponen una plataforma basada en Redes Neuronales Informadas por Física (PINNs) integrada con el modelo NGF. El enfoque se divide en dos etapas:

• Arquitectura de la Red: Se utiliza una red neuronal feedforward totalmente conectada con seis capas ocultas (60 neuronas cada una) y funciones de activación tangente hiperbólica ($tanh$).

  • Entradas: Coordenadas espaciales y temporales $(x, y, t)$.
  • Salidas: Campos físicos completos, incluyendo componentes de velocidad ($u, v$), presión ($P$) y componentes del tensor de esfuerzo ($\sigma_{xx}, \sigma_{yy}, \sigma_{xy}$).
  • Diferenciación Automática: Se emplea para calcular las derivadas espaciales y temporales necesarias para evaluar los residuos de las EDPs sin necesidad de mallas (mesh-free).

• Función de Pérdida (Loss Function): La red se entrena minimizando una pérdida compuesta que incluye:

  1. Residuos de las ecuaciones de gobierno (conservación de masa, momento lineal y la ecuación de fluididad no local).
  2. Condiciones de contorno y condiciones iniciales (penalizaciones suaves).
  3. Diferenciación clave: En el modo inverso, el parámetro $A$ se trata como un parámetro escalar global entrenable dentro de la red, en lugar de un valor fijo.

• Estrategia de Entrenamiento:

  • PINN Directo: Se entrena con un valor de $A$ conocido para resolver el sistema acoplado y validar contra soluciones numéricas espectrales.
  • PINN Inverso: Se entrena utilizando únicamente datos de velocidad observados (sin etiquetas de esfuerzo o fluididad). El algoritmo optimiza simultáneamente los pesos de la red y el parámetro $A$ para satisfacer las leyes físicas.

• Configuraciones de Prueba: Se evaluaron dos configuraciones canónicas:

  1. Flujo de cizalla planar (impulsado por velocidad en la frontera superior).
  2. Flujo impulsado por gradiente de presión (con condiciones de no deslizamiento en las fronteras).
  • Se incluyeron explícitamente fuerzas gravitacionales en la ecuación de momento para capturar efectos no locales realistas.

3. Contribuciones Clave

• Marco Unificado: Desarrollo de un marco PINN sin mallas capaz de resolver sistemas de ecuaciones acopladas no locales para flujos granulares densos.
• Inferencia de Parámetros Ocultos: Demostración de que es posible inferir con alta precisión el parámetro no local $A$ (y otros campos internos como presión y esfuerzo) utilizando solo datos de velocidad, eliminando la necesidad de mediciones internas costosas o simulaciones DEM extensas para calibración.
• Generalización: El método funciona tanto en configuraciones de cizalla como de presión, demostrando robustez frente a diferentes condiciones de contorno y geometrías.
• Sensibilidad a Parámetros: Análisis detallado de cómo $A$, el coeficiente de fricción estática ($\mu_s$) y la sensibilidad a la tasa ($b$) controlan la localización de la cizalla y la cooperatividad espacial.

4. Resultados

• Precisión en la Solución Directa: El PINN directo reprodujo con gran exactitud los campos de velocidad y esfuerzo predichos por el modelo NGF, validados contra un solver numérico espectral, con errores uniformemente bajos en todo el dominio espacio-temporal.
• Éxito en la Solución Inversa:
  • El PINN inverso logró recuperar el valor de $A$ con un error relativo menor al 1% (típicamente < 0.2%) en múltiples casos de prueba con diferentes valores de $\mu_s$ y $b$.
  • Se observó que pequeñas variaciones en $A$ producen cambios pronunciados en los perfiles de velocidad y la estructura de las bandas de cizalla, lo que confirma la alta sensibilidad del sistema a este parámetro.
• Reconstrucción de Campos: A pesar de no tener datos etiquetados de esfuerzo o fluididad, la red reconstruyó con precisión los campos de presión y esfuerzo internos, así como la evolución temporal de la fluididad.
• Validación Física: Los resultados mostraron que valores más altos de $A$ conducen a una mayor penetración de la fluididad en zonas sub-yield y bandas de cizalla más anchas, mientras que valores más bajos confinan la deformación cerca de la superficie de fluencia, comportamientos consistentes con la teoría NGF.

5. Significado e Impacto

Este trabajo establece un cambio de paradigma en la caracterización de materiales granulares:

• Eficiencia de Datos: Permite extraer parámetros reológicos no locales complejos a partir de observaciones experimentales escasas (solo velocidad), superando las limitaciones de los métodos de calibración tradicionales basados en DEM.
• Herramienta Predictiva: Proporciona una vía práctica para conectar observables experimentales con modelos continuos no locales detallados, facilitando la predicción de comportamientos en geometrías no probadas.
• Escalabilidad: El enfoque es escalable a inferencia de múltiples parámetros, calibración de condiciones de contorno y dominios tridimensionales.
• Física de la Cooperatividad: Al integrar las fuerzas gravitacionales y las ecuaciones no locales como restricciones duras, el modelo captura fenómenos críticos como la fluencia secundaria y la formación de bandas de cizalla, que son inaccesibles para los modelos reológicos locales convencionales.

En resumen, los autores han demostrado la viabilidad de utilizar PINNs para desentrañar la física no local en sistemas granulares complejos, ofreciendo una herramienta robusta, interpretable y eficiente para la investigación y la ingeniería de materiales granulares.