Physics-informed, Generative Adversarial Design of Funicular Shells

Resumen Técnico: Diseño de Cáscaras Funiculares mediante Redes Generativas Antagónicas con Información de la Física

Planteamiento del Problema
Las estructuras de cáscara son altamente valoradas en la arquitectura y la ingeniería por su eficiencia estructural y potencial estético. Sin embargo, el advenimiento de la impresión de hormigón en 3D (3DCP) ha creado un desafío de diseño específico: las estructuras de 3DCP no pueden incorporar refuerzo de acero, lo que requiere diseños que resistan principalmente a la compresión pura (cáscaras funiculares) para evitar esfuerzos de tracción. Si bien el concepto de la forma funicular está bien establecido para arcos en 2D (que se remonta al descubrimiento de la catenaria de Hooke en 1675), la generalización de este concepto a formas de cáscara tridimensionales óptimas sigue siendo un tema de investigación abierto. Los enfoques computacionales tradicionales, como el Análisis de Red de Empujes (Thrust Network Analysis) o los métodos basados en optimización utilizando el teorema del límite inferior, suelen depender de simplificaciones específicas o son susceptibles de converger en mínimos locales. Este trabajo aborda la necesidad de una herramienta generativa capaz de explorar geometrías de cáscara eficientes y de solo compresión sin asumir simplificaciones de comportamiento, evitando al mismo tiempo los problemas de mínimos locales inherentes a la optimación basada en gradientes.

Metodología
Los autores proponen un marco generativo basado en la física mediante una Red Generativa Antagónica de Convolución Profunda (DCGAN) modificada, denominada AD-DCGAN. La metodología integra tres componentes principales:

1. Generación de Datos y Representación: Se creó una base de datos procedimental de 6,058 geometrías de cáscaras funiculares utilizando Blender, simulando la deformación de una tela bajo su propio peso (inspirado en el método de la tela colgante de Isler). Estas geometrías se convirtieron en representaciones de nivel de conjunto (level-set) 2.5D (mapas de altura en una cuadrícula de 64×64) y se procesaron mediante el Análisis de Elementos Finitos (FEA) en Abaqus para extraer campos estructurales, incluyendo distribuciones del factor de membrana ($m_f$), desplazamientos, deformaciones y resultantes de esfuerzos.
2. Modelo Sustituto (PB-PUNet): Se desarrolló un modelo sustituto basado en la física, una UNet Paralela (PB-PUNet), para predecir el comportamiento estructural de las geometrías de la cáscara. Este toma como entrada la altura de la cáscara, la carga vertical y una máscara binaria (para manejar regiones vacías) y genera 13 campos de solución. Este modelo fue entrenado con regularización informada por la física (minimizando el equilibrio de la energía potencial total) y ajuste de hiperparámetros (normalización Z-score, inicialización Kaiming, GroupNorm y dropout) para lograr una alta precisión predictiva.
3. Marco Generativo (AD-DCGAN): El generador crea geometrías de cáscara y máscaras binarias a partir de un vector latente. Para asegurar el cumplimiento físico y la estabilidad del entrenamiento, el marco emplea:
   • Discriminador Auxiliar ($D_{aux}$): El modelo sustituto PB-PUNet preentrenado actúa como un discriminador que evalúa las cáscaras generadas basándose en su distribución del factor de membrana, penalizando las geometrías dominadas por la flexión.
   • Discriminador de Máscara ($D_{mask}$): Un discriminador dedicado asegura que el generador represente correctamente las regiones válidas e inválidas (por ejemplo, agujeros centrales).
   • Espacio Latente Guiado por PCA: En lugar de ruido puramente aleatorio, la entrada del generador es guiada por los $k$ componentes principales superiores de los datos reales, aumentados con ruido aleatorio, para mitigar el colapso de modo (mode collapse).
   • Técnicas de Estabilización: La arquitectura incorpora el emparejamiento de características (feature matching) y la normalización espectral para abordar la inestabilidad del entrenamiento y el colapso de modo.

Contribuciones Clave

• Arquitectura GAN Informada por la Física: El artículo introduce una novedosa AD-DCGAN donde un modelo sustituto PINN (Red Neuronal Informada por la Física) preentrenado sirve como discriminador auxiliar. Esto impone la consistencia física (específicamente, un alto factor de membrana) directamente dentro del proceso generativo, en lugar de depender únicamente de la optimización post-hoc.
• Manejo de Geometrías Complejas: La inclusión de un discriminador de máscara permite al modelo generar formas de cáscara complejas que contienen áreas vacías (por ejemplo, agujeros centrales), una capacidad que suele estar limitada en las GAN basadas en imágenes estándar.
• Mitigación del Colapso de Modo: Al combinar un espacio latente guiado por PCA con el emparejamiento de características y la normalización espectral, el marco genera con éxito geometrías diversas sin colapsar hacia un único modo.
• Precisión del Modelo Sustituto: El modelo sustituto PB-PUNet logra un Error Cuadrático Medio Relativo (RRMSE) total de tan solo 2.2% en el conjunto de prueba, validando su utilidad como un evaluador físico confiable para la GAN.

Resultos

• Desempeño del Sustituto: El modelo optimizado PB-PUNet demostró una alta precisión predictiva, con el factor de membrana ($m_f$) mostrando un error del 5.566% y un error total del 2.198% en el conjunto de prueba. El modelo captura eficazmente la distribución espacial de los campos estructurales.
• Diversidad Generativa: La AD-DCGAN generó con éxito geometrías de cáscara funicular diversas y previamente no vistas. El análisis del colector latente (latent manifold) mediante Kernel PCA confirmó que las muestras generadas están distribuidas continuamente a través del espacio de características, confirmando la ausencia de colapso de modo.
• Cumplimiento Físico: El discriminador auxiliar guio con éxito la generación hacia geometrías con altos factores de membrana. Los histogramas de las muestras generadas mostraron una distribución sesgada hacia valores de $m_f$ más altos en comparación con los datos de entrenamiento, lo que indica una preferencia por el comportamiento de membrana.
• Validación mediante FEA: Se validaron mediante FEA algunas de las geometrías generadas. Aunque las superficies generadas requirieron un post-procesamiento (interpolación de funciones de base radial) para eliminar el ruido para el mallado, las estructuras resultantes exhibieron comportamientos globales consistentes con las formas funiculares. Sin embargo, el artículo señala discrepancias entre las predicciones de PB-PUNet y los resultados de FEA para las muestras generadas, atribuyéndolo a la capacidad del generador para crear geometrías novedosas que pueden causar que el modelo sustituto extrapole más allá de su distribución de entrenamiento.

Significancia y Reivindicaciones
El artículo afirma ofrecer una metodología estable, impulsada por IA, para el diseño generativo de estructuras de cáscara de solo compresión que no depende de las simplificaciones que a menudo requieren los métodos de optimización tradicionales. Al integrar un modelo sustituto informado por la física directamente en el bucle de entrenamiento adversarial, el marco asegura que los diseños generados no solo sean geométricamente realistas, sino también estructuralmente eficientes (alto factor de membrana). Los autores posicionan este trabajo como un paso hacia la superación del desafío de generalizar el concepto funicular a estructuras 3D, particularmente para aplicaciones de impresión de hormigón en 3D donde el refuerzo de tracción es impracticable. El estudio concluye que el modelo desarrollado es capaz de producir formas de cáscara físicamente óptimas y diversas, aunque reconoce que se necesita un mayor refinamiento para manejar la extrapolación de los modelos sustitutos cuando se generan geometrías enteramente nuevas.