Inverse Design of Cellular Composites for Targeted Nonlinear Mechanical Response via Multi-Fidelity Bayesian Optimisation

Aquí se presenta un resumen técnico detallado del artículo "Diseño inverso de composites celulares para respuesta mecánica no lineal dirigida mediante Optimización Bayesiana Multi-Fidelidad."

1. Planteamiento del Problema

El diseño de materiales arquitectónicos, específicamente composites celulares espinoides, enfrenta un desafío significativo: identificar la configuración geométrica y material óptima para lograr una respuesta mecánica no lineal específica y compleja (por ejemplo, una curva tensión-deformación a medida).

• Limitaciones de los Métodos Tradicionales: El diseño directo (predecir propiedades a partir de la geometría) es ineficiente en espacios de alta dimensión. El diseño inverso (encontrar la geometría a partir de propiedades deseadas) a menudo se ve obstaculizado por el problema de la relación "muchos-a-uno" y el costo computacional prohibitivo de las simulaciones de alta fidelidad (Modelos de Elementos Finitos, MEF) necesarias para capturar comportamientos no lineales como la plasticidad, el daño y la falla.
• Escasez de Datos: La mayoría de los enfoques existentes de diseño inverso dependen de grandes conjuntos de datos o de una única fuente de alta fidelidad. Generar suficientes datos de alta fidelidad para problemas no lineales suele ser demasiado costoso, mientras que los datos de baja fidelidad por sí solos carecen de la precisión necesaria.
• La Brecha: Existe una falta de marcos que aprovechen simultáneamente la información multi-fidelidad (combinando modelos aproximados y baratos con modelos precisos y costosos) para dirigir directamente curvas completas de tensión-deformación de alta dimensión en lugar de métricas escalares simplificadas (como la rigidez o la absorción de energía).

2. Metodología

Los autores proponen un marco de Optimización Bayesiana Multi-Fidelidad (MFBO) adaptado para el diseño inverso de estructuras espinoides. El flujo de trabajo consta de tres componentes principales:

A. Formulación del Problema y Parametrización

• Espacio de Diseño: La geometría se genera utilizando un modelo de Campo Aleatorio Gaussiano (GRF) inspirado en la descomposición espinodal. Los parámetros de diseño se reducen a tres ángulos cónicos ($\theta = \{\theta_1, \theta_2, \theta_3\}$) que controlan la anisotropía, mientras que la densidad relativa ($\rho=0.3$) y el número de onda ($\lambda=15\pi$) se mantienen fijos para reducir la dimensionalidad.
• Definición del Objetivo: En lugar de optimizar un solo escalar, el objetivo es igualar una curva completa de tensión-deformación no lineal.
• Función Objetivo: Se utiliza una puntuación de similitud ($S$) para escalarizar el problema. Calcula la norma $L_2$ al cuadrado negativa entre la curva de tensión-deformación predicha y la curva objetivo en un rango de deformación de 0 a 0.5.
  $$S(\theta) = -\sum_{i=1}^{N} (\hat{\sigma}_i - \sigma^{\text{target}}_i)^2$$

B. Estrategia Multi-Fidelidad

• Niveles de Fidelidad: La fidelidad se define por la resolución de la malla en las simulaciones MEF.
  • Baja Fidelidad: Malla gruesa (Resolución 20, ~13k elementos). Rápida pero inexacta.
  • Fidelidad Media: Malla intermedia (Resolución 25, ~22k elementos).
  • Alta Fidelidad: Malla fina (Resolución 30, ~33k elementos). Precisa pero computacionalmente costosa.
• Modelo Sustituto: Se emplea un Proceso Gaussiano de Múltiples Salidas (MTGP) utilizando el Modelo de Co-regionalización Intrínseca (ICM). Este modelo captura las correlaciones entre diferentes niveles de fidelidad, permitiendo que la información de simulaciones baratas y de baja fidelidad guíe la búsqueda del óptimo de alta fidelidad.
• Funciones de Adquisición: Se comparan tres estrategias para seleccionar el siguiente punto de evaluación (entrada $\theta$ y nivel de fidelidad $s$):
  1. MF-EI (Mejora Esperada Multi-Fidelidad): Escala la mejora por la relación de costos y la correlación.
  2. MF-UCB (Límite Superior de Confianza Multi-Fidelidad): Equilibra la explotación y la exploración, favoreciendo evaluaciones de bajo costo cuando la incertidumbre es alta.
  3. MF-MES (Búsqueda de Máxima Entropía Multi-Fidelidad): Un enfoque secuencial que selecciona primero la ubicación (mediante Log-EI) y luego el nivel de fidelidad (mediante la ganancia de información por costo).

C. Validación Experimental

• Materiales: Composites de PET-G reforzado con fibras de carbono cortas (Carbon-P).
• Validación: Los modelos MEF se calibraron frente a pruebas experimentales de compresión en espinoides impresos en 3D, incorporando plasticidad ortotrópica, evolución del daño y defectos de fabricación (por ejemplo, rigidez reducida para tener en cuenta problemas de unión entre capas).

3. Contribuciones Clave

1. Diseño Inverso de Respuesta Completa: El marco va más allá de las métricas escalares para optimizar directamente perfiles completos de tensión-deformación no lineales, capturando fenómenos complejos como el fluencia, el endurecimiento por deformación y la falla.
2. Integración Multi-Fidelidad para Problemas No Lineales: Integra con éxito fidelidades basadas en la resolución de la malla en un bucle de diseño inverso de caja negra, demostrando que los proxies de bajo costo pueden guiar eficazmente la búsqueda de soluciones de alta fidelidad en sistemas mecánicos complejos.
3. Escalado mediante Puntuación de Similitud: Introduce un método robusto para convertir la coincidencia de curvas de alta dimensión en un problema de optimización escalar sin perder información crítica sobre el comportamiento mecánico.
4. Comparativa Exhaustiva: Proporciona una comparación rigurosa de las estrategias MFBO (MF-EI, MF-UCB, MF-MES) frente a una línea base de fidelidad única a través de cuatro respuestas objetivo distintas, incluido un absorbedor de energía idealizado.

4. Resultados

El marco se probó en cuatro respuestas mecánicas objetivo (Columnar, Isotrópica, Cúbica y un Absorbedor de Energía Ideal).

• Mejora del Rendimiento: En todos los objetivos, los métodos MFBO superaron consistentemente la línea base de fidelidad única. En promedio, los enfoques multi-fidelidad lograron puntuaciones de similitud ~35% más altas dentro del mismo presupuesto computacional.
• Velocidad de Convergencia: Los métodos multi-fidelidad convergieron significativamente más rápido.
  • MF-UCB fue el más rápido, utilizando intensivamente evaluaciones de baja fidelidad (Resolución 20) para explorar el espacio de manera eficiente.
  • MF-MES logró la mayor precisión para objetivos específicos, pero requirió el tiempo de ejecución más largo debido al costo computacional de su función de adquisición.
  • MF-EI proporcionó un enfoque equilibrado, pero mostró una superioridad menos consistente en este estudio específico en comparación con MF-UCB.
• Recuperación de Parámetros de Diseño: El marco recuperó con éxito los parámetros de diseño subyacentes ($\theta$) que generaron las respuestas objetivo. En casos donde el espacio de diseño tenía simetrías (por ejemplo, intercambiar $\theta_1$ y $\theta_2$), los métodos identificaron correctamente soluciones geométricamente equivalentes.
• Objetivo 4 (Absorbedor de Energía Ideal): El marco diseñó con éxito una estructura que exhibe un largo y estable plateau de tensión (ideal para la absorción de energía) al identificar una arquitectura específica graduada y ondulada que promueve un pandeo progresivo y escalonado.

5. Significado y Perspectivas Futuras

• Eficiencia: El estudio demuestra que MFBO puede reducir drásticamente el número de evaluaciones costosas de alta fidelidad necesarias para diseñar materiales arquitectónicos complejos, haciendo viable el diseño inverso para problemas no lineales donde los datos son escasos.
• Generalización: Aunque aplicado a espinoides, el marco es aplicable a cualquier propiedad escalar o perfil de respuesta completa (por ejemplo, conductividad térmica, hiperelasticidad) donde existan fuentes de datos multi-fidelidad.
• Limitaciones y Trabajo Futuro:
  • Escalabilidad: Los MTGP escalan mal ($O(N^3)$) con el tamaño del conjunto de datos, limitando la aplicación a espacios de diseño de muy alta dimensión (por ejemplo, espinoides completamente graduados) sin técnicas de reducción de dimensionalidad.
  • Especificidad del Objetivo: El sustituto actual se entrena sobre un objetivo específico; se necesita reentrenamiento para nuevos objetivos. El trabajo futuro podría explorar representaciones en espacio latente (por ejemplo, VAEs) para desacoplar el sustituto de objetivos específicos.
  • Integración Experimental: Aunque validado, las iteraciones futuras deberían integrar datos experimentales directamente en el bucle multi-fidelidad para manejar las incertidumbres de fabricación del mundo real de manera más robusta.

En conclusión, este artículo establece un paradigma potente y eficiente en datos para el diseño inverso de materiales arquitectónicos estocásticos, demostrando que combinar información multi-fidelidad con optimización bayesiana permite el ajuste preciso de comportamientos mecánicos no lineales complejos.