Critical evaluation of PINN for FWD inverse analysis and differentiable FEM as an alternative

Resumen Técnico: Evaluación Crítica de PINN para el Análisis Inverso de FWD y el FEM Diferenciable como Alternativa

Planteamiento del Problema
El Deflectómetro de Peso de Caída (FWD, por sus siglas en inglés) es un dispositivo estándar para la evaluación estructural no destructiva de sistemas de pavimentos. El problema inverso central consiste en el cálculo inverso de los módulos elásticos de las capas ($E$) a partir de los basins de deflexión superficial medidos. Los métodos tradicionales basados en gradientes (por ejemplo, EVERCALC) dependen de aproximaciones de diferencias finitas (FD) para calcular los gradientes. Estos enfoques sufren de una baja escalabilidad, requiriendo $N+1$ simulaciones directas por iteración para $N$ módulos desconocidos, e introducen errores de truncamiento sensibles a los tamaños de perturbación del paso.

Si bien la Diferenciación Automática (AD) ofrece una alternativa fundamentada para el cálculo exacto de gradientes, su aplicación al cálculo inverso de FWD ha sido ampliamente inexplorada. Específicamente, la aplicabilidad de las Redes Neuronales Informadas por la Física (PINN)—que integran las ecuaciones gobernantes como restricciones suaves en una función de pérdida—a los sistemas de pavimentos multicapa sigue siendo incierta. Los sistemas de pavimentos presentan discontinuidades de módulo pronunciadas en las interfaces de las capas, lo que plantea desafíos para las PINN estándar debido al "sesgo espectral" (la tendencia a aprender componentes de baja frecuencia sobre transiciones abruptas). Este estudio evalúa críticamente si los enfoques basados en PINN pueden resolver de manera confiable este problema inverso e investiga el Método de Elementos Finitos Diferenciable (DiffFEM) como una alternativa nativa de la física.

Metodología
El estudio emplea un benchmark sintético basado en un sistema de pavimento axisimétrico de tres capas (Superficie, Base, Subrasante) bajo carga cuasi-estática. El problema inverso se formula como la minimización del error cuadrático medio entre los desplazamientos predichos y observados. Se comparan tres enfoques:

1. Vanilla PINN: Una única red neuronal totalmente conectada predice el campo de desplazamientos en todo el dominio. Las ecuaciones gobernantes (equilibrio nodal) y las condiciones de contorno se imponen mediante términos de penalización suaves en la función de pérdida.
2. Extended PINN (XPINN): Para abordar el problema de la discontinuidad, el dominio se descompone. A cada capa de pavimento se le asigna una sub-red dedicada. La continuidad del desplazamiento en las interfaces se impone como una restricción suave (término de pérdida), mientras que el equilibrio se impone mediante una pérdida de residuo físico.
3. Differentiable FEM (DiffFEM): El solver directo estándar del Método de Elementos Finitos (FEM) se integra dentro de un marco de AD (PyTorch). La matriz de rigidez global se construye como una combinación lineal de matrices específicas de cada capa. El sistema lineal se resuelve con precisión de máquina en cada iteración, imponiendo las ecuaciones gobernantes como restricciones "duras". Los gradientes de la pérdida con respecto a los módulos se calculan mediante un único paso hacia atrás de AD en modo inverso.

Todos los métodos utilizan el optimizador L-BFGS. El estudio evalúa sistemáticamente el rendimiento bajo condiciones libres de ruido y niveles variables de ruido de medición ($\sigma_n \in \{0, 1, 2, 3, 4, 5\} \mu m$), analizando también la sensibilidad a los hiperparámetros (pesos de pérdida, arquitectura de la red) y el costo computacional.

Contribuciones Clave

• Evaluación Crítica de PINNs para FWD: El estudio demuestra que las PINN estándar fallan al recuperar los módulos de las capas en sistemas multicapa debido al sesgo espectral y las discontinuidades abruptas de los materiales.
• Análisis de Sensibilidad de Hiperparámetros: Revela que incluso la formulación mejorada de XPINN es altamente sensible al ajuste de los pesos de pérdida y a la arquitectura de la red. Lograr una precisión razonable requiere un ajuste extensivo y específico para cada problema, y el rendimiento se degrada significativamente bajo ruido de medición.
• DiffFEM como una Alternativa Superior: El documento establece a DiffFEM como una alternativa robusta que impone la física como restricciones duras. Demuestra que DiffFEM logra una precisión de máquina en escenarios sin ruido y mantiene la estabilidad bajo ruido, superando a XPINP en precisión, robustez y eficiencia computacional.
• Marco Comparativo: El estudio proporciona una comparación estructural que destaca que DiffFEM optimiza únicamente los parámetros físicos, mientras que las PINN deben optimizar conjuntamente los parámetros físicos y decenas de miles de pesos de la red, complicando el paisaje de la función de pérdida.

Resultados

• Desempeño Sin Ruido:
  • DiffFEM: Convergió en ~40 iteraciones (aprox. 60 segundos) con errores relativos en los módulos del orden de $10^{-9}$ a $10^{-10}$.
  • XPINN: Requirió ~400,000 iteraciones (aprox. 10 horas) y se estancó con errores relativos de -1.1% a -6.9%. El residuo físico se estancó, indicando que las ecuaciones gobernantes no se satisfacían estrictamente.
  • Vanilla PINN: Falló completamente, convergiendo a valores de módulo arbitrarios independientemente de los niveles de ruido.
• Desempeño Con Ruido ($\sigma_n = 1 \mu m$ y $5 \mu m$):
  • DiffFEM: Mostró una degradación gradual. Con $\sigma_n = 5 \mu m$, los errores se mantuvieron acotados (máximo 14% para la superficie, 0.11% para la subrasante).
  • XPINN: Exhibió un fallo catastrófico. Con $\sigma_n = 1 \mu m$, convergió a módulos incorrectos (por ejemplo, el módulo de la subrasante colapsó a cero) a pesar de tener una pérdida de datos baja, indicando que la red encontró una solución que se ajustaba a los datos ruidosos pero violaba el equilibrio global. Con $\sigma_n = 5 \mu m$, los errores superaron el 390% para la capa de base.
• Eficiencia Computacional: DiffFEM fue más de dos órdenes de magnitud más rápido que XPINN (60s vs. 10h) en hardware idéntico, a pesar de tener un uso de memoria similar.

Significancia y Reivindicaciones
El artículo concluye que, para el cálculo inverso de FWD en sistemas elásticos multicapa, DiffFEM es una opción más confiable y eficiente que los enfoques basados en PINN.

Los autores argumentan que la superioridad de DiffFEM radica en su imposición de las ecuaciones gobernantes como restricciones duras a través del solver FEM, en lugar de como penalizaciones suaves en una función de pérdida. Esto permite que DiffFEM se concentre únicamente en la optimización de los parámetros físicos, evitando los complejos paisajes de pérdida y la sensibilidad a los hiperparámetros inherentes a las PINN.

El estudio sugiere una guía práctica: cuando un solver directo está bien establecido, es numéricamente estable y susceptible de diferenciación (como es el caso de los sistemas elásticos lineales por capas), se debe preferir las formulaciones de AD con base en la física (DiffFEM). Las PINN siguen siendo una opción viable solo cuando los solvers directos diferenciables no están disponibles, son difíciles de implementar o cuando el problema involucra componentes no diferenciables (por ejemplo, algoritmos de contacto complejos, paso de tiempo adaptativo en problemas dinámicos) donde las formulaciones sin malla podrían ofrecer ventajas. Los autores advierten contra la aplicación acrítica de las PINN a problemas inversos donde existen solvers diferenciables eficientes.