Machine Learning-Accelerated Time Integration of Plasticity Models

Resumen Técnico: Integración Temporal de Modelos de Plasticidad Acelerada mediante Aprendizaje Automático

Planteamiento del Problema
Las simulaciones de elementos finitos (FE) de estructuras que exhiben comportamiento de material no lineal, como la plasticidad cíclica, dependen de modelos constitutivos avanzados. Estos modelos requieren resolver ecuaciones diferenciales-algebraicas (DAE) acopladas en cada punto de integración, para cada iteración de equilibrio y dentro de cada paso de tiempo. Este proceso es computacionalmente costoso. Si bien los esquemas de integración implícitos (por ejemplo, el de Euler hacia atrás) ofrecen estabilidad incondicional permitiendo pasos de tiempo más grandes, requieren soluciones iterativas de sistemas de ecuaciones no lineales, lo que sigue siendo un cuello de botella, particularmente en simulaciones cíclicas donde el comportamiento estabilizado no se logra de inmediato. Por el contrario, los esquemas explícitos son más rápidos pero suelen requerir pasos de tiempo prohibitivamente pequeños para mantener la estabilidad numérica. El desafío es acelerar estos cálculos sin sacrificar la precisión o la estabilidad.

Metodología
Los autores proponen un marco basado en aprendizaje automático (ML) para acelerar la integración temporal de modelos de plasticidad independiente de la velocidad. El enfoque central consiste en reemplazar la solución numérica de las ecuaciones de evolución de las variables de estado por actualizaciones explícitas calculadas mediante Redes Neuronales de Propagación hacia Adelante (FFNNs).

• Marco Codificado con Física: A diferencia de los modelos sustitutos puramente basados en datos que mapean la deformación con el esfuerzo, este marco integra las FFNNs directamente en las ecuaciones de evolución. Las redes predicen las direcciones de la evolución de las variables de estado en lugar de los incrementos directamente.
• Entradas Basadas en Invariantes: Para asegurar la invarianza de marco y reducir la dimensionalidad, las NN operan sobre un conjunto de invariantes cuadráticos derivados del esfuerzo de prueba ($\sigma_{tr}$), el esfuerzo límite ($\sigma_{lim}$) y el esfuerzo de retroceso ($n\beta$).
• Direcciones de Evolución: El marco utiliza tres direcciones de evolución específicas inferidas de los datos de entrenamiento: $\sigma_{tr, dev}$, $\sigma_{lim, dev}$ y $n\beta$. Un análisis de mínimos cuadrados confirmó que estas tres direcciones son necesarias y suficientes para cubrir el espacio de evolución para el modelo prototipo elegido.
• Cumplimiento de la Consistencia: Un componente crítico del método es la introducción de un factor de corrección, $c$. Este factor se calcula analíticamente para asegurar el cumplimiento exacto de la condición de consistencia plástica ($\Phi = 0$) durante la carga plástica, un requisito que a menudo es difícil de satisfacer en esquemas puramente explícitos.
• Modelo Prototipo: El método se valida utilizando un modelo prototipo que presenta el criterio de fluencia de von Mises y endurecimiento cinemático no lineal (ley de Armstrong-Frederick).
• Datos de Entrenamiento: Los datos de entrenamiento se generan utilizando el modelo prototipo integrado con un esquema implícito de Euler hacia atrás de alta fidelidad. Los datos consisten en 10 ciclos de carga pulsante multiaxial proporcional, discretizados en pequeños pasos de tiempo. La estrategia de entrenamiento se centra en los segmentos de carga correspondientes a la carga plástica, filtrando las respuestas elásticas.

Contribuciones Clave

1. Integrador de Tiempo Explícito vía NNs: El artículo introduce un algoritmo de integración de tiempo explícito donde las actualizaciones de las variables de estado se computan mediante redes neuronales, permitiendo el uso de pasos de tiempo significativamente mayores que los métodos explícitos tradicionales.
2. Condición de Consistencia Exacta: El marco impone la condición de consistencia plástica de forma exacta mediante un factor de corrección, lo que lo distingue de los enfoques que solo imponen débilmente las restricciones físicas mediante penalizaciones en la función de pérdida.
3. Formulación de Invariantes: Al formular las NN utilizando invariantes de esfuerzo y direcciones de evolución determinadas analíticamente, el método asegura la independencia del sistema de coordenadas y reduce la complejidad de la tarea de aprendizaje.
4. Implementación Híbrida: El enfoque se integra con éxito en un código de elementos finitos comercial (Abaqus) mediante subrutinas de usuario, demostrando su aplicabilidad a problemas de valores en contorno.

Resultados
El marco propuesto fue evaluado mediante simulaciones de punto de material y simulaciones de FE completas de una placa con un agujero bajo carga pulsante controlada por desplazamiento.

• Precisión: En las simulaciones de punto de material, el modelo basado en NN mostró una excelente concordancia con la solución implícita de referencia. Incluso con un único incremento de deformación por semiciclo durante 100 ciclos, el error absoluto máximo en el esfuerzo de von Mises fue de aproximadamente 60 MPa frente a un esfuerzo pico de ~900 MPa. En las simulaciones de FE, el error máximo fue de aproximadamente 14.3 MPa (aprox. 1.6% del esfuerzo pico) al utilizar un único incremento de desplazamiento por semiciclo.
• Estabilidad: Se demostró que la inclusión del factor de corrección $c$ es esencial para la estabilidad numérica y la precisión; las simulaciones que asumieron $c=1$ (ignorando la condición de consistencia) resultaron en errores significativos e inconsistencias en la satisfacción de la superficie de fluencia.
• Eficiencia Computacional: La integración basada en NN proporcionó aceleraciones sustanciales. En las simulaciones de FE, utilizando un incremento de desplazamiento por semiciclo, el modelo basado en NN fue aproximadamente 34.6 veces más rápido que el modelo de referencia utilizando 100 incrementos. Incluso comparado con un modelo de referencia reducido a 8 incrementos (para igualar la precisión de la NN), el enfoque basado en NN fue aproximadamente 3.3 veces más rápido.

Significancia y Reivindicaciones
Los autores afirman que el marco propuesto ofrece un "desempeño numérico muy prometedor" para acelerar las simulaciones de plasticidad. El estudio demuestra que es posible lograr una alta precisión y estabilidad numérica con pasos de tiempo grandes mediante el cálculo explícito de las actualizaciones de las variables de estado usando redes neuronales que respetan los principios físicos (invariancia de marco y condiciones de consistencia). El método logra cerrar la brecha entre la velocidad de la integración explícita y la robustez de los esquemas implícitos, específicamente para problemas de plasticidad cíclica. Los autores enfatizan que, si bien los datos de entrenamiento se generaron a partir de solo 10 ciclos de carga, el modelo se generalizó bien a 100 ciclos con rangos de deformación variables y problemas de valores en contorno complejos, lo que sugiere el potencial para la simulación eficiente de estructuras de ingeniería complejas sin la carga computacional de los resolvedores iterativos tradicionales.