A Hybrid GNN-FEM Framework for Phase-Field Fracture Simulation. Physics-Preserving Hybridization for Generalizable Surrogate Modeling

Resumen Técnico: Un Marco Híbrido GNN–FEM para la Simulación de Fractura por Campo de Fase

Planteamiento del Problema
El aprendizaje automático científico (SciML) ofrece el potencial de acelerar las simulaciones de sistemas físicos complejos, pero lograr predicciones físicamente consistentes y generalizables para problemas no lineales y dependientes de la historia sigue siendo un desafío significativo. Específicamente, el modelado de fractura por campo de fase, aunque es robusto en la simulación de la evolución compleja de grietas (iniciación, propagación y ramificación) sin un seguimiento explícito, sufre de altos costos computacionales. Este costo surge de la necesidad de resolver un sistema acoplado, no lineal y dependiente de la historia de manera incremental dentro de un marco de método de elementos finitos (FEM).

Los modelos sustitutos (surrogates) puramente basados en datos suelen tener dificultades para generalizar a través de diversas geometrías, condiciones de carga, propiedades de materiales y discretizaciones. Los enfoques puramente basados en datos frecuentemente fallan en mantener la consistencia física al extrapolar más allá de las distribuciones de entrenamiento, mientras que el aprendizaje automático informado por la física (PIML) a menudo carece de robustez cuando los ajustes del problema (por ejemplo, la resolución de la malla o las condiciones de contorno) cambian. La dificultad central radica en aproximar la trayectoria completa de la solución de un sistema dependiente de la trayectoria sin violar la estructura física subyacente o requerir cantidades prohibitivas de datos de entrenamiento.

Metodología
Los autores proponen un marco híbrido GNN–FEM que integra un sustituto de Red Neuronal de Grafos (GNN) en el esquema de solución escalonado convencional para la fractura por campo de fase. En lugar de reemplazar todo el procedimiento de simulación, el marco sustituye selectivamente el paso de actualización del campo de fase, que es computacionalmente intensivo, manteniendo el resolvedor de desplazamientos basado en FEM para imponer el equilibrio mecánico y las condiciones de contorno.

Componentes metodológicos clave:

1. Esquema Escalonado Híbrido:

   • El campo de desplazamiento ($u$) y el campo de historia ($H$) se resuelven mediante FEM estándar en cada incremento de carga.
   • La variable de campo de fase ($d$) es predicha por el sustituto GNN basado en el campo de historia actual y la geometría del dominio.
   • La irreversibilidad ($d_n \geq d_{n-1}$) se impone como un paso de post-procesamiento.
   • Esto preserva la estructura de solución incremental, asegurando que el sustituto no necesite aprender la trayectoria completa de la solución, sino solo la evolución local del campo de fase.

2. Representación de Grafos y Características Adimensionales:

   • La malla de elementos finitos se representa como un grafo $G=(V, E)$, donde los nodos corresponden a los nodos de la malla y las aristas a la conectividad.
   • Características Nodales Adimensionales: El campo de historia $H$ se normaliza por $G_c \ell_c$ (tasa de liberación de energía crítica $\times$ longitud de regularización) y se proyecta a valores nodales. También se incluye un indicador binario de frontera.
   • Características de Arista Adimensionales: Las longitudes de las aristas se normalizan por la escala de longitud de regularización $\ell_c$.
   • Esta normalización garantiza la invarianza ante las escalas de propiedades de materiales y la resolución de la malla, facilitando la generalización.

3. Arquitectura GNN:

   • El modelo emplea una arquitectura Codificador–Procesador–Decodificador.
   • Codificador: Mapea las características de entrada a un espacio latente utilizando Perceptrones de Capas Múltiples (MLP).
   • Procesador: Realiza $K$ iteraciones de paso de mensajes con conexiones residuales, actualizando las representaciones de nodos y aristas basadas en interacciones locales.
   • Decodificador: Mapea las representaciones de nodos latentes finales al valor predicho del campo de fase.
   • La arquitectura está diseñada para ser invariante bajo rotaciones de coordenadas, consistente con el comportamiento de material isotrópico.

4. Estrategia de Entrenamiento Informada por la Física:

   • El modelo se entrena utilizando una función de pérdida combinada: $L = L_{data} + \lambda_{phys} L_{phys}$.
   • Pérdida Basada en Datos ($L_{data}$): Error cuadrático medio entre los valores del campo de fase predichos y los computados por FEM, derivados de una única simulación de alta fidelidad.
   • Pérdida Informada por la Física ($L_{phys}$): Error cuadrático medio del residuo de la forma débil discretizada de la ecuación gobernante del campo de fase. Esto se computa utilizando campos de historia generados aleatoriamente que no necesariamente corresponden a estados de grieta físicos, ampliando así la distribución de entrenamiento y reforzando las leyes físicas.

Contribuciones Clave

1. Marco Híbrido Integrado con GNN: El estudio introduce un sustituto que reemplaza únicamente la actualización del campo de fase dentro de un procedimiento FEM escalonado. Este reemplazo selectivo mantiene la estructura de solución incremental y la consistencia física sin requerir que el sustituto aproxime la trayectoria completa de desplazamiento-historia-campo de fase.
2. Integración de Física Multinivel: El conocimiento físico se incorpora simultáneamente en tres niveles:
   • Nivel de Características: Representaciones adimensionales de los campos de historia y longitudes de arista.
   • Nivel de Pérdida: Una pérdida de residuo basada en la física derivada de la ecuación gobernante del campo de fase.
   • Nivel de Estructura: Una arquitectura basada en grafos que opera directamente sobre mallas no estructuradas.
3. Estudio Sistemático de Generalización: El marco es evaluado rigurosamente a través de variaciones no vistas en la resolución de la malla, configuraciones geométricas (incluyendo agujeros), condiciones de carga (cizalla vs. tensión) y propiedades de materiales (inclusiones heterogéneas), demostrando robustez sin necesidad de reentrenamiento.

Resultados
Experimentos numéricos validan el rendimiento del marco frente a las soluciones convencionales de Full FEM:

• Generalización de la Discretización: El modelo híbrido (entrenado con $h=0.2$) predice con precisión la evolución de la grieta y las respuestas de fuerza-desplazamiento en mallas más finas ($h=0.1, 0.05$). En contraste, un modelo puramente basado en datos (DD) entrenado con los mismos datos no logra generalizar a resoluciones más finas, desviándose significativamente en el régimen post-pico.
• Generalización Geométrica y de Carga: El modelo predice con éxito las trayectorias de grieta en geometrías con agujeros circulares y bajo condiciones de carga de cizalla, capturando la deflexión de la grieta y la iniciación en concentradores de esfuerzo. El modelo puramente DD mostró discrepancias en el tiempo de disipación de energía y la progresión de la grieta.
• Generalización de Materiales: El marco manejó materiales heterogéneos con propiedades que difieren en órdenes de magnitud respecto al conjunto de entrenamiento, prediciendo con precisión las trayectorias de grieta alrededor de inclusiones.
• Eficiencia Computacional: El enfoque híbrido redujo el tiempo computacional total en aproximadamente un 20–23% para mallas refinadas, con una reducción más significativa (hasta un 88.6%) en el componente de la solución del campo de fase. El resolvedor de desplazamientos, que domina el costo, permanece sin cambios.

Significado y Reivindicaciones
El artículo afirma que el marco propuesto proporciona una estrategia viable para el modelado sustituto generalizable en problemas de fractura no lineales y dependientes de la historia. Al incrustar componentes basados en datos dentro del procedimiento de solución gobernante en lugar de reemplazar todo el resolvedor físico, el enfoque mitiga la acumulación de errores y asegura la consistencia física.

Los autores enfatizan que el éxito de este método reside en identificar objetivos de aprendizaje físicamente significativos, consistentes en escala y estructurados incrementalmente, en lugar de depender de la generación de datos por fuerza bruta. La integración de características adimensionales y pérdidas informadas por la física permite al modelo generalizar a través de diversos entornos de problemas (geometría, discretización, carga y material) sin reentrenamiento.

El trabajo concluye que, si bien la formulación actual está limitada a la fractura isotrópica y cuasi-estática, establece una vía eficiente en términos de datos para un aprendizaje automático científico confiable. Los autores señalan que el trabajo futuro podría extender esto a materiales anisotrópicos y problemas 3D, o potencialmente aplicar el modelado sustituto al campo de desplazamiento, aunque tales extensiones implicarían compensaciones entre la generalizabilidad y la velocidad computacional.