Uncertainty-Aware Structure-Property Mapping of Spinodoid Metamaterials via Heteroscedastic Gaussian Process Regression

Resumen Técnico: Mapeo de Estructura–Propiedad Consciente de la Incertidumbre de Metamateriales Sinodoides mediante Regresión de Procesos Gaussianos Heterocedásticos

Planteamiento del Problema
Los metamateriales sinodoides, caracterizados por topologías suaves y no periódicas inspiradas en la descomposición espinodal, ofrecen un espacio de diseño ajustable para propiedades mecánicas anisotrópicas. Estos modelos se generan típicamente mediante Campos Aleatorios Gaussianos (GRF, por sus siglas en inglés) parametrizados por la densidad relativa y descriptores de ángulo de cono ($\Theta$). Los marcos de diseño actuales tratan la relación estructura–propiedad como un mapeo determinista desde los descriptores del ángulo de cono hacia un único valor de rigidez efectiva representativo. Sin embargo, esta visión determinista pasa por alto la estocasticidad inherente a la generación basada en GRF: parámetros de ángulo de cono idénticos pueden producir múltiples realizaciones morfológicas distintas ($\omega$), lo que conduce a una distribución de valores de rigidez efectiva en lugar de un único punto. Además, la magnitud de esta variabilidad inducida por la realización (incertidumbre aleatoria) no es uniforme; es probable que varíe a través del espacio de diseño dependiendo de la configuración específica del ángulo de cono. Los enfoques existentes a menudo no logran capturar esta dispersión dependiente de la entrada, lo que puede conducir a diseños que parecen óptimos de manera determinista pero que violan las restricciones de confiabilidad cuando se considera la variabilidad de fabricación.

Metodología
Los autores proponen un marco de mapeo estructura–propiedad consciente de la incertidumbre que reinterpreta los descriptores del ángulo de cono como entradas estocásticas asociadas con distribuciones de propiedades. La metodología central consiste en:

1. Generación Estocástica y Homogeneización: Las topologías sinodoides se generan mediante GRF donde las direcciones de los vectores de onda se restringen a subconjuntos definidos por el ángulo de cono dentro de la esfera unitaria. Los tensores de rigidez efectiva se computan mediante homogeneización computacional para realizaciones únicas por punto de diseño.
2. Regresión de Procesos Gaussianos (GPR) Heterocedástica: En lugar de asumir un ruido constante (homocedasticidad), el estudio emplea GPR heterocedástica para inferir la incertidumbre predictiva dependiente de la entrada a partir de datos dispersos (una realización por punto de diseño).
   • El modelo descompone la varianza predictiva en incertidumbre epistémica (debida al muestreo disperso) e incertidumbre aleatoria (inherente a la realización del GRF).
   • La varianza del ruido $\sigma^2(\Theta)$ se modela utilizando una forma polinómica-exponencial, asegurando la positividad e interpretabilidad, sin requerir etiquetas de varianza empírica en cada punto de diseño.
3. Validación y Optimización:
   • Análisis de Diagnóstico: Se analizan trayectorias controladas unidimensionales y espacios de diseño tridimensionales completos para verificar la presencia de dispersión dependiente de la entrada.
   • Optimación de Diseño Basada en la Confiabilidad (RBDO): Los modelos sustitutos calibrados se aplican a problemas de RBDO. El estudio compara la Optimización de Diseño Determinista (DDO), la RBDO con incertidumbre homocedástica y la RBDO con incertidumbre heterocedástica. Las probabilidades de falla se estiman mediante simulaciones de Monte Carlo y se validan contra 1,000 realizaciones independientes de GRF mediante homogeneización computacional.

Resultos Clave

• Dispersión Dependiente de la Entrada: El análisis confirma que la dispersión de la rigidez no es uniforme. Para una trayectoria controlada que varía $\theta_1$, la dispersión se concentra en ángulos de cono pequeños (donde las distribuciones de los vectores de onda son estrechas y la morfología es sensible a la realización) y disminuye a medida que el ángulo de cono se ensancha. Este comportamiento es consistente en los nueve componentes independientes del tensor de rigidez ortotrópica.
• Superioridad de la GPR Heterocedástica:
  • La GPR heterocedástica logra inferir la estructura de ruido dependiente de la entrada a partir de datos dispersos, superando a las líneas base homocedásticas en métricas de calibración (Log-Verosimilitud Negativa, Puntuación de Intervalo y Área de Descalibración) mientras mantiene una precisión de predicción de la media comparable.
  • La función de ruido inferida sigue un decaimiento lineal en el exponente ($\sigma \propto e^{-a\theta}$), lo que indica que el ensanchamiento incremental del ángulo de cono reduce la dispersión por un factor multiplicativo constante.
  • En el análisis 3D, los coeficientes de ruido se alinean con las direcciones de la trayectoria de carga física; por ejemplo, los componentes de corte sensibles a ejes específicos muestran una mayor sensibilidad al ruido respecto a los ángulos de cono correspondientes.
• Impacto en la Confiabilidad del Diseño:
  • Falla Determinista: La solución DDO, que optimiza solo la media de la rigidez, es altamente susceptible a la violación de restricciones cuando se contabiliza la variabilidad inducida por la morfología (probabilidad de falla empírica $\approx 52-60\%$).
  • Limitaciones de la Homocedasticidad: Una formulación de RBDO que asume incertidumbre constante no logra cumplir con el objetivo de confiabilidad prescrito ($p_f \le 0.01$) cuando se valida contra la verdadera dispersión dependiente de la entrada (probabilidad de falla empírica $\approx 2.7-5.4\%$).
  • Éxito de la Heterocedasticidad: Solo la formulación de RBDO que utiliza el sustituto heterocedástico satisface el objetivo de confiabilidad (probabilidad de falla empírica $\le 0.58\%$), demostrando que considerar la incertidumbre espacialmente variable es crítico para un diseño inverso confiable.

Significancia y Reivindicaciones
El artículo establece que el modelado de sustitutos consciente de la incertidumbre es esencial para el diseño inverso basado en la confiabilidad de los metamateriales sinodoides. Los autores afirman que:

1. La Estocasticidad está Estructurada: La variabilidad en los metamateriales generados por GRF no es ruido aleatorio, sino un fenómeno estructurado y dependiente de la entrada que porta información físicamente significativa sobre la estabilidad de la trayectoria de carga.
2. Necesidad de la Heterocedasticidad: Tratar la incertidumbre como constante (homocedástica) puede conducir a diseños no confiables que fallan en alcanzar las metas de seguridad, mientras que el modelado heterocedástico captura correctamente el panorama del riesgo, permitiendo diseños que son robustos a la variabilidad inducida por la morfología.
3. Eficiencia: El marco permite la inferencia de estructuras de incertidumbre complejas a partir de datos dispersos de una sola realización por punto, evitando el costo computacional prohibitivo de generar distribuciones empíricas completas en cada punto de diseño.

Limitaciones y Trabajo Futuro
Los autores señalan modestamente que el marco actual trata la incertidumbre aleatoria como algo que surge únicamente de la variabilidad de la realización del GRF en parámetros nominales fijos. Identifican varias direcciones para trabajos futuros:

• Incorporar la incertidumbre inducida por la fabricación (tolerancias geométricas) como una segunda fuente de ruido aleatorio.
• Extender este marco a GPR de múltiples salidas para capturar las correlaciones físicas entre los nueve componentes de rigidez, lo cual es crucial para las restricciones que involucran relaciones de rigidez.
• Adaptar el sustituto consciente de la incertidumbre para respuestas mecánicas no lineales.
• Integrar esquemas de aprendizaje activo para concentrar el muestreo en regiones de alta dispersión.