💻 computer science

Fourier Feature Physics-Informed Neural Networks for Elasto-Plastic Analysis of Geomaterials with a Non-Associative Mohr-Coulomb Model

Este estudio introduce una Red Neuronal Informada por la Física con Características de Fourier (FF-PINN) que mitiga eficazmente el sesgo espectral para resolver de manera precisa y eficiente problemas de valor en la frontera elasto-plásticos bidimensionales para geomateriales gobernados por un modelo de Mohr-Coulomb no asociativo, logrando una precisión significativamente mayor y una convergencia más rápida que las PINN convencionales y los referentes del Método de Elementos Finitos.

Autores originales: Apisit Robjanghvad, Sompote Youwai

Publicado 2026-07-29

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Apisit Robjanghvad, Sompote Youwai

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina que estás tratando de predecir cómo reaccionará un bloque gigante y blando de suelo cuando le pongas encima un edificio pesado. Esto no es solo un juego de "¿qué pasará después?"; es una pregunta crítica para los ingenieros que diseñan cimientos, presas y rascacielos. El suelo no solo se aplasta como un resorte; tiene un punto de ruptura. Una vez que presionas demasiado fuerte, comienza a deslizarse y deformarse permanentemente, creando líneas afiladas y dentadas donde el terreno seguro se encuentra con el terreno que falla. Para averiguar esto, los científicos suelen utilizar un método llamado Método de los Elementos Finitos (FEM). Piensa en el FEM como intentar mapear una montaña dividiéndola en millones de diminutos ladrillos de Lego y calculando el estrés en cada uno de ellos. Es increíblemente preciso, pero también es lento, costoso y computacionalmente pesado, como intentar resolver un rompecabezas construyendo cada pieza desde cero cada vez.

En años recientes, un nuevo tipo de "adivinador inteligente" llamado Red Neuronal Informada por la Física (PINN) ha entrado en escena. En lugar de dividir el mundo en ladrillos, las PINN son como un artista superinteligente que aprende las reglas de la física (como la gravedad y la presión) e intenta pintar todo el cuadro a la vez. Son rápidas y no necesitan una biblioteca masiva de respuestas prefabricadas. Sin embargo, estos artistas tienen un punto ciego extraño: son terribles pintando bordes afilados. Son excelentes dibujando colinas suaves y onduladas, pero cuando se trata de los acantilados dentados donde el suelo falla repentinamente, tienden a difuminar las líneas, suavizando los mismos detalles que los ingenieros necesitan ver. Este artículo aborda ese problema específico, preguntando: ¿Podemos enseñar a nuestro artista digital a ver los bordes afilados con claridad, para así predecir la falla del suelo de forma más rápida y mejor que el viejo método de los ladrillos de Lego?

Los autores de este estudio, trabajando con un suelo que se comporta de una manera truculenta y dependiente de la fricción (conocida como un modelo de Mohr-Coulomb no asociativo), decidieron mejorar los "ojos" de la PINN. Introdujeron una técnica llamada mapeo de Características de Fourier (Fourier Feature mapping). Para entender qué hace esto, imagina que la PINN es un músico intentando tocar una canción. La versión estándar de la red es como un músico que solo sabe tocar notas graves y profundas. Puede tararear una melodía suave, pero si la canción de repente requiere un solo de violín agudo y rápido (que representa esos cambios bruscos y afilados en el estrés del suelo), el músico simplemente no puede escucharlo, y mucho menos tocarlo. Esto se llama "sesgo espectral".

Los investigadores solucionaron esto dándole al músico un nuevo conjunto de oídos. Añadieron una capa de "características de Fourier" justo al principio de la red. Piensa en esto como entregarle al músico una partitura que ya incluye todas las notas agudas y los ritmos rápidos antes de que siquiera comience a tocar. En lugar de luchar por descubrir cómo alcanzar esas notas altas, la red ahora puede acceder a ellas instantáneamente. Esto permite a la IA resolver los límites afilados y dentados donde el suelo comienza a fallar, que es exactamente donde la IA estándar suele fallar.

Los resultados de sus experimentos fueron bastante prometedores. Probaron su nueva "PINN de Características de Fourier" (o FF-PINN) contra la antigua PINN estándar y el método tradicional y lento de los ladrillos de Lego (FEM) utilizando tres escenarios de suelo diferentes. El nuevo modelo no solo adivinó; aprendió. En términos de precisión, la FF-PINN redujo los errores al predecir cuánto se movería el suelo (desplazamiento) hasta en un 66 por ciento en comparación con la antigua PINN. Para las fuerzas de estrés dentro del suelo, redujo los errores en aproximadamente un 27 por ciento. Quizás lo más importante es que no solo obtuvo los números correctos; dibujó la forma de la zona de falla con una fidelidad mucho más nítida, capturando la geometría exacta de donde el suelo se rompería, mientras que el modelo antiguo suavizaba esos bordes peligrosos convirtiéndolos en un desenfoque.

El estudio también analizó qué tan rápido era este nuevo método. A pesar de que la nueva red tenía un poco más de "neuronas" (parámetros) que gestionar, aprendió dos veces más rápido. Alcanzó una solución estable y precisa en 17,500 pasos de entrenamiento, mientras que la antigua PINN necesitó 35,000 pasos. Esto significó que el tiempo de entrenamiento en tiempo real se redujo a la mitad, bajando de 1,366 segundos a 683 segundos. Los investigadores también comprobaron si el modelo podía manejar el "ruido", simulando errores de sensores del mundo real de hasta un 2.0 por ciento. El nuevo modelo se mantuvo estable y no se confundió, demostrando que es lo suficientemente robusto para datos desordenados del mundo real.

Sin embargo, el artículo es cuidadoso al señalar que esto no es una varita mágica para todo. Aunque el nuevo modelo fue una gran mejora, todavía tuvo dificultades con un detalle específico: la deformación plástica en la dirección perpendicular a la capa de suelo (la deformación fuera del plano). Este componente específico siguió siendo difícil de predecir, con errores que se mantuvieron altos (entre el 60 y el 80 por ciento) independientemente de cuántos datos se le suministraran al modelo. Los autores sugieren que esto es un desafío fundamental con la configuración actual, no solo una falta de práctica.

En resumen, este artículo sugiere que, con solo cambiar la forma en que la IA "ve" los datos de entrada —dándole un mejor rango de frecuencia con el que trabajar— podemos resolver problemas complejos de mecánica de suelos mucho más rápido y con mayor precisión que antes. Es un paso significativo hacia la conversión de la IA en una herramienta práctica para la ingeniería geotécnica, ofreciendo una forma de predecir la falla del suelo que es tanto computacionalmente eficiente como físicamente consistente, siempre que podamos resolver eventualmente ese punto ciego tan persistente respecto a la deformación fuera del plano.

Resumen Técnico: Redes Neuronales Informadas por la Física con Características de Fourier para el Análisis Elasto-Plástico de Geomateriales

Planteamiento del Problema
La ingeniería geotécnica depende en gran medida del Método de los Elementos Finitos (FEM) para resolver problemas de valor de contorno elasto-plásticos, particularmente aquellos que involucran el modelo de Mohr-Coulomb no asociativo. Si bien el FEM es robusto, incurre en altos costos computacionales debido a los procedimientos incrementales-iterativos requeridos para el comportamiento no lineal de esfuerzo-deformación. Las Redes Neuronales Informadas por la Física (PINNs) ofrecen una alternativa libre de malla que integra las ecuaciones gobernantes directamente en la función de pérdida, evitando los resolvedores iterativos. Sin embargo, las PINNs convencionales sufren de "sesgo espectral", una tendencia a ajustar preferencialmente los componentes de baja frecuencia de la solución mientras fallan en resolver gradientes locales agudos. Esta limitación es crítica para el modelo de Mohr-Coulomb no asociativo, donde las superficies de fluencia dependientes de la presión y las reglas de flujo no asociativas generan zonas plásticas estrechas y gradientes de esfuerzo pronunciados en las fronteras elástico-plásticas. Las arquitecturas PINN estándar suelen sub-resolver estas regiones de alto gradiente, lo que conduce a imprecisiones en las áreas más críticas para la evaluación geotécnica.

Metodología
Este estudio propone una Red Neuronal Informada por la Física con Características de Fourier (FF-PINN) para abordar el sesgo espectral en el contexto de la plasticidad no asociativa. La metodología involucra varios componentes clave:

Mapeo de Características de Fourier: En lugar de alimentar las coordenadas espaciales $(x, y)$ directamente a la red, la capa de entrada emplea un mapeo de características de Fourier aleatorias. Esto proyecta las coordenadas en un espacio de mayor dimensión utilizando transformaciones de seno y coseno con frecuencias muestreadas de una distribución gaussiana. Esta modificación altera las propiedades espectrales de la representación de entrada de la red, permitiendo que el modelo acceda a funciones de base de alta frecuencia desde el inicio del entrenamiento.
Modelado Constitutivo: El marco utiliza el modelo de Mohr-Coulomb no asociativo, implementado mediante la función de fluencia de Menétrey–Willam para asegurar la suavidad en el plano desviador. La formulación incluye una regla de flujo no asociativa con una función de potencial plástico distinta para capturar con precisión la dilatancia del suelo.
Función de Pérdida Multiobjetivo: El objetivo de entrenamiento combina residuales basados en la física y términos impulsados por datos. La pérdida física impone las ecuaciones de equilibrio, las relaciones constitutivas (leyes de esfuerzo-deformación) y las condiciones de Karush-Kuhn-Tucker (KKT) (asegurando que la activación del flujo plástico ocurra solo cuando el estado de esfuerzo está sobre la superficie de fluencia). La pérdida impulsada por datos penaliza las discrepancias contra las soluciones de referencia de alta fidelidad de FEM para los campos de desplazamiento, esfuerzo, deformación y deformación plástica.
Muestreo Adaptativo de Deformación (SAS): Para mejorar aún más la resolución en zonas críticas, el estudio emplea una estrategia de muestreo que concentra los puntos de colocación en regiones de magnitud de deformación elevada, en lugar de utilizar un muestreo de rejilla uniforme.
Evaluación Comparativa (Benchmarking): La FF-PINN se evalúa frente a las PINNs convencionales y las soluciones de referencia de FEM a través de tres casos de prueba con variaciones en cohesión, ángulos de fricción y condiciones de carga.

Contribuciones Clave

Primera Aplicación a la Plasticidad No Asociativa: Este trabajo representa la primera aplicación del mapeo de características de Fourier aleatorias a la plasticidad dependiente de la presión y no asociativa dentro de un marco de PINN.
Mitigación del Sesgo Espectral: El estudio demuestra que el mapeo de características de Fourier mitiga eficazmente el sesgo espectral, mejorando sustancialmente la resolución de los campos de desplazamiento, esfuerzo y deformación plástica de alto gradiente en zonas plásticas localizadas.
Integración del Muestreo Adaptativo de Deformación: El marco combina el mapeo de Fourier con una estrategia de muestreo adaptativo de deformación, mostrando que la capacidad de representación mejorada de la FF-PINN le permite explotar eficazmente los datos de entrenamiento concentrados en regiones de alto gradiente.
Evaluación Comparativa Exhaustiva: El marco es rigurosamente probado contra las PINNs convencionales y el FEM, con análisis de sensibilidad que cubren el tamaño de los datos de entrenamiento, la densidad de colocación, el peso de la pérdida y los niveles de ruido.

Resultos
Los experimentos numéricos a través de tres casos de prueba arrojaron los siguientes hallazgos:

Mejoras en la Precisión: La FF-PINN logró una precisión superior en la mayoría de los campos predichos en comparación con las PINNs convencionales. Las reducciones de error alcanzaron aproximadamente un 66% para los componentes de desplazamiento y un 27% para los componentes de esfuerzo en casos específicos.
Geometría de la Zona Plástica: La FF-PINN reprodujo la geometría de las zonas de falla plástica con una fidelidad notablemente mayor respecto a las soluciones de referencia de FEM. Mientras que las PINNs convencionales tendían a suavizar los límites de las zonas plásticas, la FF-PINN capturó los lóbulos más agudos y las extensiones localizadas características del modelo de Mohr-Coulomb no asociativo.
Eficiencia de Entrenamiento: La FF-PINN convergió en aproximadamente la mitad de las épocas de entrenamiento requeridas por la PINN convencional (17,500 frente a 35,000 épocas), reduciendo el tiempo de entrenamiento de pared en un 50%, a pesar de un modesto aumento en los parámetros entrenables debido a la expansión de la dimensión de entrada.
Sensibilidad y Robustez: El modelo demostró robustez a niveles de ruido de hasta 2.0%. El análisis de sensibilidad indicó que se logra una precisión confiable con aproximadamente 1,237 puntos de datos de entrenamiento y 5,000 puntos de colocación. La relación óptima de peso de pérdida (física-a-datos) se identificó como 1:15.
Limitaciones: El estudio señaló un desafío persistente en la predicción precisa del componente de deformación plástica fuera del plano ( $\varepsilon_{zz}^p$ ), que exhibió errores relativos altos (60–80%) en todas las configuraciones, lo que sugiere una dificultad de aproximación fundamental para este componente específico bajo condiciones de deformación plana.

Significancia
El artículo postula que el marco propuesto de FF-PINN ofrece una alternativa computacionalmente eficiente y físicamente consistente al FEM para el análisis geotécnico elasto-plástico. Al abordar el sesgo espectral inherente a las redes neuronales estándar, el marco permite la resolución precisa de los gradientes agudos de esfuerzo y deformación que son críticos para evaluar la falla del suelo. El estudio concluye que la combinación de mapeo de características de Fourier y muestreo adaptativo de deformación no solo mejora la precisión predictiva, sino que también acelera la convergencia, haciendo que el enfoque sea viable para aplicaciones que requieren evaluaciones de modelos repetidas, como estudios paramétricos y análisis de confiabilidad. Los autores enfatizan que, si bien el método muestra una promesa significativa, se necesita trabajo futuro para extender el marco a geometrías tridimensionales, modelos constitutivos complejos y escenarios de carga cíclica.

Más como este