A plausible Parametrization of Modal Basis for Dynamical Systems Analysis

Resumen Técnico: Una Parametrización Plausible de la Base Modal para el Análisis de Sistemas Dinámicos

Planteamiento del Problema
En la dinámica de sólidos, la base modal —que comprende los autovalores (frecuencias naturales) y los autovectores (formas modales)— es fundamental para el análisis de vibraciones, la optimización estructural y el diseño orientado al control. El conocimiento de esta base permite a los ingenieros predecir la resonancia, evitar frecuencias críticas y adaptar las respuestas dinámicas. Sin embargo, para sistemas de ingeniería realistas, determinar la base modal requiere resolver problemas de autovalores de gran escala, típicamente mediante el Método de Elementos Finitos (FEM). Aunque es preciso, estos cálculos son computacionalmente costosos, particularmente en contextos de diseño paramétrico y optimización donde la geometría, las propiedades de los materiales o las condiciones de contorno varían, lo que requiere resolver repetidamente los autovalores.

Las técnicas existentes de Reducción de Orden de Modelo (MOR), como la Descomposición de Órdenes Propios (POD) y los métodos de Base Reducida (RB), intentan aliviar esta carga explotando estructuras de solución de baja dimensión. Sin embargo, estos métodos suelen depender de espacios reducidos lineales, que pueden tener dificultades para capturar dependencias modales fuertemente no lineales inducidas por variaciones paramétricas complejas. Además, los enfoques estándar de Aprendizaje Profundo (Deep Learning), aunque potentes para el modelado de sustitutos (surrogates), suelen sufrir de sobreajuste (overfitting), carecen de interpretabilidad y generan características "alucinadas" no físicas cuando se aplican a problemas basados en la física.

Metodología
Los autores proponen un nuevo marco utilizando un Autoencoder de Reducción de Rango (RRAE) para parametrizar la base modal. La metodología aborda dos desafíos principales: el preprocesamiento de datos (alineación de modos) y la construcción de un sustituto paramétrico no lineal.

1. Preprocesamiento de Datos (Emparejamiento y Alineación de Modos):
   Los autovectores se definen solo hasta un factor de escala (ambigüedad de signo) y su orden puede cambiar cuando los parámetros del sistema cambian. Para asegurar un aprendizaje consistente, los autores emplean un paso de preprocesamiento utilizando un enfoque de minimización con regularización $L_1$ (solucionador Lasso). Esta técnica empareja los modos perturbados con los modos nominales mediante la búsqueda de un vector de pesos disperso que minimice la norma $L_2$ entre el modo nominal y una combinación lineal de los modos perturbados. El signo del peso resultante indica si un modo debe invertirse, y la magnitud identifica la permutación correcta, reordenando y alineando efectivamente el conjunto de datos.

2. Arquitectura del Autoencoder de Reducción de Rango (RRAE):
   El núcleo del método propuesto es un autoencoder donde el espacio latente está restringido mediante una Descomposición en Valores Singulares (SVD) truncada. En lugar de permitir que el vector latente tome una forma arbitraria, el RRAE reestructura este en una matriz cuya SVD se trunca a un rango predefinido $k_{max} \ll L$. Esto obliga al espacio latente a capturar únicamente las características dominantes de los datos, mitigando el sobreajuste y las predicciones espurias.

3. Construcción del Sustituto Paramétrico:
   El marco extiende el RRAE para manejar entradas paramétricas ($p$) a través de una estrategia de aprendizaje estructurada:

   • Red Paramétrica: Una red neuronal toma los parámetros de diseño $p$ como entrada y predice la representación latente de bajo rango ($V\alpha$) correspondiente al primer autovector ($\phi_1$).
   • Redes de Acoplamiento de Modos: Se introducen $N-1$ redes neuronales suplementarias. Cada red $i$ recibe la representación latente predicha por la red paramétrica y genera el $i$-ésimo autovector ($\phi_i$) para $i > 1$.
   • Entrenamiento Conjunto: Todas las redes se entrenan conjuntamente para minimizar una función de pérdida compuesta que consiste en:
     • Pérdida de Reconstrucción ($L_{rec}$): Asegura que el RRAE reconstruya con precisión el primer autovector desde el espacio latente.
     • Pérdida Paramétrica ($L_{param}$): Vincula los parámetros de diseño con el espacio latente de bajo rango regularizado.
     • Pérdida de Predicción de Autovectores ($L_{eigv}$): Guía la representación latente para predecir con precisión el resto de los autovectores a través de las redes suplementarias.

Contribuciones Clave

• RRAE para la Base Modal: La aplicación de un Autoencoder de Reducción de Rango, restringido por SVD truncada, específicamente para la parametrización de autovectores en la dinámica de sólidos.
• Preprocesamiento Robusto: Una estrategia basada en $L_1$ para resolver las ambigüedades de signo y orden en los conjuntos de datos de autovectores, un paso de preprocesamiento crítico que suele pasarse por alto en el análisis modal basado en datos.
• Marco Paramétrico No Lineal: Una arquitectura acoplada que aprende un espacio latente de baja dimensión compartido para el primer modo y propaga esta información a través de redes dedicadas para reconstruir la base modal completa, capturando las dependencias no lineales que los métodos de MOR lineales podrían omitir.
• Validación: La metodología se valida en problemas tanto de 1D (barra) como de 2D (placa en flexión) con variaciones en las fracciones de material y las propiedades de rigidez.

Resultos
La arquitectura propuesta fue probada en:

• Problema de Barra 1D: Una barra con dos dominios de material definidos por un parámetro de fracción $g$. Utilizando 2,000 muestras de Hipercubo Latino, el modelo predijo con éxito los primeros cinco autovectores para datos de prueba no vistos.
• Problema de Placa 2D: Una placa en voladizo dividida en dos dominios con variaciones en los módulos de Young ($E_1, E_2$) y una fracción geométrica $g$. El modelo utilizó 500 puntos de datos y Redes Neuronales Convolucionales 2D.

Los resultados demostraron que el sustituto paramétrico predijo correctamente el grupo de autovectores. En el caso de la placa 2D, aunque el error total de prueba se reportó como 16%, los autores aclaran que esto agrega los errores de todos los modos; el error individual para cada modo se mantuvo por debajo del 4%. Las curvas de pérdida de entrenamiento y de prueba indicaron convergencia, confirmando la capacidad del modelo para generalizar a través del espacio paramétrico.

Significancia y Reivindicaciones
El artículo afirma que el marco RRAE proporciona un modelo sustituto eficiente para el análisis modal paramétrico, ofreciendo una alternativa viable a las repetitivas y costosas soluciones de autovalores de FEM. Al restringir el espacio latente mediante SVD truncada, el método captura eficazmente las características físicas dominantes mientras evita las representaciones no físicas comunes en los modelos de aprendizaje profundo sin restricciones. Los autores posicionan este trabajo como un paso hacia el diseño de optimización de sistemas eficiente en la dinámica de sólidos. Señalan que, si bien el trabajo actual se centra en problemas de 1D y 2D para simplificación, la metodología es directamente aplicable a problemas de mecánica de sólidos 3D, lo cual identifican como una perspectiva para trabajos futuros. El artículo mantiene un tono modesto, centrándose en la validación de la capacidad de la arquitectura para parametrizar autovectores más que en reclamar una superioridad universal sobre todas las técnicas de MOR existentes.