Rank Reduction AutoEncoders for Mechanical Design: Advancing Novel and Efficient Data-Driven Topology Optimization

Résumé Technique : Autoencodeurs à Réduction de Rang pour la Conception Mécanique

Énoncé du Problème
L'optimisation topologique (OT) est un outil critique pour la synthèse de structures de haute performance, mais elle reste coûteuse en termes de calcul, particulièrement lorsqu'il est nécessaire de répéter les analyses pour l'exploration de l'espace de conception, la quantification de l'incertitude ou la conception inverse. Les flux de travail d'OT traditionnels impliquent la résolution répétée de problèmes d'éléments finis (EF) de haute dimension, où les géométries optimisées sont représentées par des champs de densité denses. Bien que l'apprentissage automatique (ML) offre des alternatives fondées sur les données, les approches standards souffrent souvent d'une interprétabilité limitée, d'une faible capacité d'extrapolation et de difficultés à gérer les problèmes inverses où plusieurs géométries peuvent donner des mesures de performance identiques. De plus, les autoencodeurs standards peuvent introduire de la redondance ou du surapprentissage lors de la compression de données d'OT de haute dimension.

Méthodologie
L'article propose un cadre unifié fondé sur les données qui combine des Autoencodeurs à Réduction de Rang (RRAE - Rank Reduction AutoEncoders) avec des cartographies dans l'espace latent pour modéliser la relation entre les géométries optimisées et leurs réponses mécaniques (Quantités d'Intérêt, ou QoI). La méthodologie est structurée comme suit :

1. Génération de Données : Un ensemble de données est généré en utilisant la méthode SIMP (Solid Isotropic Material with Penalization) pour un problème de minimisation de la compliance sur une demi-poutre MBB. L'ensemble de données comprend des topologies optimisées (géométries) et les réponses mécaniques correspondantes (distributions de contraintes de von Mises) sous des contraintes de volume variables.
2. Réduction de Dimensionnalité (RRAE) : Au lieu des autoencodeurs standards, le cadre utilise des RRAE. Cette architecture encode des données de haute dimension (géométries ou champs de contraintes) dans un espace latent, qui est ensuite soumis à une décomposition en valeurs singulières (SVD) tronquée. Ce processus ne conserve que les modes les plus significatifs (coefficients latents), identifiant ainsi les caractéristiques géométriques et physiques dominantes tout en garantissant une approximation de bas rang.
   • Des modèles RRAE distincts sont entraînés pour la géométrie (utilisant un CNN-RRAE pour les champs de densité 2D) et pour les QoI.
3. Cartographie de l'Espace Latent : Des perceptrons multicouches (MLP) sont entraînés pour mapper les coefficients latents de faible dimension de la géométrie ($\alpha$) vers ceux de la solution ($\beta$) et vice versa.
   • Problème Direct ($\text{géométrie} \to \text{solution}$) : Prédire les réponses structurelles à partir d'une géométrie donnée.
   • Problème Inverse ($\text{solution} \to \text{géométrie}$) : Reconstruire les géométries à partir de cibles de performance prescrites.
4. Variations de la QoI : L'étude évalue trois types distincts de QoI pour déterminer leur impact sur la fidélité du modèle :
   • Scalaire : Contrainte de von Mises maximale (métrique globale).
   • Champ 1D : Valeurs de la contrainte de von Mises le long de la diagonale du domaine (chemin de charge principal).
   • Champ 2D : Distribution complète de la contrainte de von Mises à travers le domaine.

Principales Contributions
L'article présente trois contributions principales :

1. Réduction de Dimensionnalité Efficace : Il introduit les RRAE comme un outil adaptatif pour réduire la dimensionnalité des données d'OT, en exploitant la SVD tronquée pour maintenir l'efficacité computationnelle et la robustesse tout en capturant les modes dominants.
2. Analyse Comparative des QoI : Il fournit une analyse systématique de la manière dont le contenu informationnel de la QoI (champ scalaire vs 1D vs 2D) affecte la précision et la robustesse des modèles de substitution (surrogate models) directs et inverses.
3. Cadre de Conception Générative : Il démontre un cadre basé sur l'espace latent qui facilite la synthèse de nouvelles géométries et réponses, permettant une exploration rapide des configurations structurelles optimisées sans résoudre de problèmes EF complets.

Résultats Numériques
Le cadre a été validé sur un problème de référence de demi-poutre MBB avec 100 échantillons d'entraînement et 20 échantillons de test (variations de fractions de volume).

• QoI Scalaire : Ce cas s'est avéré le plus difficile. La mise en correspondance d'une géométrie vers une valeur scalaire unique est intrinsèquement non bijective. Par conséquent, le problème inverse a souffert de surapprentissage (mémorisation) et a produit des géométries dépourvues de sens physique lors de l'extrapolation. La perte de reconstruction pour les problèmes inverses était élevée ($\approx 20\%$).
• QoI de Champ 1D : L'utilisation du champ de contrainte le long de la diagonale a considérablement amélioré les performances. La perte de reconstruction du problème inverse est tombée à $\approx 7,6\%$ (ensemble de test), et le modèle a réussi à générer des géométries physiquement plausibles correspondant aux courbes de contrainte cibles.
• QoI de Champ 2D : Cette approche a donné les meilleures performances globales. En utilisant la distribution complète des contraintes, le cadre a atteint des prédictions de haute fidélité.
  • Problème Direct : Le coefficient $R^2$ a atteint $0,999$ sur l'ensemble de test.
  • Problème Inverse : La perte de reconstruction pour les géométries était de $7,80\%$ (ensemble de test), avec des fractions de volume prédites correspondant étroitement à la vérité terrain.
  • Les résultats indiquent que des QoI plus riches fournissent l'information nécessaire pour résoudre la nature mal posée du problème inverse, menant à des modèles de substitution robustes et précis.

Signification et Revendications
Les auteurs affirment que ce cadre offre un substitut computationnellement efficace pour l'analyse EF dans les flux de travail d'OT. L'étude souligne que la richesse de la QoI est le facteur critique du succès de la conception inverse ; compresser la solution de manière trop agressive (par exemple, en un scalaire) rend le problème inverse mal conditionné.

La méthodologie est présentée comme une fondation pour la Conception Générative (GD). En opérant dans un espace latent de bas rang dérivé de la SVD, le cadre permet l'interpolation de nouveaux points pour synthétiser de nouvelles géométries et réponses qui restent physiquement plausibles. Les auteurs positionnent les RRAE comme un outil unificateur pour la modélisation d'ordre réduit, la conception inverse et l'exploration fondée sur les données, notant que les travaux futurs se concentreront sur l'extension de cela à des espaces de conception multiparamétriques et sur l'incorporation de contraintes informées par la physique.