Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

Résumé technique : Algorithme de pondération de masse pour les PINNs basés sur Fourier en mécanique de contact adhésif

Énoncé du problème
Les réseaux de neurones informés par la physique (PINNs) appliqués à la mécanique de contact élastique sont confrontés à un défi fondamental appelé déséquilibre de rigidité spectrale. Dans les problèmes de demi-espace élastique, le noyau élastique dans l'espace de Fourier évolue linéairement avec le nombre d'onde ($q$). Par conséquent, les modes de déformation à courtes longueurs d'onde (haut $q$) engendrent des coûts d'énergie élastique nettement plus élevés que les modes à longues longueurs d'onde. Lors de l'entraînement des PINNs standards par descente de gradient, ce déséquilibre provoque une domination des mises à jour de gradient par les modes à haute fréquence, ce qui entraîne le blocage de la convergence des champs de déformation macroscopiques. Ce problème est exacerbé dans les problèmes de contact adhésif où les interactions à courte portée introduisent des contenus haute fréquence supplémentaires. Les PINNs classiques minimisant l'énergie échouent souvent à converger vers des résidus de précision machine ou produisent des champs de contraintes non physiques et oscillatoires, dominés par le bruit haute fréquence.

Méthodologie
Les auteurs proposent un cadre de PINN basé sur Fourier augmenté par une stratégie de préconditionnement spectral appelée Pondération de Masse (Mass Weighting - MW). La méthodologie comprend les composantes clés suivantes :

1. Formulation de minimisation de l'énergie : Contrairement aux PINNs traditionnels qui équilibrent les résidus d'EDP avec des pénalités de conditions aux limites, cette approche formule la tâche d'apprentissage comme la minimisation d'une fonction d'énergie potentielle totale scalaire ($\Pi$). L'énergie totale comprend l'énergie de déformation élastique ($U_{el}$), le travail externe ($U_{ext}$) et l'énergie d'interaction interfaciale ($U_{int}$) modélisée par un potentiel de Morse.
2. Cartographie de caractéristiques de Fourier (Fourier Feature Mapping) : Les coordonnées spatiales d'entrée sont encodées à l'aide de caractéristiques de Fourier pour permettre au réseau de résoudre les gradients de déplacement abrupts près des bords de contact.
3. Préconditionnement spectral (Pondération de Masse) : Avant la rétropropagation, le gradient de la fonction de perte par rapport au champ de déplacement est transformé dans l'espace de Fourier. Il est ensuite repondéré par une fonction de pondération de masse $w(q)$ et un filtre passe-bas intégré $f(q)$ :
   • Pondération de Masse : $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$. Cette fonction amplifie les composantes à bas nombre d'ondes (modes macroscopiques) tout en supprimant les contributions à haut nombre d'ondes, rééquilibrant ainsi le flux de gradient.
   • Filtre Passe-Bas : $f(q) = \frac{1}{1 + (q/q_c)^\beta}$. Cela supprime le bruit sous-jacent qui ne peut être résolu par la discrétisation.
4. Protocole d'entraînement : Le préconditionneur est activé après une phase de « chauffe » de 100 à 200 itérations utilisant des gradients simples. Le réseau est optimisé à l'aide de l'optimiseur Adam. La contrainte de contact est récupérée via la transformée de Fourier inverse de la relation contrainte-déplacement spectrale, évitant ainsi la différenciation numérique sensible à la grille.

Contributions clés

• Identification de la rigidité spectrale : L'article attribue explicitement l'échec de convergence des PINNs basés sur l'énergie dans la mécanique de contact à l'imbalance de rigidité spectrale inhérente à l'opérateur élastique, plutôt qu'à de simples difficultés d'optimisation générales.
• Préconditionneur de Pondération de Masse : L'introduction d'un préconditionneur spectral spécifique qui opère dans l'espace de Fourier pour repondérer les gradients de déplacement. Cela permet au réseau d'apprendre les déformations macroscopiques sans être submergé par le bruit haute fréquence.
• Minimisation directe de l'énergie : La formulation repose entièrement sur la minimisation d'une fonction d'énergie scalaire sans intégration explicite de la fonction de Green ou de règles de quadrature, tout en atteignant une précision comparable aux méthodes qui les utilisent.
• Extension aux surfaces rugueuses adhésives : La méthode est appliquée avec succès tant aux contacts de Hertz lisses qu'aux surfaces rugueuses fractales avec des interactions adhésives (potentiel de Morse), couvrant les régimes de tension à compression.

Résultats
La méthode proposée a été validée par rapport aux solutions de la Dynamique Moléculaire par Fonction de Green (GFMD), un banc d'essai de haute fidélité pour la mécanique de contact.

• Vitesse de convergence : Pour un problème de contact de Hertz de référence, le PINN pondéré par la masse a atteint un résidu de perte de précision machine en 400 itérations Adam. En revanche, l'entraînement non conditionné (référence) s'est bloqué à une perte trois ordres de grandeur supérieure ($\sim 5 \times 10^{-4}$) et n'a pas pu converger davantage.
• Précision physique :
  • Surfaces lisses : Les prédictions du PINN pour le déplacement et la contrainte de contact sont indiscernables des solutions GFMD à travers les régimes de tension, de charge nulle et de compression.
  • Surfaces rugueuses : Pour les surfaces fractales (exposant de Hurst $H=0,5$), la méthode a capturé avec précision la structure de contrainte multi-échelle, incluant les patchs de contact épars au niveau des aspérités à basse pression et les distributions de contrainte continues à haute pression.
• Erreur quantitative : L'erreur quadratique moyenne normalisée (NRMSE) pour le déplacement et la contrainte est restée inférieure à $10^{-3}$ (typiquement de $10^{-4}$ à $10^{-5}$) dans tous les cas de test, confirmant la cohérence quantitative avec la référence GFMD.
• Stabilité : Le suivi du mode de Fourier à plus haut nombre d'ondes a révélé que l'entraînement non conditionné entraînait des oscillations persistantes de grande amplitude, tandis que l'approche pondérée par la masse a rapidement réduit ces modes à zéro, garantissant un profil de contrainte stable et sans oscillations.

Signification et affirmations
Les auteurs affirment que le préconditionnement spectral est non seulement utile mais nécessaire pour la convergence stable des PINNs basés sur l'énergie en mécanique de contact. Sans lui, le réseau échoue à apprendre la solution physiquement correcte en raison du déséquilibre des gradients. L'algorithme de Pondération de Masse permet au PINN de :

1. Résoudre des problèmes de contact adhésif sur des grilles réelles uniformes sans intégration explicite de la fonction de Green.
2. Atteindre des résidus de précision machine et des champs de contrainte lisses et physiquement corrects sur des grilles fines (jusqu'à $N_x = 2048$).
3. Opérer de manière robuste sans réglage manuel des paramètres du préconditionneur au-delà de la configuration initiale.

L'article conclut que bien qu'actuellement limité aux géométries de contact linéaire unidimensionnelle et aux potentiels de Morse, la formulation basée sur Fourier et le préconditionneur spectral sont directement généralisables aux surfaces rugueuses bidimensionnelles et à d'autres potentiels d'interaction lisses, offrant une alternative évolutive aux méthodes traditionnelles d'éléments de frontière.