⚡ electrical engineering

TimoDS: A comprehensive and synthetically generated dataset of Timoshenko steel beams with general elastic supports and responses to elementary unit load cases

Cet article présente TimoDS, un ensemble de données synthétiques complet de 60 000 instances de poutres en acier de Timoshenko avec des supports élastiques généraux et des cas de charge élémentaires, qui sert de référence validée pour l'entraînement de substituts d'apprentissage automatique en mécanique des structures.

Auteurs originaux : Youssef Derrazi, Diego Hernán Peluffo-Ordóñez, Juan Carlos Torres Cantero

Publié 2026-08-13

📖 4 min de lecture☕ Lecture pause café

CC BY 4.0

Auteurs originaux : Youssef Derrazi, Diego Hernán Peluffo-Ordóñez, Juan Carlos Torres Cantero

Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous soyez un architecte ou un ingénieur essayant de construire un pont, un gratte-ciel ou même une simple étagère. Avant de verser la moindre goutte de béton ou de souder la moindre poutre, vous devez deviner comment elle va se comporter. Va-t-elle trop fléchir ? Va-t-elle se briser ? Va-t-elle osciller sous l'effet du vent ? Traditionnellement, les ingénieurs utilisent des programmes informatiques puissants pour simuler ces scénarios. Ces programmes sont comme des moteurs de jeux vidéo incroyablement détaillés qui calculent la physique de chaque pièce de métal. Ils sont précis, mais ils sont aussi lents. Si vous voulez tester un million de designs différents pour trouver le parfait, ou si vous avez besoin de savoir comment un bâtiment réagira à un séisme en temps réel, attendre que l'ordinateur calcule les chiffres pour chaque essai, c'est comme essayer de compter chaque grain de sable sur une plage en les ramassant un par un.

Pour accélérer les choses, les scientifiques ont commencé à utiliser des « modèles de substitution » (surrogate models). Considérez-les comme des raccourcis ultra-intelligents. Au lieu de calculer la physique à partir de zéro à chaque fois, on entraîne un cerveau informatique (un modèle d'apprentissage automatique) sur une immense bibliothèque d'exemples. Une fois entraîné, ce cerveau peut deviner la réponse presque instantanément. Mais voici le piège : pour enseigner à ce cerveau, vous avez besoin d'une immense et parfaite bibliothèque d'exemples. Dans le monde réel, obtenir des données réelles est coûteux et dangereux (on ne peut pas simplement faire tomber un bâtiment pour voir ce qui se passe). Ainsi, les chercheurs doivent créer ces bibliothèques à l'aide de simulations. Le grand défi a été de s'assurer que ces bibliothèques simulées soient assez diversifiées pour couvrir toutes les situations possibles — d'une poutre tenue lâchement aux extrémités à une poutre solidement fixée — et qu'elles soient physiquement correctes, afin que le raccourci ne mène pas à un désastre.

C'est là qu'intervient un nouveau jeu de données appelé TimoDS. C'est comme un immense livre de recettes synthétiques pour poutres en acier, entièrement créé par des ordinateurs mais conçu pour être aussi réaliste que possible. L'article présente TimoDS, une collection de 60 000 scénarios de « et si » pour des poutres en acier. Les chercheurs n'ont pas seulement choisi des nombres au hasard ; ils ont construit un pipeline sophistiqué et automatisé pour générer ces scénarios. Ils ont simulé des poutres fabriquées en acier européen standard (spécifiquement des profils IPE, HEA et HEB) et les ont testées sous six types différents de « poussées » et de « torsions » de base (charges unitaires et moments). La magie de TimoDS est qu'il couvre tout le spectre de la manière dont une poutre peut être maintenue. Au lieu de tester uniquement des poutres soit complètement libres, soit complètement bloquées, TimoDS teste des poutres maintenues par des « supports élastiques » : imaginez les extrémités de la poutre reposant sur des ressorts qui peuvent être aussi souples qu'un matelas ou aussi durs qu'un rocher. Cela permet au jeu de données de couvrir tous les entre-deux possibles.

Pour chacune des 60 000 poutres, le jeu de données enregistre exactement comment la poutre réagit. Il ne donne pas seulement un chiffre unique comme « elle a fléchi de 5 centimètres ». Au lieu de cela, il cartographie toute l'histoire du mouvement, de la force et de l'énergie de la poutine en 21 points différents le long de sa longueur. Cela crée une sortie massive de 253 points de données pour chaque poutre, capturant tout, de la torsion à l'énergie stockée à l'intérieur. Les chercheurs ont vérifié que leurs simulations informatiques respectaient parfaitement les lois de la physique, en vérifiant que les forces s'équilibraient et que l'énergie était conservée. Ils ont même corrigé un petit bug dans le logiciel utilisé pour s'assurer que les chiffres de l'énergie étaient 100 % précis.

Pour prouver que ce jeu de données est réellement utile, les auteurs ont entraîné un modèle d'apprentissage automatique simple sur un seul des six cas de charge. Les résultats ont été impressionnants : le modèle a appris à prédire comment la poutre fléchit et se tord avec une grande précision. Mieux encore, ils ont montré que le modèle pouvait utiliser un principe appelé « superposition » pour déterminer comment une poutre réagirait à un mélange complexe de charges qu'il n'avait jamais vu auparavant, simplement en additionnant les réponses des cas de base qu'il avait appris. Cela suggère que TimoDS n'est pas seulement une collection statique de chiffres ; c'est un outil puissant qui peut aider les ingénieurs à entraîner l'IA pour concevoir des structures plus sûres et plus efficaces à l'avenir, transformant un calcul lent et lourd en une estimation éclair qui respecte néanmoins les lois de la physique.

Résumé Technique : Jeu de Données TimoDS

Énoncé du Problème

Le développement de modèles de substitution (surrogates) fondés sur les données pour la mécanique des structures est actuellement entravé par la rareté de données d'entraînement de haute qualité et accessibles publiquement. Les jeux de données expérimentaux existants sont souvent coûteux, de portée limitée et ne parviennent pas à couvrir l'intégralité de l'espace des paramètres nécessaire à la généralisation. De plus, de nombreux jeux de données synthétiques existants souffrent de plusieurs limitations : ils se concentrent fréquemment sur des éléments isolés avec des conditions aux limites standards (par exemple, simplement appuyés ou totalement encastrés) plutôt que sur le continuum de liaisons élastiques intermédiaires présentes dans les structures réelles ; ils sont souvent générés via des procédures ad hoc manquant d'automatisation complète et de reproductibilité ; et ils ne fournissent généralement que des sorties scalaires plutôt que des distributions spatiales complètes des réponses structurelles. Ces lacunes limitent l'utilité des jeux de données pour les architectures avancées telles que les réseaux de neurones informés par la physique (PINNs) et les réseaux de neurones sur graphes (GNN) qui opèrent sur des champs spatialement distribués.

Méthodologie

L'article présente TimoDS, un jeu de données généré synthétiquement comprenant 60 000 instances de poutres en acier de Timoshenko avec des supports élastiques généraux. Le processus de génération est un pipeline entièrement automatisé et reproductible, exécuté dans l'environnement de modélisation paramétrique Grasshopper à l'aide du plug-in d'éléments finis Karamba3D.

Modèle Mécanique

Le jeu de données repose sur un modèle de poutre de Timoshenko en statique linéaire de longueur $L$ avec une section transversale constante $\Sigma$ . Le modèle prend en compte :

Matériau : Acier élastique linéaire isotrope ( $E = 210$ GPa, $\nu = 0,33$ ).
Sections transversales : Profilés d'acier européens des familles IPE, HEA et HEB (66 sections distinctes).
Conditions aux limites : Supports élastiques généraux aux deux extrémités (A et B), définis par 12 paramètres de rigidité (3 translations $k$ et 3 rotations $c$ par extrémité). Ces paramètres couvrent un continuum allant de la liaison libre à la condition quasi-encastrée, échantillonné dans un espace logarithmique par rapport à la rigidité caractéristique de la poutre.
Cas de charge : Six cas de charge unitaire élémentaire sont considérés indépendamment : trois charges ponctuelles unitaires ( $\vec{F} = \vec{e}_x, \vec{e}_y, \vec{e}_z$ ) et trois moments ponctuels unitaires ( $\vec{C} = \vec{e}_x, \vec{e}_y, \vec{e}_z$ ). Chaque charge est appliquée à une position relative $\alpha$ le long de l'axe de la poutre.

Pipeline de Génération de Données

Échantillonnage : L'échantillonnage par hypercube latin (LHS) avec une graine fixe (2) est utilisé pour assurer une couverture uniforme de l'espace d'entrée à 15 dimensions (longueur de la poutre, position de la charge, sélection de la section et 12 multiplicateurs de rigidité sans dimension).
Simulation : Pour chacune des 60 000 instances, un graphe paramétrique dans Grasshopper/Karamba3D assemble la poutre, applique les conditions aux limites et la charge unitaire spécifiques, et résout le problème de statique linéaire.
Récupération des Sorties : Le pipeline récupère les quantités cinématiques (déplacements et rotations) ainsi que les forces internes (effort axial, efforts tranchants, torsion, moments de flexion) en 21 positions équidistantes le long de l'axe de la poutte. Il calcule également l'énergie de déformation élastique totale.
Correction : Une divergence systématique dans la sortie d'énergie interne de Karamba3D (qui néglige l'énergie stockée dans les ressorts de support pour les supports rigides) est traitée. Le jeu de données inclut une valeur d'énergie de déformation corrigée ( $\hat{U}_D$ ) recalculée via l'intégration numérique des champs de forces internes pour satisfaire le théorème de l'énergie de travail.

Contributions Clés

Jeu de Données Complet : TimoDS fournit 60 000 problèmes de poutres entièrement définis avec des supports élastiques généraux, couvrant une large gamme de paramètres géométriques et de conditions aux limites.
Résolution Spatiale : Contrairement à de nombreux jeux de données fournissant des sorties scalaires, TimoDS livre des distributions spatiales complètes de 12 quantités physiques échantillonnées en 21 points, ce qui résulte en un vecteur de sortie de 253 quantités par instance.
Reproductibilité : L'ensemble du jeu de données est généré via un pipeline déterministe et autonome avec une graine aléatoire fixe, permettant une régénération exacte. Le code et les scripts sont publics.
Capacité de Superposition : En fournissant les réponses à des cas de charge unitaire élémentaire, le jeu de données fonctionne comme une bibliothèque discrète de fonctions d'influence. En raison de la linéarité du modèle de Timoshenko, les réponses à des distributions de charge arbitraires peuvent être reconstruites via la superposition sans résolution supplémentaire.
Cohérence Physique : Le jeu de données fait l'objet d'une validation rigoureuse, confirmant les résidus d'équilibre à la précision machine et vérifiant le bilan énergétique grâce à la métrique d'énergie de déformation corrigée.

Résultats et Validation

Caractérisation Statistique : L'espace d'entrée montre une décorrélation efficace entre les paramètres géométriques, de chargement et de conditions aux limites. L'espace de sortie présente les comportements physiques attendus, tels que la dominance de la flexion sur la déformation axiale et l'influence des familles de sections (IPE vs HEA/HEB) sur la flexibilité torsionnelle et de flexion.
Cohérence Physique : Les vérifications d'équilibre confirment que les résidus de force et de moment sont de l'ordre de la précision machine ( $\sim 10^{-16}$ à $10^{-15}$ ). L'énergie de déformation corrigée $\hat{U}_D$ satisfait l'équation du bilan énergétique $2\hat{U}_D = W_{ext} - W_k$ sur 22 ordres de grandeur.
Expérience de Base en Apprentissage Automatique : Un réseau de neurones de type feedforward a été entraîné sur le Cas de Charge 2 (charge transversale unitaire) pour prédire les champs de réponse.
- Le modèle a obtenu des scores $R^2$ élevés pour les forces internes ( $V_y, M_z$ ) et la rotation de flexion ( $\theta_z$ ).
- Le déplacement transversal ( $u^G_y$ ) a montré une précision relative plus faible dans les régimes quasi-encastrés en raison de la large plage dynamique des données, bien que le $R^2$ global reste élevé (0,9945).
- Crucialement, le modèle entraîné a réussi à reconstruire les réponses à des scénarios de chargement combinés (deux charges ponctuelles simultanées) via la superposition, démontrant qu'un modèle entraîné sur des cas élémentaires peut se généraliser à des chargements complexes sans réentraînement.

Signification et Revendications

L'article positionne TimoDS comme un benchmark viable pour la modélisation de substitution, l'apprentissage informé par la physique et l'apprentissage d'opérateurs en ingénierie structurelle. Sa principale importance réside dans le fait de répondre au manque de données synthétiques diversifiées, de haute qualité et reproductibles dans le domaine. En fournissant des champs de réponse spatiaux complets et en couvrant le continuum des conditions aux limites élastiques, le jeu de données permet l'entraînement de modèles capables de se généraliser à travers diverses configurations structurelles. Les auteurs affirment explicitement que le jeu de données est conçu pour faciliter le développement de modèles basés sur les données pouvant servir de bibliothèques de fonctions d'influence, permettant la reconstruction des réponses à des distributions de charge arbitraires. Le travail est modeste dans sa portée, reconnaissant des limitations telles que la restriction au comportement matériel linéaire, les poutres prismatiques à travée unique et la négligence des effets de déformation de torsion (warping), les présentant comme des domaines d'extension future plutôt que comme des capacités actuelles.