A Hybrid GNN-FEM Framework for Phase-Field Fracture Simulation. Physics-Preserving Hybridization for Generalizable Surrogate Modeling

तकनीकी सारांश: चरण-क्षेत्र फ्रैक्चर सिमुलेशन के लिए एक हाइब्रिड GNN–FEM फ्रेमवर्क

समस्या विवरण
वैज्ञानिक मशीन लर्निंग (SciML) जटिल भौतिक प्रणालियों के सिमुलेशन को गति देने की क्षमता रखती है, फिर भी गैर-रेखीय (nonlinear), इतिहास-निर्भर (history-dependent) समस्याओं के लिए भौतिक रूप से सुसंगत और सामान्यीकरण योग्य (generalizable) भविष्यवाणियां प्राप्त करना एक महत्वपूर्ण चुनौती बनी हुई है। विशेष रूप से, चरण-क्षेत्र (phase-field) फ्रैक्चर मॉडलिंग, जो स्पष्ट ट्रैकिंग के बिना जटिल दरार विकास (शुरुआत, प्रसार और शाखाकरण) को सिम्युलेट करने में सक्षम है, उच्च कम्प्यूटेशनल लागत से ग्रस्त है। यह लागत एक परिमित तत्व विधि (finite element method - FEM) ढांचे के भीतर एक युग्मित, गैर-रेखीय और इतिहास-निर्भर प्रणाली को क्रमिक रूप से हल करने की आवश्यकता के कारण उत्पन्न होती है।

मौजूदा डेटा-संचालित सरोगेट मॉडल अक्सर विभिन्न ज्यामिति, लोडिंग स्थितियों, सामग्री गुणों और विविक्तीकरण (discretization) के बीच सामान्यीकरण करने में संघर्ष करते हैं। विशुद्ध रूप से डेटा-संचालित दृष्टिकोण अक्सर प्रशिक्षण वितरणों से परे विस्तार (extrapolating) करते समय भौतिक सुसंगतता बनाए रखने में विफल रहते हैं, जबकि भौतिकी-सूचित मशीन लर्निंग (PIML) अक्सर तब मजबूती की कमी प्रदर्शित करती है जब समस्या की सेटिंग्स (जैसे कि मेश रिज़ॉल्यूशन या सीमा स्थितियां) बदल जाती हैं। मुख्य कठिनाई एक पथ-निर्भर प्रणाली के पूर्ण समाधान प्रक्षेपवक्र (solution trajectory) को भौतिक संरचना का उल्लंघन किए बिना या अत्यधिक प्रशिक्षण डेटा की आवश्यकता के बिना अनुमानित करने में निहित है।

कार्यप्रणाली
लेखक एक हाइब्रिड GNN–FEM फ्रेमवर्क का प्रस्ताव करते हैं जो चरण-क्षेत्र फ्रैक्चर के लिए पारंपरिक स्टेगर्ड समाधान योजना (staggered solution scheme) में एक ग्राफ न्यूरल नेटवर्क (GNN) सरोगेट को एकीकृत करता है। पूरे सिमुलेशन प्रक्रिया को बदलने के बजाय, यह फ्रेमवर्क यांत्रिक संतुलन और सीमा स्थितियों को लागू करने के लिए FEM-आधारित विस्थापन सॉल्वर (displacement solver) को बरकरार रखते हुए, गणनात्मक रूप से गहन चरण-क्षेत्र अपडेट चरण को चुनिंदा रूप से प्रतिस्थापित करता है।

मुख्य कार्यप्रणाली घटक शामिल हैं:

1. हाइब्रिड स्टेगर्ड स्कीम (Hybrid Staggered Scheme):

   • प्रत्येक लोड वृद्धि (load increment) पर विस्थापन क्षेत्र ($u$) और इतिहास क्षेत्र ($H$) को मानक FEM का उपयोग करके हल किया जाता है।
   • चरण-क्षेत्र चर ($d$) की भविष्यवाणी वर्तमान इतिहास क्षेत्र और डोमेन ज्यामिति के आधार पर GNN सरोगेट द्वारा की जाती है।
   • अपरिवर्तनीयता (irreversibility, $d_n \geq d_{n-1}$) को पोस्ट-प्रोसेसिंग चरण के रूप में लागू किया जाता है।
   • यह क्रमिक समाधान संरचना को सुरक्षित रखता है, जिससे यह सुनिश्चित होता है कि सरोगेट को पूर्ण समाधान प्रक्षेपवक्र को सीखने की आवश्यकता नहीं है, बल्कि केवल चरण-क्षेत्र के स्थानीय विकास को सीखना है।

2. ग्राफ प्रतिनिधित्व और आयामहीन विशेषताएं (Graph Representation and Dimensionless Features):

   • परिमित तत्व मेश को एक ग्राफ $G=(V, E)$ के रूप में दर्शाया गया है, जहाँ नोड्स मेश नोड्स के अनुरूप हैं और किनारे (edges) कनेक्टिविटी के अनुरूप हैं।
   • आयामहीन नोड विशेषताएं: इतिहास क्षेत्र $H$ को $G_c \ell_c$ (क्रिटिकल एनर्जी रिलीज़ रेट $\times$ रेगुलेराइज़ेशन लेंथ) द्वारा सामान्यीकृत किया जाता है और नोडल मानों पर प्रोजेक्ट किया जाता है। एक बाइनरी बाउंड्री इंडिकेटर भी शामिल किया गया है।
   • आयामहीन एज विशेषताएं: किनारों की लंबाई को रेगुलेराइज़ेशन लेंथ स्केल $\ell_c$ द्वारा सामान्यीकृत किया जाता है।
   • यह सामान्यीकरण सामग्री गुणों के पैमाने और मेश रिज़ॉल्यूशन के प्रति अपरिवर्तनीयता सुनिश्चित करता है, जिससे सामान्यीकरण की सुविधा मिलती है।

3. GNN आर्किटेक्चर:

   • मॉडल एक एन्कोडर–प्रोसेसर–डिकोडर आर्किटेक्चर का उपयोग करता है।
   • एन्कोडर (Encoder): इनपुट फीचर्स को मल्टी-लेयर पर्सेप्ट्रॉन्स (MLPs) का उपयोग करके एक लेटेंट स्पेस में मैप करता है।
   • प्रोसेसर (Processor): स्थानीय इंटरैक्शन के आधार पर नोड और एज रिप्रेजेंटेशन को अपडेट करने के लिए रेसिडुअल कनेक्शन के साथ $K$ इटरेशन के मैसेज पासिंग को निष्पादित करता है।
   • डिकोडर (Decoder): अंतिम लेटेंट नोड रिप्रेजेंटेशन को अनुमानित चरण-क्षेत्र मान में मैप करता है।
   • आर्किटेक्चर को कोऑर्डिनेट रोटेशन के तहत अपरिवर्तनीय होने के लिए डिज़ाइन किया गया है, जो आइसोट्रोपिक सामग्री व्यवहार के अनुरूप है।

4. भौतिकी-सूचित प्रशिक्षण रणनीति (Physics-Informed Training Strategy):

   • मॉडल को एक संयुक्त लॉस फंक्शन का उपयोग करके प्रशिक्षित किया जाता है: $L = L_{data} + \lambda_{phys} L_{phys}$।
   • डेटा-संचालित लॉस ($L_{data}$): एकल उच्च-निष्ठा (high-fidelity) सिमुलेशन से प्राप्त, अनुमानित और FEM-कम्प्यूटेड चरण-क्षेत्र मानों के बीच मीन स्क्वेर्ड एरर (MSE)।
   • भौतिकी-सूचित लॉस ($L_{phys}$): चरण-क्षेत्र के गवर्निंग समीकरण के विविक्त कमजोर रूप (discretized weak form) का मीन स्क्वेर्ड रेसिडुअल। इसे बेतरतीब ढंग से उत्पन्न इतिहास क्षेत्रों का उपयोग करके कंप्यूट किया जाता है जो आवश्यक रूप से भौतिक दरार अवस्थाओं के अनुरूप नहीं होते हैं, जिससे प्रशिक्षण वितरण व्यापक होता है और भौतिक नियमों को लागू किया जाता है।

मुख्य योगदान

1. GNN-एकीकृत हाइब्रिड फ्रेमवर्क: यह अध्ययन एक ऐसे सरोगेट का परिचय देता है जो एक स्टेगर्ड FEM प्रक्रिया के भीतर केवल चरण-क्षेत्र अपडेट को प्रतिस्थापित करता है। यह चयनात्मक प्रतिस्थापन क्रमिक समाधान संरचना और भौतिक सुसंगतता को बनाए रखता है, बिना पूरे विस्थापन-इतिहास-चरण-क्षेत्र प्रक्षेपवक्य को अनुमानित करने की आवश्यकता के।
2. बहु-स्तरीय भौतिकी एकीकरण: भौतिक ज्ञान को तीन स्तरों पर एक साथ शामिल किया गया है:
   • फीचर स्तर: इतिहास क्षेत्रों और किनारों की लंबाई के आयामहीन प्रतिनिधित्व।
   • लॉस स्तर: गवर्निंग चरण-क्षेत्र समीकरण से प्राप्त भौतिकी-आधारित रेसिडुअल लॉस।
   • स्ट्रक्चर स्तर: अनस्ट्रक्चर्ड मेश पर सीधे काम करने वाला एक ग्राफ-आधारित आर्किटेक्चर।
3. व्यवस्थित सामान्यीकरण अध्ययन: फ्रेमवर्क का अनदेखी विविधताओं जैसे मेश रिज़ॉल्यूशन, ज्यामितीय विन्यास (छेद सहित), लोडिंग स्थितियां (शीयर बनाम टेंशन), और सामग्री गुणों (विषम समावेशन/inclusions) में कठोरता से मूल्यांकन किया गया है, जो बिना पुन: प्रशिक्षण के मजबूती प्रदर्शित करता है।

परिणाम
संख्यात्मक प्रयोग पारंपरिक फुल FEM समाधानों के विरुद्ध फ्रेमवर्क के प्रदर्शन को मान्य करते हैं:

• विविक्तीकरण सामान्यीकरण (Discretization Generalization): हाइब्रिड मॉडल (जो $h=0.2$ पर प्रशिक्षित है) महीन मेश ($h=0.1, 0.05$) पर दरार विकास और बल-विस्थापन प्रतिक्रियाओं का सटीक अनुमान लगाता है। इसके विपरीत, उसी डेटा पर प्रशिक्षित शुद्ध रूप से डेटा-संचालित (DD) मॉडल महीन रिज़ॉल्यूशन पर सामान्यीकरण करने में विफल रहता है, और पोस्ट-पीक रिजीम में काफी विचलन दिखाता है।
• ज्यामितीय और लोडिंग सामान्यीकरण: मॉडल गोलाकार छिद्रों वाली ज्यामिति में और शीयर लोडिंग स्थितियों के तहत दरार के पथों का सफलतापूर्वक पूर्वानुमान लगाता है, जो स्ट्रेस कंसंट्रेटर पर दरार के विक्षेपण और शुरुआत को कैप्चर करता है। शुद्ध DD मॉडल ऊर्जा अपव्यय (energy dissipation) के समय और दरार की प्रगति में विसंगतियां दिखाता है।
• सामग्री सामान्यीकरण: फ्रेमवर्क ने विषम सामग्रियों को संभाला जिनके गुण प्रशिक्षण सेट से कई ऑर्डर्स अधिक या कम थे, और समावेशन (inclusions) के चारों ओर दरार के पथों का सटीक अनुमान लगाया।
• कम्प्यूटेशनल दक्षता: हाइब्रिड दृष्टिकोण ने परिष्कृत मेश के लिए कुल कम्प्यूटेशनल समय को लगभग 20–23% कम कर दिया, जिसमें चरण-क्षेत्र समाधान घटक में अधिक महत्वपूर्ण कमी (88.6% तक) देखी गई। विस्थापन सॉल्वर, जो मुख्य लागत है, अपरिवर्तित रहता है।

महत्व और दावे
यह शोध दावा करता है कि प्रस्तावित फ्रेमवर्क गैर-रेखीय, इतिहास-निर्भर फ्रैक्चर समस्याओं के लिए एक सामान्यीकरण योग्य सरोगेट मॉडलिंग के लिए एक व्यवहार्य रणनीति प्रदान करता है। पूरे भौतिक सॉल्वर को बदलने के बजाय गवर्निंग समाधान प्रक्रिया के भीतर डेटा-संचालित घटकों को शामिल करके, यह दृष्टिकोण त्रुटि संचय को कम करता है और भौतिक सुसंगतता सुनिश्चित करता है।

लेखक इस बात पर जोर देते हैं कि इस पद्धति की सफलता 'ब्रूट-फोर्स' डेटा जनरेशन के बजाय भौतिक रूप से सार्थक, स्केल-सुसंगत और क्रमिक रूप से संरचित शिक्षण लक्ष्यों की पहचान करने पर निर्भर करती है। आयामहीन विशेषताओं और भौतिकी-सूचित लॉस का एकीकरण मॉडल को बिना पुन: प्रशिक्षण के विभिन्न समस्या सेटिंग्स (ज्यामिति, विविक्तीकरण, लोडिंग और सामग्री) में सामान्यीकरण करने की अनुमति देता है।

यह कार्य निष्कर्ष निकालता है कि हालांकि वर्तमान फॉर्मूलेशन आइसोट्रोपिक, क्वासी-स्टैटिक फ्रैक्चर तक सीमित है, यह विश्वसनीय वैज्ञानिक मशीन लर्निंग के लिए एक डेटा-कुशल मार्ग स्थापित करता है। लेखक उल्लेख करते हैं कि भविष्य के कार्य इसे एनिसोट्रोपिक सामग्रियों और 3D समस्याओं तक विस्तारित कर सकते हैं, या संभावित रूप से विस्थापन क्षेत्र के लिए सरोगेट मॉडलिंग को लागू कर सकते हैं, हालांकि इन विस्तारों में सामान्यीकरण क्षमता और कम्प्यूटेशनल गति के बीच ट्रेड-ऑफ शामिल होगा।