Consistent machine learning for topology optimization with microstructure-dependent neural network material models

Sintesi Tecnica: Apprendimento Automatico Consistente per l'Ottimizzazione della Topologia con Modelli di Materiale basati su Reti Neurali Dipendenti dalla Microstruttura

Problema
L'integrazione della produzione additiva (AM) e dell'ottimizzazione della topologia (TO) ha consentito la progettazione di strutture multiscala con microstrutture dei materiali spazialmente variabili. Tuttavia, l'ottimizzazione di tali strutture sotto condizioni non lineari (geometriche e materiali) rimane una sfida significativa. Gli approcci tradizionali che si affidano all'omogeneizzazione computazionale (ad esempio, FE2) sono computazionalmente proibitivi quando eseguiti concorrentemente con la TO. Al contrario, i modelli costitutivi standard basati sull'apprendimento automatico (ML) spesso non aderiscono ai principi fisici fondamentali — come la consistenza termodinamica, l'oggettività e la policonvessezza — portando a instabilità numeriche e previsioni imprecise, particolarmente in regimi con scarsità di dati o in prossimità di singolarità (ad esempio, volume nullo). Sebbene il ML sia stato applicato alla TO multiscala in regime elastico lineare, la sua applicazione alle risposte iperelastiche geometricamente e materialmente non lineari è ancora agli inizi.

Metodologia
Gli autori propongono un framework che unisce una strategia di TO basata sull'omogeneizzazione con un approccio di apprendimento automatico "consistente", fondato sulla teoria dell'iperelasticità. La metodologia consiste in due componenti primarie:

1. Modellazione Costitutiva ML Consistente:

   • Architettura: Il framework utilizza reti neurali con convessità di input (Input Convex Neural Networks - ICNN) per apprendere la mappatura tra i descrittori microstrutturali e la risposta costitutiva omogeneizzata.
   • Vincoli Fisici: Per garantire la stabilità numerica e la validità fisica, l'architettura della rete neurale impone condizioni critiche di iperelasticità:
     • Policonvessezza: La densità di energia di deformazione è formulata come una funzione convessa del gradiente di deformazione, del cofattore e del determinante, garantendo l'esistenza di minimizzatori per il problema variazionale.
     • Oggettività e Simmetria: Il modello rispetta l'indifferenza del frame materiale e l'isotropia attraverso la condivisione simmetrica dei pesi e specifiche trasformazioni di input basate sulle estensioni principali.
     • Consistenza Termodinamica: Il modello soddisfa le condizioni di stato naturale (stress e energia nulli a deformazione nulla) e le condizioni di crescita volumetrica (l'energia tende all'infinito quando il volume tende a zero o all'infinito).
   • Dipendenza dalla Microstruttura: Lo spazio di input dell'ICNN è esteso per includere i descrittori microstrutturali, specificamente la frazione volumetrica delle inclusioni rigide ($\alpha$) all'interno di una matrice morbida. Il modello assume una relazione convessa tra la densità di energia di deformazione e la frazione volumetrica delle inclusioni.
   • Differenziabilità: L'intero modello costitutivo è differenziabile, permettendo il calcolo efficiente della rigidezza tangente e delle sensibilità tramite differenziazione automatica.

2. Ottimizzazione della Topologia Multiscala:

   • Formulazione: Il problema di TO è formulato come un problema di massimizzazione del lavoro soggetto a vincoli di frazione volumetrica sia per la distribuzione del materiale macroscopico ($\rho$) che per la frazione volumetrica delle inclusioni microscopiche ($\alpha$).
   • Implementazione: Viene utilizzato un approccio basato sulla densità con interpolazione SIMP e proiezione Heaviside fluida per gestire le densità intermedie e garantire la non linearità geometrica negli elementi solidi, mantenendo al contempo la cinematica a piccole deformazioni negli elementi vuoti.
   • Ciclo di Ottimizzazione: L'ottimizzatore (MMA) aggiorna simultaneamente le pseudo-densità macroscopiche e le frazioni volumetriche microstrutturali. Il modello ML consistente fornisce la risposta dello stress omogeneizzato e le sue derivate per l'analisi in avanti e i calcoli di sensibilità.

Contributi Chiave

• Framework ML Consistente: Il documento introduce un nuovo framework per la TO iperelastica che integra le ICNN con rigorosi vincoli fisici (policonvessezza, oggettività, stato naturale), affrontando i problemi di stabilità delle reti neurali "black-box" nei problemi di ottimizzazione non lineari.
• Modellazione Dipendente dalla Microstruttura: Gli autori dimostrano un metodo per incorporare i descrittori microstrutturali (frazione volumetrica) direttamente nello spazio di input dell'ICNN, consentendo la previsione di risposte omogeneizzate che variano spazialmente attraverso il dominio di progettazione.
• Ottimizzazione Concorrente a Due Scale: Il lavoro estende la TO a un problema di progettazione concorrente a due scale per materiali iperelastici, ottimizzando simultaneamente la configurazione macroscopica e la composizione microstrutturale locale.
• Validazione: Lo studio valida il modello ML rispetto a modelli fenomenologici classici (Arruda-Boyce e Neo-Hookean) e dimostrolla la sua efficacia in benchmark di ottimizzazione a scala singola e multiscala (T-bracket e trave a sbalzo).

Risultati

• Accuratezza del Modello: I modelli ML consistenti addestrati ($M_s$ per la scala singola e $M_m$ per la multiscala) hanno raggiunto un'elevata accuratezza ($R^2 > 0,999$) nel predire le risposte di stress e le densità di energia di deformazione rispetto ai modelli fenomenologici di riferimento e alle simulazioni RVE. I modelli hanno dimostrato capacità robuste di interpolazione e ragionevoli capacità di estrapolazione, in particolare vicino alle singolarità, grazie ai vincoli fisici imposti.
• TO a Scala Singola: Negli esempi di ottimizzazione a scala singola (T-bracket e trave a sbalzo), i design generati utilizzando il modello di materiale ML erano quasi identici a quelli ottenuti con i modelli fenomenologici di riferimento, confermando l'affidabilità dell'approccio ML per i compiti standard di TO.
• TO Multiscala: Nell'ottimizzazione concorrente a due scale, permettere alla frazione volumetrica delle inclusioni ($\alpha$) di variare spazialmente ha prodotto valori della funzione obiettivo inferiori (migliori) rispetto ai casi di base con microstrutture fisse. L'ottimizzatore ha distribuito naturalmente il materiale in modo tale che le regioni che richiedevano una maggiore compliance utilizzassero frazioni di inclusione inferiori, mentre le regioni più rigide utilizzavano frazioni superiori.
• Convergenza: Il processo di ottimizzazione è convergente in modo fluido, poiché la natura differenziabile del modello ML facilita un'analisi efficiente della sensibilità senza la necessità di un'omogeneizzazione numerica costosa ad ogni iterazione.

Significatività e Rivendicazioni
Il documento afferma che l'integrazione di modelli di apprendimento automatico consistenti con l'ottimizzazione della topologia basata sulla densità migliora significativamente la progettazione dell'ottimizzazione di strutture iperelastiche eterogenee sotto deformazioni finite. La principale significatività risiede nella capacità di eseguire un'ottimizzazione multiscala efficiente, stabile e fisicamente consistente senza il costo computazionale delle simulazioni FE2 concorrenti. Garantendo che il modello ML aderisca ai principi di policonvessezza e altri principi iperelastici, il framework garantisce l'esistenza di soluzioni nel problema in avanti e produce design finali affidabili. Gli autori sostengono che questo approccio fornisca una via percorribile per la progettazione di futuri materiali e strutture funzionalmente graduate, e osservano che il framework è generalizzabile ad ulteriori descrittori (ad esempio, l'orientamento) e potenzialmente a materiali dipendenti dalla storia.