Probabilistic Predictions of Process-Induced Deformation in Carbon/Epoxy Composites Using a Deep Operator Network

Questo studio sviluppa un modello surrogato basato su Deep Operator Networks (DeepONet) potenziato da FiLM e EKI per prevedere probabilisticamente le deformazioni indotte dal processo nei compositi in fibra di carbonio/epossidica, integrando simulazioni ad alta fedeltà con dati sperimentali limitati per ottimizzare i cicli di cura.

L'essenziale

Immagina di dover cuocere una torta molto speciale, fatta non di farina e uova, ma di fibre di carbonio (super resistenti) e una colla speciale (la resina epossidica). Quando questa "torta" viene cotta nel forno, succede qualcosa di strano: le fibre e la colla reagiscono in modo diverso al calore. Le fibre si espandono un po', la colla si restringe mentre indurisce.

Questo crea una sorta di "tensione interna", come se la torta volesse piegarsi da sola. Quando la togli dal forno, invece di rimanere piatta, si incurva. Questo è il problema che gli scienziati chiamano deformazione indotta dal processo (PID). Se la torta si piega troppo, non è più utilizzabile per costruire un'ala di aereo o una pala di turbina eolica.

Ecco come gli autori di questo articolo hanno risolto il problema, spiegato in modo semplice:

1. Il "Simulatore di Torta" (Le Simulazioni)

Prima di cuocere la torta vera, gli scienziati hanno costruito un simulatore al computer molto preciso. Hanno creato un modello matematico che immagina esattamente cosa succede dentro la resina mentre si scalda: quanto si restringe, quanto diventa viscosa (come il miele che si raffredda) e quanto si piega.
Hanno fatto migliaia di "cotte virtuali" con temperature diverse per vedere quale ricetta porta alla torta più dritta.

2. L'Intelligenza Artificiale che "Legge" le Curve (DeepONet)

Fare migliaia di simulazioni al computer è lento e costoso. Quindi, hanno addestrato un'intelligenza artificiale speciale chiamata DeepONet.
Immagina il DeepONet come un cuoco esperto che ha assaggiato tutte le simulazioni.

• Se gli dici: "Ho usato questa curva di temperatura", il cuoco non deve rifare la simulazione da zero.
• Lui ti dice subito: "Ok, con questa temperatura, la torta diventerà viscosa così, si indurirà così e alla fine si piegherà di 3 centimetri".
  È velocissimo!

3. Il Trucco del "Condimento" (FiLM e Transfer Learning)

C'era un piccolo problema: il cuoco (l'IA) era stato addestrato solo su simulazioni perfette, ma le torte reali in laboratorio avevano piccole differenze (ad esempio, la colla era già un po' indurita prima di iniziare).
Per risolvere questo, hanno usato due trucchi magici:

• FiLM (Modulazione Lineare): Hanno dato all'IA un "condimento" extra. Ogni volta che le chiedevano una previsione, le dicevano anche: "Ehi, la colla era già al 30% di cottura all'inizio!". Questo permette all'IA di adattare la sua risposta alla situazione reale, proprio come un cuoco che sa che la pasta è già un po' cotta e regola il tempo.
• Transfer Learning (Apprendimento Trasferito): Invece di far ripartire l'IA da zero con i dati reali (che sono pochi), hanno preso il "cuoco esperto" addestrato sulle simulazioni e gli hanno fatto solo un piccolo "aggiustamento finale". Hanno detto: "Sai già tutto, ma guarda questo punto finale della torta reale: è piega di 4 cm, non 3. Aggiusta solo l'ultimo passo della tua ricetta". In questo modo, l'IA impara velocemente dai dati reali senza dimenticare ciò che ha imparato dalle simulazioni.

4. Il "Gruppo di Esperti" e la Scommessa (EKI e Incertezza)

Nessuno è perfetto, nemmeno l'IA. Quindi, invece di avere un solo cuoco, ne hanno creati 2000 (un ensemble) che hanno tutti imparato la stessa ricetta ma con piccole differenze di personalità.
Quando devono prevedere la piega della torta, chiedono a tutti e 2000: "Secondo voi, quanto si piegherà?".

• Se tutti dicono "4 cm", siamo sicuri.
• Se alcuni dicono "3 cm" e altri "5 cm", l'IA ci dice: "La previsione è 4 cm, ma c'è un po' di incertezza, potrebbe essere tra 3 e 5".
  Hanno usato un metodo matematico chiamato Ensemble Kalman Inversion (EKI) per coordinare questo gruppo di esperti, permettendo loro di "scommettere" in modo intelligente su quale sia la temperatura migliore, tenendo conto dei rischi.

5. La Ricetta Perfetta (Ottimizzazione)

Infine, hanno usato tutto questo sistema per trovare la ricetta perfetta.
Hanno chiesto all'IA: "Qual è la curva di temperatura esatta che fa sì che la torta si pieghi il meno possibile, ma rimanga comunque ben cotta?".
L'IA ha trovato una soluzione: una temperatura intermedia specifica da mantenere per un tempo preciso. È come trovare il punto esatto in cui il forno deve rallentare per evitare che la torta si deformi.

In Sintesi

Gli autori hanno creato un sistema intelligente che:

1. Simula la fisica della cottura.
2. Impara velocemente da queste simulazioni usando un'IA speciale.
3. Si adatta ai dati reali del laboratorio con piccoli aggiustamenti.
4. Calcola i rischi (l'incertezza) usando un gruppo di esperti virtuali.
5. Trova la ricetta perfetta per costruire materiali compositi (come quelli usati negli aerei) che non si deformano, risparmiando tempo e denaro.

È come avere un assistente super-intelligente che ti dice esattamente come cuocere la tua torta complessa per ottenere il risultato perfetto, anche se non hai mai fatto quella specifica ricetta prima!

Sommario tecnico

Titolo

Previsioni Probabilistiche della Deformazione Indotta dal Processo in Compositi Carbonio/Epossidico Utilizzando una Deep Operator Network

1. Il Problema

I compositi in fibra rinforzata con matrice polimerica termoindurente sono ampiamente utilizzati in settori critici come l'aerospaziale, l'energia eolica e l'automotive. Tuttavia, durante il processo di cura (curing), si generano stress residui a causa di due fattori principali:

1. Il disallineamento tra i coefficienti di espansione termica della fibra e della matrice.
2. Il restringimento della matrice polimerica durante la reticolazione (shrinkage).

Queste eterogeneità portano alla deformazione indotta dal processo (PID - Process-Induced Deformation). Una volta rimosso il pezzo dallo stampo, il rilascio parziale di questi stress causa deformazioni (es. curvatura) che possono rendere il componente fuori tolleranza o difettoso.
Il problema centrale è che i cicli di cura tradizionali sono spesso isoterma o non ottimizzati, e la previsione accurata della PID richiede modelli complessi che tengano conto di interazioni termo-chimico-meccaniche su più scale. I metodi numerici classici (FEM) sono accurati ma computazionalmente costosi, rendendo difficile l'ottimizzazione in tempo reale o l'analisi di incertezza su larga scala.

2. Metodologia

Gli autori hanno sviluppato un framework ibrido che combina simulazioni fisiche ad alta fedeltà, dati sperimentali e apprendimento profondo (Deep Learning).

• Modellazione Fisica di Base:

  • È stato utilizzato un modello a due meccanismi (espansione termica/restringimento e ritiro da cura) per simulare la storia di temperatura, grado di cura (DoC), viscosità e deformazione.
  • Il modello è stato validato contro esperimenti reali su laminati asimmetrici [0/90] in prepreg AS4/epossidico 3501-6.
  • Sono stati identificati cicli di cura non isotermi ottimizzati per minimizzare la PID.

• Apprendimento di Operatori (DeepONet):

  • Invece di apprendere vettori finiti, il modello apprende mappature tra spazi di funzioni (da profili di temperatura a storie temporali di DoC, viscosità e deformazione).
  • Architettura: Una rete DeepONet composta da una rete "branch" (che codifica il profilo di temperatura in ingresso) e una rete "trunk" (che gestisce i punti di query temporali).
  • Estensione FiLM: Per gestire la dipendenza dallo stato iniziale del materiale, è stata integrata una modulazione lineare specifica per le caratteristiche (Feature-wise Linear Modulation - FiLM). Questo permette alla rete di condizionare l'output in base al grado di cura iniziale ($DoC_0$), un parametro critico spesso incerto.

• Strategia di Transfer Learning:

  • Poiché i dati sperimentali sono disponibili solo per istanti temporali limitati (es. deformazione finale), mentre le simulazioni forniscono storie complete, è stato adottato un approccio di transfer learning.
  • La rete è prima addestrata su un vasto dataset di simulazioni ad alta fedeltà.
  • Successivamente, viene fine-tunata utilizzando solo i dati sperimentali finali: i pesi delle reti branch e trunk rimangono fissi (tranne l'ultimo strato della branch), aggiornando il modello per allineare la deformazione finale prevista a quella misurata, preservando così la fisica appresa dalle simulazioni.

• Quantificazione dell'Incertezza (UQ) e Ottimizzazione:

  • Per quantificare l'incertezza epistemica, è stato utilizzato un Ensemble di DeepONet combinato con l'Inversione di Kalman Ensemble (EKI). L'EKI è un metodo privo di gradienti che permette di ottenere stime di incertezza robuste e convergenza rapida in problemi inversi ad alta dimensionalità.
  • Le reti sono state potenziate sostituendo i tradizionali MLP con cKANs (Kolmogorov Arnold Networks potenziati da polinomi di Chebyshev) per migliorare l'efficienza computazionale.
  • Il framework è stato utilizzato per ottimizzare il profilo di temperatura (variando un punto intermedio di controllo) per minimizzare la deformazione finale, mantenendo il grado di cura finale $\ge 0.99$.

3. Contributi Chiave

1. Framework Ibrido Fisica-ML: Integrazione di modelli termo-chimici validati sperimentalmente con Deep Operator Networks per la previsione di PID.
2. DeepONet con FiLM: Sviluppo di un surrogato in grado di predire l'intera storia temporale di DoC, viscosità e deformazione, condizionato dinamicamente dal grado di cura iniziale ($DoC_0$).
3. Strategia di Transfer Learning per Dati Sparsi: Un metodo efficace per adattare modelli addestrati su simulazioni a dati sperimentali reali, utilizzando solo misurazioni finali per correggere le previsioni senza perdere la generalizzazione fisica.
4. Quantificazione dell'Incertezza Scalabile: Applicazione dell'EKI a DeepONet per fornire stime probabilistiche affidabili e ottimizzare i cicli di cura in condizioni di incertezza sperimentale.
5. Validazione Sperimentale: Confronto diretto tra previsioni, simulazioni e dati reali su laminati asimmetrici, dimostrando errori inferiori al 10% per i cicli ottimizzati.

4. Risultati

• Accuratezza del Modello: Il modello DeepONet ha mostrato un accordo eccellente con i dati di riferimento delle simulazioni per DoC, viscosità e deformazione. L'uso di FiLM ha permesso di distinguere chiaramente le risposte per diversi valori di $DoC_0$.
• Validazione Sperimentale: Le previsioni di deformazione per i cicli di cura ottimizzati (R11 e R21) hanno mostrato un errore inferiore al 10% rispetto ai valori misurati in laboratorio. I cicli di base (baseline) rientravano nella deviazione standard sperimentale.
• Gestione dell'Incertezza: L'approccio basato su Ensemble ed EKI ha prodotto intervalli di confidenza che coprono consistentemente le traiettorie reali (ground truth), fornendo stime di incertezza ben calibrate.
• Ottimizzazione: L'ottimizzazione del profilo di temperatura ha identificato un punto intermedio ottimale ($t_1 \approx 1.61$ min, $T_1 \approx 133^\circ$C) che riduce la deformazione finale mantenendo la piena cura del materiale. Questo risultato è coerente con ottimizzazioni precedenti ma ottenuto in modo più efficiente tramite il surrogato ML.
• Riduzione della Deformazione: L'ottimizzazione del ciclo di cura ha portato a una riduzione della deformazione del 8-10% rispetto al ciclo di base.

5. Significato e Impatto

Questo studio rappresenta un passo avanti significativo nella progettazione e produzione di compositi avanzati:

• Efficienza: Sostituisce simulazioni FEM costose e lente con un surrogato ML che permette l'analisi rapida di migliaia di cicli di cura.
• Affidabilità: L'integrazione della quantificazione dell'incertezza (UQ) rende le previsioni utilizzabili in contesti industriali critici, dove la conoscenza del "livello di confidenza" è tanto importante quanto il valore previsto.
• Adattabilità: La metodologia di transfer learning permette di utilizzare modelli complessi anche quando i dati sperimentali sono scarsi o limitati a punti finali, un problema comune nella produzione reale.
• Scalabilità: Il framework è estendibile ad altri sistemi di materiali e processi di cura, offrendo una base solida per la progettazione di cicli di cura robusti in condizioni di incertezza, riducendo scarti di produzione e migliorando la qualità dei componenti strutturali.