Rank Reduction AutoEncoders for Mechanical Design: Advancing Novel and Efficient Data-Driven Topology Optimization

Sintesi Tecnica: Autoencoder a Riduzione di Rango per la Progettazione Meccanica

Definizione del Problema
L'Ottimizzazione Topologica (TO) è uno strumento critico per la sintesi di strutture ad alte prestazioni, ma rimane computazionalmente costosa, in particolare quando sono necessarie analisi ripetute per l'esplorazione dello spazio di progettazione, la quantificazione dell'incertezza o il design inverso. I flussi di lavoro tradizionali della TO comportano la risoluzione ripetuta di problemi di Elementi Finiti (FE) ad alta dimensionalità, dove le geometrie ottimizzate sono rappresentate da campi di densità densi. Sebbene l'apprendimento automatico (ML) offra alternative basate sui dati, gli approoli standard spesso soffrono di limitata interpretabilità, scarsa capacità di estrapolazione e difficoltà nel gestire problemi inversi in cui molteplici geometrie possono dare origine a identiche metriche di prestazione. Inoltre, gli autoencoder standard possono introdurre ridondanza o overfitting quando comprimono dati di TO ad alta dimensionalità.

Metodologia
Il documento propone un framework unificato basato sui dati che combina Autoencoder a Riduzione di Rango (RRAE) con mappature nello spazio latente per modellare la relazione tra geometrie ottimizzate e le loro risposte meccaniche (Quantità di Interesse, o QoI). La metodologia è strutturata come segue:

1. Generazione dei Dati: Un dataset è stato generato utilizzando il metodo SIMP (Solid Isotropic Material with Penalization) per un problema di minimizzazione della compliance su una trave MBB dimezzata. Il dataset include topologie ottimizzate (geometrie) e le corrispondenti risposte meccaniche (distribuzioni della tensione di von Mises) sotto variabili vincoli di volume.
2. Riduzione della Dimensionalità (RRAE): Invece degli autoencoder standard, il framework impiega RRAE. Questa architettura codifica dati ad alta dimensionalità (geometrie o campi di tensione) in uno spazio latente, che viene poi sottoposto a una Scomposizione ai Valori Singolari (SVD) troncata. Questo processo mantiene solo i modi più significativi (coefficienti latenti), identificando efficacemente le caratteristiche geometriche e fisiche dominanti garantendo al contempo un'approssimazione a basso rango.
   • Modelli RRAE separati sono stati addestrati per la geometria (utilizzando un CNN-RRAE per campi di densità 2D) e per le QoI.
3. Mappatura dello Spazio Latente: Sono stati addestrati Perceptroni Multistrato (MLP) per mappare i coefficienti latenti a bassa dimensionalità della geometria ($\alpha$) verso quelli della soluzione ($\beta$) e viceversa.
   • Problema Diretto ($\text{geo} \to \text{sol}$): Predire le risposte strutturali partendo da una data geometria.
   • Problema Inverso ($\text{sol} \to \text{geo}$): Ricostruire le geometrie partendo da obiettivi di prestazione prescritti.
4. Variazioni delle QoI: Lo studio valuta tre distinti tipi di QoI per determinare il loro impatto sulla fedeltà del modello:
   • Scalare: Tensione di von Mises massima (metrica globale).
   • Campo 1D: Valori della tensione di von Mises lungo la diagonale del dominio (percorso di carico principale).
   • Campo 2D: Intera distribuzione della tensione di von Mises attraverso il dominio.

Contributi Chiave
Il documento presenta tre contributi primari:

1. Riduzione Efficiente della Dimensionalità: Introduce gli RRAE come uno strumento adattivo per ridurre la dimensionalità dei dati TO, sfruttando la SVD troncata per mantenere l'efficienza computazionale e la robustezza catturando al contempo i modi dominanti.
2. Analisi Comparativa delle QoI: Fornisce un'analisi sistematica di come il contenuto informativo della QoI (campo scalare vs 1D vs 2D) influenzi l'accuratezza e la robustezza di entrambi i modelli surrogati, diretti e inversi.
3. Framework di Design Generativo: Dimostra un framework basato sullo spazio latente che facilita la sintesi di nuove geometrie e risposte, consentendo una rapida esplorazione di layout strutturali ottimizzati senza dover risolvere completi problemi FE.

Risultati Numerici
Il framework è stato validato su un problema benchmark di una trave MBB dimezzata con 100 campioni di addestramento e 20 campioni di test (con frazioni di volume variabili).

• QoI Scalare: Questo caso si è rivelato il più complesso. La mappatura da geometria a un singolo valore scalare è intrinsecamente non biettiva. Di conseguenza, il problema inverso ha sofferto di overfitting (memorizzazione) e ha prodotto geometrie prive di significato fisico durante l'estrapolazione. La perdita di ricostruzione per i problemi inversi è stata elevata ($\approx 20\%$).
• QoI Campo 1D: L'utilizzo del campo di tensione lungo la diagonale ha migliorato significativamente le prestazioni. La perdita di ricostruzione del problema inverso è scesa a $\approx 7,6\%$ (set di test), e il modello ha generato con successo geometrie fisicamente plausibili che corrispondevano alle curve di tensione target.
• QoI Campo 2D: Questo approccio ha fornito le migliori prestazioni complessive. Utilizzando l'intera distribuzione della tensione, il framework ha ottenuto predizioni ad alta fedeltà.
  • Problema Diretto: Il coefficiente $R^2$ ha raggiunto $0,999$ sul set di test.
  • Problema Inverso: La perdita di ricostruzione delle geometrie è stata del $7,80\%$ (set di test), con frazioni di volume predette che corrispondono strettamente al valore reale (ground truth).
  • I risultati indicano che le QoI più ricche forniscono l'informazione necessaria per risolvere la natura mal posta del problema inverso, portando a modelli surrogati robusti e accurati.

Significatività e Rivendicazioni
Gli autori affermano che questo framework offre un surrogato computazionalmente efficiente per l'analisi FE nei flussi di lavoro di TO. Lo studio sottolinea che la ricchezza della QoI è il fattore critico per il successo del design inverso; comprimere eccessivamente la soluzione (ad esempio, a uno scalare) rende il problema inverso mal condizionato.

La metodologia è presentata come una base per il Design Generativo (GD). Operando in uno spazio latente a basso rango derivato dalla SVD, il framework consente l'interpolazione di nuovi punti per sintetizzare geometrie e risposte inedite che rimangano fisicamente plausibili. Gli autori posizionano gli RRAE come uno strumento unificante per la modellazione a ordine ridotto, il design inverso e l'esplorazione basata sui dati, notando che il lavoro futuro si concentrerà sull'estensione di questo approccio a spazi di progettazione multi-parametro e sull'incorporazione di vincoli informati dalla fisica.