Critical evaluation of PINN for FWD inverse analysis and differentiable FEM as an alternative

Sintesi Tecnica: Valutazione Critica di PINN per l'Analisi Inversa FWD e il DiffFEM come Alternativa

Definizione del Problema
Il Falling Weight Deflectometer (FWD) è uno strumento standard per la valutazione strutturale non distruttiva dei sistemi pavimentali. Il problema inverso centrale consiste nel ricalcolare i moduli elastici ($E$) degli strati partendo dai bacini di deflessione superficiale misurati. I metodi tradizionali basati sul gradiente (es. EVERCALC) si affidano ad approssimazioni di differenza finita (FD) per calcolare i gradienti. Tali approcci soffrono di una scarsa scalabilità, richiedendo $N+1$ simulazioni forward per iterazione per $N$ moduli incogniti, e introducono errori di troncamento sensibili alle dimensioni della perturbazione.

Sebbene la Differenziazione Automatica (AD) offra un'alternativa rigorosa per il calcolo esatto dei gradienti, la sua applicazione al calcolo inverso FWD è rimasta ampiamente inesplorata. Nello specifico, l'applicabilità delle Physics-Informed Neural Networks (PINN) — che integrano le equazioni governanti come vincoli "soft" in una funzione di perdita — ai sistemi pavimentali multistrato rimane incerta. I sistemi pavimentali presentano brusche discontinuità del modulo alle interfacce tra gli strati, il che pone sfide per le PINN standard a causa del "bias spettrale" (la tendenza a apprendere componenti a bassa frequenza rispetto alle transizioni nette). Questo studio valuta criticamente se gli approcci basati su PINN possano risolvere in modo affidabile questo problema inverso e investiga il Differentiable Finite Element Method (DiffFEM) come alternativa "physics-native".

Metodologia
Lo studio impiega un benchmark sintetico basato su un sistema pavimentale assialsimmetrico a tre strati (Superficie, Base, Sottofondo) sotto carico quasi-statico. Il problema inverso è formulato come la minimizzazione dell'errore quadratico medio tra le deformazioni predette e quelle osservate. Vengono confrontati tre approcci:

1. Vanilla PINN: Una singola rete neurale completamente connessa predice il campo di spostamento in tutto il dominio. Le equazioni governanti (equilibrio nodale) e le condizioni al contorno sono imposte tramite termini di penalità "soft" nella funzione di perdita.
2. Extended PINN (XPINN): Per affrontare il problema della discontinuità, il dominio viene decomposto. A ogni strato pavimentale viene assegnata una sottorete dedicata. La continuità degli spostamenti alle interfacce è imposta come vincolo "soft" (termine di perdita), mentre l'equilibrio è imposto tramite una perdita residua fisica.
3. Differentiable FEM (DiffFEM): Il solutore forward standard del Metodo degli Elementi Finiti (FEM) è incorporato in un framework di AD (PyTorch). La matrice di rigidezza globale è costruita come una combinazione lineare di matrici specifiche per ogni strato. Il sistema lineare viene risolto con precisione di macchina a ogni iterazione, imponendo le equazioni governanti come vincoli "hard". I gradienti della perdita rispetto ai moduli sono calcolati tramite un singolo passaggio backward di AD in modalità inversa.

Tutti i metodi utilizzano l'ottimizzatore L-BFGS. Lo studio valuta sistematicamente le prestazioni in condizioni prive di rumore e con livelli variabili di rumore di misura ($\sigma_n \in \{0, 1, 2, 3, 4, 5\} \mu m$), analizzando anche la sensibilità agli iperparametri (pesi della perdita, architettura della rete) e il costo computazionale.

Contributi Chiave

• Valutazione Critica delle PINN per FWD: Lo studio dimostra che le PINN standard falliscono nel recuperare i moduli degli strati nei sistemi multistrato a causa del bias spettrale e delle brusche discontinuità dei materiali.
• Analisi della Sensibilità agli Iperparametri: Rivela che anche la formulazione migliorata XPINN è altamente sensibile alla calibrazione dei pesi della perdita e all'architettura della rete. Raggiungere un'accuratezza ragionevole richiede un esteso tuning specifico per il problema, e le prestazioni degradano significativamente sotto l'effetto del rumore di misura.
• DiffFEM come Alternativa Superiore: Il documento stabilisce il DiffFEM come un'alternativa robusta che impone la fisica come vincolo "hard". Dimostra che il DiffFEM raggiunge un'accuratezza di macchina negli scenari privi di rumore e mantiene la stabilità sotto rumore, superando XPINN in accuratezza, robustezza ed efficienza computazionale.
• Framework Comparativo: Lo studio fornisce un confronto strutturale evidenziando che il DiffFEM ottimizza solo i parametri fisici, mentre le PINN devono ottimizzare congiuntamente i parametri fisici e decine di migliaia di pesi della rete, complicando il panorama della funzione di perdita.

Risultati

• Prestazioni Senza Rumore:
  • DiffFEM: È convergente in circa 40 iterazioni (circa 60 secondi) con errori relativi nei moduli dell'ordine di $10^{-9}$ a $10^{-10}$.
  • XPINN: Ha richiesto circa 400.000 iterazioni (circa 10 ore) e si è stabilizzato con errori relativi compresi tra -1,1% e -6,9%. Il residuo fisico è stagnato, indicando che le equazioni governanti non erano strettamente soddisfatte.
  • Vanilla PINN: È fallito completamente, convergendo a valori di modulo arbitrari indipendentemente dai livelli di rumore.
• Prestazioni con Rumore ($\sigma_n = 1 \mu m$ e $5 \mu m$):
  • DiffFEM: Ha mostrato un degrado graduale. Con $\sigma_n = 5 \mu m$, gli errori sono rimasti limitati (massimo 14% per la superficie, 0,11% per il sottofondo).
  • XPINN: Ha mostrato un fallimento catastrofico. Con $\sigma_n = 1 \mu m$, è confluito in moduli errati (es. il modulo del sottofondo è crollato a zero) nonostante una bassa perdita dei dati, indicando che la rete ha trovato una soluzione che si adattava ai dati rumorosi ma violava l'equilibrio globale. Con $\sigma_n = 5 \mu m$, gli errori hanno superato il 390% per lo strato di base.
• Efficienza Computazionale: Il DiffFEM è stato più di due ordini di grandezza più veloce di XPINN (60s vs 10h) su hardware identico, nonostante un uso della memoria simile.

Significatività e Conclusioni
Il documento conclude che, per il calcolo inverso FWD in sistemi elastici multistrato, il DiffFEM è una scelta più affidabile ed efficiente rispetto agli approcci basati su PINN.

Gli autori sostengono che la superiorità del DiffFEM derivi dal fatto che esso impone le equazioni governanti come vincoli "hard" tramite il solutore FEM, piuttosto che come penalità "soft" in una funzione di perdita. Ciò consente al DiffFEM di concentrarsi esclusivamente sull'ottimizzazione dei parametri fisici, evitando i complessi paesaggi di perdita e la sensibilità agli iperparametri inerenti alle PINN.

Lo studio suggerisce una linea guida pratica: quando un solutore forward è ben stabilito, numericamente stabile e suscettibile di differenziazione (come nel caso dei sistemi elastici lineari multistrato), le formulazioni AD "physics-native" (DiffFEM) dovrebbero essere preferite. Le PINN rimangono un'opzione valida solo quando i solutori forward differenziabili non sono disponibili, sono difficili da implementare o quando il problema coinvolge componenti non differenziabili (es. algoritmi di contatto complessi, stepping temporale adattivo in problemi dinamici) dove le formulazioni mesh-free potrebbero offrire vantaggi. Gli autori mettono in guardia contro l'applicazione acritica delle PINN a problemi inversi per i quali esistono solutori differenziabili efficienti.