Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations

Sintesi Tecnica: Scoperta Fisica di Funzioni di Snervamento nella Plasticità tramite Rappresentazioni Neurali Convesse

1. Definizione del Problema

L'identificazione di funzioni di snervamento anisotrope rimane una sfida significativa nella meccanica dei solidi. Gli approcci tradizionali si affidano alla selezione di una specifica forma analitica (ad esempio, von Mises, Hill 1948, Barlat–Yoon) e alla calibrazione dei parametri rispetto ai dati sperimentali. Tuttavia, questo processo affronta diverse ostruzioni:

• Limitazioni dei Dati: Lo snervamento non viene osservato direttamente nelle misurazioni meccaniche a campo completo (come la Correlazione Digitale delle Immagini, DIC). I dati sperimentali forniscono tipicamente campi di spostamento e forze di reazione, ma non campi di sforzo diretti, misurazioni di deformazione plastica o dati sulla superficie di snervamento.
• Complessità di Calibrazione: Determinare il comportamento anisotropo richiede spesso carichi in molteplici direzioni, e la selezione di una forma analitica che sia sufficientemente espressiva ma compatta è non banale.
• Struttura del Modello: I metodi basati sui dati esistenti spesso approssimano direttamente le risposte di sforzo o richiedono una supervisione nello spazio degli sforzi, il che non riesce a rivelare la struttura costitutiva sottostante (la funzione di snervamento) necessaria per l'integrazione convenzionale dello sforzo elastoplastico.

Il problema centrale affrontato è come inferire una funzione di snervamento anisotropa direttamente da dati di spostamento a campo completo e forza di reazione, senza osservazioni di sforzo, misurazioni di deformazione plastica o una forma parametrica prescritta, garantendo al contempo che il risultato rimanga compatibile con la struttura meccanica dell'integrazione dello sforzo elastoplastico.

2. Metodologia

Gli autori propongono un framework physics-informed che tratta la funzione di snervamento come una componente costitutiva meccanicamente vincolata all'interno di un ciclo di integrazione dello sforzo elastoplastico, piuttosto che come una mappatura supervisionata diretta nello spazio degli sforzi.

A. Rappresentazione Neurale della Funzione di Snervamento
La funzione di snervamento ignota, $\bar{\sigma}(\sigma)$, è rappresentata da una Rete Neurale Convessa (CNN) anziché da una libreria di equazioni analitiche candidate. Per soddisfare i requisiti meccanici di plasticità indipendente dalla velocità, insensibile alla pressione e con una legge di flusso associata (AFR), la rete impone:

• Convessità: Garantita tramite un'architettura di rete neurale convessa in input dove i pesi che moltiplicano le attivazioni degli strati precedenti sono vincolati a essere non negativi.
• Omogeneità Positiva di Grado Uno: Imposta utilizzando attivazioni ReLU e rimuovendo i termini di bias, garantendo che $\bar{\sigma}(\rho\sigma) = \rho\bar{\sigma}(\sigma)$.
• Simmetria Tensione-Compressione: Imposta mediante la simmetrizzazione dell'output della rete rispetto alle trasformazioni di segno delle componenti di sforzo.
• Smoothness (Regolarità): L'architettura rilassa la regolarità globale $C^1$ a una rappresentazione $C^0$, piecewise differentiable, per soddisfare simultaneamente i vincoli di convessità e omogeneità.

B. Strategia di Addestramento Physics-Informed
Il framework utilizza un algoritmo di aggiornamento dello sforzo elastoplastico differenziabile per addestrare la rete neurale utilizzando solo dati di spostamento e forza:

1. Input dei Dati: Dati di spostamento a campo completo risolti nel tempo (convertiti in incrementi di deformazione) e dati di forza di reazione da molteplici casi di carico (Trazione Unassiale in x/y, Trazione Biassiale, Taglio Semplice).
2. Integrazione dello Sforzo Differenziabile: Viene utilizzato uno schema esplicito di Eulero in avanti per aggiornare lo sforzo e la deformazione plastica. Per mantenere la differenziabilità rispetto ai parametri della rete neurale, l'indicatore di plasticità netto (che alterna tra stati elastici e plastici) è sostituato da un'approssimazione sigmoidale fluida.
3. Funzione di Perdita (Loss Function): L'obiettivo dell'addestramento è il residuo di equilibrio delle forze. Gli incrementi di forza interna, predetti dall'assemblaggio degli aggiornamenti di sforzo sull'elemento finito, vengono confrontati con gli incrementi di forza esterna derivati dalle forze di reazione misurate. La funzione di snervamento neurale viene ottimizzata per minimizzare questo disallineamento.
4. Ottimizzazione: Il processo utilizza un ottimizzatore basato sul gradiente (Adam) per aggiornare i parametri della rete attraverso tutti i casi di carico simultaneamente.

C. Implementazione in Elementi Finiti
Poiché la funzione di snervamento neurale scoperta è piecewise differentiable ($C^0$) e non direttamente adatta ai solutori standard di elementi finiti impliciti (che richiedono derivate analitiche fluide per il return mapping), viene adattato un surrogato polinomiale post-scoperta. Questo surrogato è una funzione polinomiale smooth e positivamente omogenea, adattata ai livelli di contorno della funzione di snervamento neurale identificata, consentendo l'implementazione in simulazioni FE implicite convenzionali.

3. Contributi Chiave

• Identificazione Diretta da Dati Osservabili: Il framework identifica le funzioni di snervamento da dati di spostamento a campo completo e forza di reazione senza richiedere osservazioni di sforzo, misurazioni di deformazione plastica, dati diretti sulla superficie di snervamento o una forma analitica prescritta.
• Rappresentazione Meccanicamente Vincolata: Introduce una rappresentazione neurale di snervamento convessa e un algoritmo di addestramento dello sforzo differenziabile che impone i principali vincoli meccanici (convessità e omogeneità positiva) ottimizzando sulla base dell'equilibrio delle forze.
• Validazione Completa: Lo studio valida l'approccio utilizzando benchmark a elementi finiti (von Mises, Hill 1948 e Yld2000-2d), valutando:
  • L'accordo dei contorni di snervamento in condizioni prive di rumore.
  • La sensibilità al rumore di spostamento (simulando l'incertezza DIC).
  • L'identificabilità e l'incertezza epistemica tramite deep ensembles.
  • La fattibilità dell'implementazione tramite un surrogato polinomiale smooth.

4. Risultati e Validazione

• Scoperta Senza Rumore: Il framework ha recuperato con successo i contorni di snervamento per benchmark isotropi (von Mises) e anisotropi (Hill 1948, Yld2000-2d). I contorni inferiti corrispondevano alle tendenze della verità fondamentale (ground truth), inclusa l'anisotropia direzionale, nonostante l'assenza di supervisione diretta dello sforzo.
• Sensibilità al Rumore: Il metodo ha dimostrato robustezza rispetto a un rumore di spostamento sub-micrometrico (0,1–0,3 µm). Sebbene la distorsione dei contorni aumentasse con i livelli di rumore, le superfici di snervamento inferite rimanevano coerenti con le tendenze della verità fondamentale, mostrando un degrado graduale piuttosto che un fallimento improvviso.
• Identificabilità e Incertezza: L'analisi degli stati di sforzo plasticamente attivi ha rivelato che le regioni della superficie di snervamento visitate dai casi di carico specifici erano ben vincolate. Al contrario, le regioni con scarsa copertura degli stati di sforzo (ad esempio, sforzi normali di segno opposto) esibivano una maggiore incertezza epistemica, come confermato dalle deviazioni standard dei deep ensemble.
• Implementazione: Un surrogato polinomiale adattato alla funzione neurale scoperta ha replicato con successo i contorni di snervamento e ha prodotto risultati di campo agli elementi finiti (sforzo e deformazione plastica) comparabili alla verità fondamentale per il benchmark Yld2000-2d.

5. Significato e Rivendicazioni

L'articolo sostiene che la funzione di snervamento può essere identificata come una componente costitutiva ignota all'interno dell'integrazione dello sforzo elastoplastico, piuttosto che come un adattamento supervisionato di contorno nello spazio degli sforzi. Incorporando la rappresentazione neurale all'interno dell'aggiornamento dello sforzo e vincolandola tramite l'equilibrio delle forze, il framework colma il divario tra la scoperta basata sui dati e i requisiti strutturali della teoria della plasticità classica.

Gli autori sottolineano che questo approccio fornisce un percorso meccanicamente vincolato per la scoperta di funzioni di snervamento anisotrope. Esso isola il problema dell'identificazione della funzione di snervamento dalla necessità di misurazioni dirette dello sforzo o di forme analitiche pre-selezionate, a condizione che la legge di incrudimento e la legge di flusso siano note o prescritte.

Limitazioni Riconosciute dagli Autori:

• La validazione si basa su dati sintetici generati da simulazioni FE, non su misurazioni sperimentali DIC.
• La legge di incrudimento, la legge di flusso (AFR) e l'elasticità sono prescritte; lo studio non esegue l'identificazione simultanea di incrudimento o di leggi di flusso non associate.
• L'attuale implementazione assume condizioni di stato piano (plane-stress) e piccole deformazioni.
• La funzione di snervamento neurale è piecewise differentiable, il che richiede il passaggio di post-processing di adattamento di un surrogato polinomiale per l'implementazione standard in FE implicito.

Gli autori concludono che, sebbene il framework dimostri con successo la fattibilità di questo approccio su dati benchmark, sono necessari ulteriori lavori per estendere la metodologia ad ambienti sperimentali, all'identificazione simultanea di snervamento e incrudimento, e a stati di sforzo tridimensionali.