A Hybrid GNN-FEM Framework for Phase-Field Fracture Simulation. Physics-Preserving Hybridization for Generalizable Surrogate Modeling

Riepilogo Tecnico: Un Framework Ibrido GNN–FEM per la Simulazione della Frattura a Campo di Fase

Definizione del Problema
L'apprendimento automatico scientifico (SciML) offre il potenziale per accelerare le simulazioni di sistemi fisici complessi, tuttavia ottenere previsioni fisicamente coerenti e generalizzabili per problemi non lineari e dipendenti dalla storia rimane una sfida significativa. Nello specifico, la modellazione della frattura a campo di fase (phase-field), pur essendo robusta nella simulazione di un'evoluzione complessa delle crepe (iniziazione, propagazione e ramificazione) senza un tracciamento esplicito, soffre di elevati costi computazionali. Tale costo deriva dalla necessità di risolvere un sistema accoppiato, non lineare e dipendente dalla storia in modo incrementale all'interno di un framework di metodo degli elementi finiti (FEM).

I modelli surrogati esistenti basati esclusivamente sui dati spesso faticano a generalizzare su diverse geometrie, condizioni di carico, proprietà dei materiali e discretizzazioni. Gli approcci puramente guidati dai dati spesso non riescono a mantenere la coerenza fisica quando estrapolano oltre le distribuzioni di addestramento, mentre l'apprendimento automatico informato dalla fisica (PIML) spesso manca di robustezza quando i parametri del problema (ad esempio, risoluzione della mesh o condizioni al contorno) cambiano. La difficoltà fondamentale risiede nell'approssimare l'intera traiettoria della soluzione di un sistema dipendente dal percorso senza violare la sottostante struttura fisica o richiedere quantità proibitive di dati di addestramento.

Metodologia
Gli autori propongono un framework ibrido GNN–FEM che integra un surrogato basato su Reti Neurali a Grafo (GNN) nello schema di soluzione scalata (staggered) convenzionale per la frattura a campo di fase. Piuttosto che sostituire l'intero procedimento di simulazione, il framework sostituisce selettivamente il passaggio di aggiornamento del campo di fase, più oneroso dal punto di vista computazionale, mantenendo il solutore di spostamento basato su FEM per imporre l'equilibrio meccanico e le condizioni al contorno.

Componenti metodologiche chiave includono:

1. Schema Scalato Ibrido:

   • Il campo di spostamento ($u$) e il campo di storia ($H$) sono risolti tramite FEM standard ad ogni incremento di carico.
   • La variabile del campo di fase ($d$) è predetta dal surrogato GNN basandosi sull'attuale campo di storia e sulla geometria del dominio.
   • L'irreversibilità ($d_n \geq d_{n-1}$) è imposta come passaggio di post-processing.
   • Ciò preserva la struttura della soluzione incrementale, garantendo che il surrogato non debba apprendere l'intera traiettoria della soluzione, ma solo l'evoluzione locale del campo di fase.

2. Rappresentazione a Grafo e Caratteristiche Adimensionali:

   • La mesh degli elementi finiti è rappresentata come un grafo $G=(V, E)$, dove i nodi corrispondono ai nodi della mesh e gli archi alla connettività.
   • Caratteristiche Nodali Adimensionali: Il campo di storia $H$ è normalizzato per $G_c \ell_c$ (tasso di rilascio di energia critica $\times$ lunghezza di regolarizzazione) e proiettato su valori nodali. È incluso anche un indicatore binario di confine.
   • Caratteristiche degli Archi Adimensionali: Le lunghezze degli archi sono normalizzate rispetto alla scala di lunghezza di regolarizzazione $\ell_c$.
   • Questa normalizzazione garantisce l'invarianza rispetto alle scale delle proprietà dei materiali e alla risoluzione della mesh, facilitando la generalizzazione.

3. Architettura GNN:

   • Il modello impiega un'architettura Encoder–Processor–Decoder.
   • Encoder: Mappa le caratteristiche di input in uno spazio latente utilizzando Percetti Multistrato (MLP).
   • Processor: Esegue $K$ iterazioni di passaggio di messaggi con connessioni residue, aggiornando le rappresentazioni di nodi e archi in base alle interazioni locali.
   • Decoder: Mappa le rappresentazioni latenti finali dei nodi ai valori predetti del campo di fase.
   • L'architettura è progettata per essere invariante rispetto alle rotazioni di coordinate, in linea con il comportamento materiale isotropo.

4. Strategia di Addestramento Informata dalla Fisica:

   • Il modello è addestrato utilizzando una funzione di perdita combinata: $L = L_{data} + \lambda_{phys} L_{phys}$.
   • Perdita Guidata dai Dati ($L_{data}$): Errore quadratico medio tra i valori del campo di fase predetti e quelli calcolati tramite FEM, derivati da una singola simulazione ad alta fedeltà.
   • Perdita Informata dalla Fisica ($L_{phys}$): Errore quadratico medio del residuo della forma debole discretizzata dell'equazione governante del campo di fase. Questa viene calcolata utilizzando campi di storia generati casualmente che non corrispondono necessariamente a stati di frattura fisici, ampliando così la distribuzione di addestramento e imponendo le leggi fisiche.

Contributi Chiave

1. Framework Ibrido Integrato con GNN: Lo studio introduce un surrogato che sostituisce solo l'aggiornamento del campo di fase all'interno di una procedura FEM scalata. Questa sostituzione selettiva mantiene la struttura della soluzione incrementale e la coerenza fisica senza che il surrogato debba approssimare l'intera traiettoria spostamento-storia-campo di fase.
2. Integrazione Fisica Multi-livello: La conoscenza fisica è incorporata simultaneamente a tre livelli:
   • Livello delle Caratteristiche: Rappresentazioni adimensionali dei campi di storia e delle lunghezze degli archi.
   • Livello della Perdita: Una perdita di residuo basata sulla fisica derivata dall'equazione governante del campo di fase.
   • Livello Strutturale: Un'architettura a grafo che opera direttamente su mesh non strutturate.
3. Studio Sistematico sulla Generalizzazione: Il framework è rigorosamente valutato attraverso variazioni non viste nella risoluzione della mesh, configurazioni geometriche (inclusi fori), condizioni di carico (taglio vs tensione) e proprietà dei materiali (inclusioni eterogenee), dimostrando robustezza senza riaddestramento.

Risultati
Esperimenti numerici validano le prestazioni del framework rispetto alle soluzioni FEM complete convenzionali:

• Generalizzazione della Discretizzazione: Il modello ibrido (addestrato su $h=0.2$) predice accuratamente l'evoluzione della crepa e le risposte forza-spostamento su mesh più fini ($h=0.1, 0.05$). Al contrario, un modello puramente guidato dai dati (DD) addestrato sugli stessi dati non riesce a generalizzare a risoluzioni più fini, deviando significativamente nel regime post-picco.
• Generalizzazione Geometrica e di Carico: Il modello predice con successo i percorsi delle crepe in geometrie con fori circolari e sotto condizioni di carico di taglio, catturando la deflessione della crepa e l'iniziazione in corrispondenza dei concentratori di tensione. Il modello puramente DD ha mostrato discrepanze nei tempi di dissipazione dell'energia e nella progressione della crepa.
• Generalizzazione del Materiale: Il framework ha gestito materiali eterogenei con proprietà differenti di ordini di grandezza rispetto al set di addestramento, predendo accuratamente i percorsi delle crepe attorno alle inclusioni.
• Efficienza Computazionale: L'approccio ibrido ha ridotto il tempo computazionale totale di circa il 20–23% per le mesh raffinate, con una riduzione più significativa (fino all'88,6%) nella componente della soluzione del campo di fase. Il solutore di spostamento, che domina il costo, rimane invariato.

Significatività e Rivendicazioni
Il documento sostiene che il framework proposto fornisce una strategia valida per la modellazione surrogata generalizzabile in problemi di frattura non lineari e dipendenti dalla storia. Incorporando componenti guidate dai dati all'interno della procedura di soluzione fisica anziché sostituire l'intero solutore fisico, l'approccio mitiga l'accumulo di errori e garantisce la coerenza fisica.

Gli autori sottolineano che il successo di questo metodo risiede nell'identificare obiettivi di apprendimento fisicamente significativi, coerenti con la scala e strutturati in modo incrementale, piuttosto che affidarsi alla generazione massiva di dati. L'integrazione di caratteristiche adimensionali e perdite informate dalla fisica consente al modello di generalizzare attraverso diverse impostazioni del problema (geometria, discretizzazione, carico e materiale) senza riaddestramento.

Il lavoro conclude che, sebbene l'attuale formulazione sia limitata alla frattura isotropa e quasi-statica, esso stabilisce un percorso efficiente in termini di dati per un apprendimento automatico scientifico affidabile. Gli autori osservano che il lavoro futuro potrebbe estendere questo approccio a materiali anisotropi e problemi 3D, o potenzialmente applicare la modellazione surrogata al campo di spostamento, sebbene tali estensioni comporterebbero compromessi tra generalizzabilità e velocità computazionale.