Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

Sintesi Tecnica: Algoritmo di Pesatura della Massa per PINN basati su Fourier nella Meccanica del Contatto Adesivo

Definizione del Problema
Le reti neurali informate dalla fisica (PINN) applicate alla meccanica del contatto elastico affrontano una sfida fondamentale nota come squilibrio di rigidità spettrale (spectral stiffness imbalance). Nei problemi di semispazio elastico, il kernel elastico nello spazio di Fourier scala linearmente con il numero d'onda ($q$). Di conseguenza, i modi di deformazione a breve lunghezza d'onda (alto-$q$) comportano costi di energia elastica significativamente più elevati rispetto ai modi a lunga lunghezza d'onda. Quando le PINN standard vengono addestrate tramite discesa del gradiente, questo squilibrio causa la dominanza dei modi ad alta frequenza sugli aggiornamenti del gradiente, portando al blocco della convergenza dei campi di deformazione macroscopici. Questo problema è esacerbato nei problemi di contatto adesivo, dove le interazioni a corto raggio introducono contenuti ad alta frequenza aggiuntivi. Le PINN standard basate sulla minimizzazione dell'energia spesso non riescono a convergere a residui pari a zero macchina o producono campi di stress oscillatori e non fisici, dominati dal rumore ad alta frequenza.

Metodologia
Gli autori propongono un framework PINN basato su Fourier aumentato da una strategia di precondizionamento spettrale chiamata Pesatura della Massa (Mass Weighting, MW). La metodologia comprende i seguenti componenti chiave:

1. Formulazione di Minimizzazione dell'Energia: A differenza delle PINN tradizionali che bilanciano i residui delle PDE con penalità sulle condizioni al contorno, questo approccio formula il compito di apprendimento come la minimizzazione di una funzione di energia potenziale totale scalare ($\Pi$). L'energia totale comprende l'energia di deformazione elastica ($U_{el}$), il lavoro esterno ($U_{ext}$) e l'energia di interazione interfacciale ($U_{int}$) modellata da un potenziale di Morse.
2. Mappatura delle Caratteristiche di Fourier (Fourier Feature Mapping): Le coordinate spaziali di input sono codificate utilizzando caratteristiche di Fourier per consentire alla rete di risolvere gradienti di spostamento netti vicino ai bordi di contatto.
3. Precondizionamento Spettrale (Mass Weighting): Prima della back-propagation, il gradiente della funzione di perdita rispetto al campo di spostamento viene trasformato nello spazio di Fourier. Viene poi ricalibrato tramite una funzione di pesatura della massa $w(q)$ e un filtro passa-basso integrato $f(q)$:
   • Pesatura della Massa: $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$. Questa funzione amplifica le componenti a basso numero d'onda (modi macroscopici) mentre sopprime i contributi ad alto numero d'onda, riequilibrando efficacementamente il flusso del gradiente.
   • Filtro Passa-Basso: $f(q) = \frac{1}{1 + (q/q_c)^\beta}$. Questo sopprime il rumore sub-griglia che non può essere risolto dalla discretizzazione.
4. Protocollo di Addestramento: Il precondizionatore viene attivato dopo una fase di "warm-up" di 100–200 iterazioni utilizzando gradienti semplici. La rete è ottimizzata utilizzando l'ottimizzatore Adam. Lo stress di contatto viene recuperato tramite trasformata di Fourier inversa della relazione spettrale stress-spostamento, evitando la differenziazione numerica sensibile alla griglia.

Contributi Chiave

• Identificazione della Rigidità Spettrale: Il documento attribuisce esplicitamente il fallimento della convergenza delle PINN basate sull'energia nella meccanica del contatto allo squilibrio di rigidità spettrale inerente all'operatore elastico, piuttosto che a generiche difficoltà di ottimizzazione.
• Precondizionatore di Mass Weighting: L'introduzione di un precondizionatore spettrale specifico che opera nello spazio di Fourier per ricalibrare i gradienti di spostamento. Ciò consente alla rete di apprendere le deformazioni macroscopiche senza essere sopraffatta dal rumore ad alta frequenza.
• Minimizzazione Diretta dell'Energia: La formulazione si basa interamente sulla minimizzazione di una funzione di energia scalare senza ricorrere a integrazioni esplicite della funzione di Green o regole di quadratura, pur raggiungendo un'accuratezza comparabile ai metodi che le utilizzano.
• Estensione alle Superfici Ruvide Adesive: Il metodo è applicato con successo sia a contatti Hertziani lisci che a superfici rugose frattali con interazioni adesive (potenziale di Morse), coprendo regimi che vanno dalla tensione alla compressione.

Risultati
Il metodo proposto è stato validato rispetto alle soluzioni di Green's Function Molecular Dynamics (GFMD), un benchmark ad alta fedeltà per la meccanica del contatto.

• Velocità di Convergenza: Per un problema di contatto Hertz benchmark, la PINN con pesatura della massa ha raggiunto un residuo di perdita pari a zero macchina entro 400 iterazioni di Adam. Al contrario, l'addestramento non condizionato (di riferimento) si è bloccato a una perdita tre ordini di grandezza superiore ($\sim 5 \times 10^{-4}$) e non è riuscito a convergere ulteriormente.
• Accuratezza Fisica:
  • Superfici Lisce: Le previsioni della PINN per spostamento e stress di contatto sono indistinguibili dalle soluzioni GFMD nei regimi di tensione, carico zero e compressione.
  • Superfici Rugose: Per superfici rugose frattali (esponente di Hurst $H=0.5$), il metodo ha catturato accuratamente la struttura dello stress multiscala, inclusi i patch di contatto sparsi a livello di asperità a basse pressioni e le distribuzioni di stress continue ad alte pressioni.
• Errore Quantitativo: L'errore quadratico medio normalizzato (NRMSE) per spostamento e stress è rimasto al di sotto di $10^{-3}$ (tipicamente tra $10^{-4}$ e $10^{-5}$) in tutti i casi di test, confermando la coerenza quantitativa con il riferimento GFMD.
• Stabilità: Il monitoraggio del modo di Fourier con il numero d'onda più elevato ha rivelato che l'addestramento non condizionato causava oscillazioni persistenti ad ampia ampiezza, mentre l'approccio con pesatura della massa ha fatto decadere rapidamente questi modi verso lo zero, garantendo un profilo di stress stabile e privo di oscillazioni.

Significatività e Rivendicazioni
Gli autori affermano che il precondizionamento spettrale non è meramente utile ma necessario per la convergenza stabile delle PINN basate sulla minimizzazione dell'energia nella meccanica del contatto. Senza di esso, la rete non riesce ad apprendere la soluzione fisicamente corretta a causa dello squilibrio del gradiente. L'algoritmo di Mass Weighting proposto consente alla PINN di:

1. Risolvere problemi di contatto adesivo su griglie uniformi nello spazio reale senza l'integrazione esplicita della funzione di Green.
2. Raggiungere residui a zero macchina e campi di stress fluidi e fisicamente corretti su griglie fini (fino a $N_x = 2048$).
3. Operare in modo robusto senza la necessità di una regolazione manuale dei parametri del precondizionatore oltre alla configurazione iniziale.

Il documento conclude che, sebbene attualmente limitato a geometrie di contatto lineare monodimensionale e potenziali di Morse, la formulazione basata su Fourier e il precondizionatore spettrale sono direttamente generalizzabili a superfici rugose bidimensionali e ad altri potenziali di interazione fluidi, offrendo un'alternativa scalabile ai tradizionali metodi a elementi di contorno.