Uncertainty-Aware Structure-Property Mapping of Spinodoid Metamaterials via Heteroscedastic Gaussian Process Regression

Sintesi Tecnica: Mappatura Struttura-Proprietà Sensibile all'Incertezza di Metamateriali Spinoidi tramite Regressione dei Processi Gaussiani Eteroscedastici

Problematica
I metamateriali spinoidi, caratterizzati da topologie lisce e non periodiche ispirate alla decomposizione spinodale, offrono uno spazio di progettazione sintonizzabile per proprietà meccaniche anisotrope. Queste strutture sono tipicamente generate mediante Campi Casuali Gaussiani (GRF) parametrizzati da descrittori di densità relativa e angolo conico ($\Theta$). Gli attuali framework di progettazione trattano la relazione struttura-proprietà come una mappatura deterministica da descrittori di angolo conico a un singolo valore rappresentativo di rigidezza efficace. Tuttavia, questa visione deterministica trascura l'inherente stocasticità della generazione basata su GRF: parametri di angolo conico identici possono produrre molteplici realizzazioni morfologiche distinte ($\omega$), portando a una distribuzione di valori di rigidezza efficace piuttosto che a un singolo punto. Inoltre, l'entità di questa variabilità indotta dalla realizzazione (incertezza aleatoria) non è uniforme; è probabile che vari attraverso lo spazio di progettazione a seconda della specifica configurazione dell'angolo conico. Gli approcci esistenti spesso non riescono a catturare tale dispersione dipendente dall'input, portando potenzialmente a design che appaiono ottimali deterministicamente ma violano i vincoli di affidabilità quando viene considerata la variabilità di fabbricazione.

Metodologia
Gli autori propongono un framework di mappatura struttura-proprietà sensibile all'incertezza che reinterpreta i descrittori dell'angolo conico come input stocastici associati a distribuzioni di proprietà. La metodologia centrale prevede:

1. Generazione Stocastica e Omogeneizzazione: Le topologie spinoidi sono generate tramite GRF dove le direzioni dei vettori d'onda sono ristrette a sottoinsiemi definiti dall'angolo conico all'interno della sfera unitaria. I tensori di rigidezza efficace sono calcolati tramite omogeneizzazione computazionale per singole realizzazioni per ogni punto di design.
2. Regressione dei Processi Gaussiani Eteroscedastici (GPR): Invece di assumere un rumore costante (omoscedasticità), lo studio impiega la GPR eteroscedastica per inferire l'incertezza predittiva dipendente dall'input da dati sparsi (una realizzazione per punto di design).
   • Il modello decompone la varianza predittiva in incertezza epistemica (dovuta al campionamento rado) e incertezza aleatoria (inerente alla realizzazione del GRF).
   • La varianza del rumore $\sigma^2(\Theta)$ è modellata utilizzando una forma polinomiale-esponenziale, garantendo positività e interpretabilità, senza richiedere etichette di varianza empirica per ogni punto di design.
3. Validazione e Ottimizzazione:
   • Analisi Diagnostica: Percorsi unidimensionali controllati e spazi di design tridimensionali completi sono analizzati per verificare la presenza di dispersione dipendente dall'input.
   • Ottimizzazione del Design Basata sulla Affidabilità (RBDO): I modelli surrogati calibrati sono applicati a problemi di RBDO. Lo studio confronta l'Ottimizzazione del Design Deterministico (DDO), la RBDO con incertezza omoscedastica e la RBDO con incertezza eteroscedastica. Le probabilità di guasto sono stimate tramite simulazioni Monte Carlo e validate contro 1.000 realizzazioni indipendenti di GRF tramite omogeneizzazione computazionale.

Risultati Chiave

• Dispersione Dipendente dall'Input: L'analisi conferma che la dispersione della rigidezza non è uniforme. Per un percorso controllato che varia $\theta_1$, la dispersione è concentrata a piccoli angoli conici (dove le distribizioni dei vettori d'onda sono strette e la morfologia è sensibile alla realizzazione) e diminuisce man mano che l'angolo conico si allarga. Questo comportamento è coerente in tutti i nove componenti indipendenti del tensore di rigidezza ortotropica.
• Superiorità della GPR Eteroscedastica:
  • La GPR eteroscedastica riesce a inferire la struttura del rumore dipendente dall'input da dati sparsi, superando i baseline omoscedastici in termini di metriche di calibrazione (Log-Likelihood Negativa, Interval Score e Miscalibration Area) mantenendo al contempo una precisione della media comparabile.
  • La funzione di rumore inferita segue un decadimento lineare nell'esponente ($\sigma \propto e^{-a\theta}$), indicando che l'allargamento incrementale dell'angolo conico riduce la dispersione di un fattore moltiplicativo costante.
  • Nell'analisi 3D, i coefficienti di rumore si allineano con le direzioni fisiche del percorso di carico; ad esempio, le componenti di taglio sensibili a specifici assi mostrano una maggiore sensibilità al rumore rispetto ai corrispondenti angoli conici.
• Impatto sull'Affidabilità del Design:
  • Guasto Deterministico: La soluzione DDO, che ottimizza solo la media della rigidezza, è altamente suscettibile alla violazione dei vincoli quando viene presa in considerazione la variabilità indotta dalla morfologia (probabilità di guasto empirica $\approx 52-60\%$).
  • Limitazioni dell'Omoscedasticità: Un formulazione RBDO che assume incertezza costante fallisce nel soddisfare il target di affidabilità prescritto ($p_f \le 0.01$) quando validata contro la reale dispersione dipendente dall'input (probabilità di guasto empirica $\approx 2.7-5.4\%$).
  • Successo dell'Eteroscedasticità: Solo la formulazione RBDO che utilizza il surrogato eteroscedastico soddisfa il target di affidabilità (probabilità di guasto empirica $\le 0.58\%$), dimostrando che tenere conto della varianza spaziale dell'incertezza è critico per un design inverso affidabile.

Significatività e Rivendicazioni
Il documento stabilisce che la modellazione surrogata sensibile all'incertezza è essenziale per il design inverso orientato all'affidabilità dei metamateriali spinoidi. Gli autori affermano che:

1. La Stocasticità è Strutturata: La variabilità nei metamateriali generati da GRF non è rumore casuale, ma un fenomeno strutturato e dipendente dall'input che trasporta informazioni fisicamente significative riguardo alla stabilità del percorso di carico.
2. Necessità dell'Eteroscedasticità: Trattare l'incertezza come costante (omoscedastica) può portare a design inaffidabili che non soddisfano i target di sicurezza, mentre la modellazione eteroscedastica cattura correttamente il panorama del rischio, consentendo design che sono robusti alla variabilità indotta dalla morfologia.
3. Efficienza: Il framework permette l'inferenza di strutture di incertezza complesse da dati sparsi (una sola realizzazione per punto), evitando il costo computazionalmente proibitivo di generare intere distribuzioni empiriche per ogni punto di design.

Limitazioni e Lavori Futuri
Gli autori notano con modestia che l'attuale framework tratta l'incertezza aleatoria come derivante esclusivamente dalla variabilità della realizzazione del GRF a parametri nominali fissi. Identificano diverse direzioni per lavori futuri:

• Incorporare l'incertezza indotta dalla produzione (tolleranze geometriche) come seconda fonte di rumore aleatorio.
• Estendere il framework alla GPR multi-output per catturare le correlazioni fisiche tra i nove componenti di rigidezza, il che è cruciale per i vincoli riguardanti i rapporti di rigidezza.
• Adattare il surrogato sensibile all'incertezza per risposte meccaniche non lineari.
• Integrare schemi di apprendimento attivo (active learning) per concentrare il campionamento nelle regioni ad alta dispersione.