Scalable dynamical inference of phase-field fracture from sparse and partial measurements

Quando un ponte, una pala di una turbina o un rivestimento ceramico iniziano a cedere, il pericolo raramente deriva dal semplice logoramento del materiale. Al contrario, solitamente tutto ha inizio con una minuscola crepa che appare, cresce e alla fine spacca la struttura. Prevedere esattamente dove e come queste crepe si propagheranno è uno dei problemi più difficili dell'ingegneria. Le crepe non seguono linee rette; si diramano, si fondono e cambiano direzione in base alla storia dello stress che il materiale ha subito. Per comprendere questo comportamento, gli scienziati utilizzano un metodo chiamato modellazione a campo di fase (phase-field modeling). Immaginate una linea liscia e sfocata che rappresenta una crepa, piuttosto che un bordo netto e frastagliato. Questa rappresentazione "sfumata" permette ai computer di tracciare il viaggio complesso e disordinato di un oggetto che si rompe senza dover ridisegnare costantemente la mappa del materiale. Sebbene questo approccio sia incredibilmente accurato, è anche dolorosamente lento. Eseguire una singola simulazione di un oggetto che si rompe può richiedere ore o addirittura giorni su un computer potente, rendendolo impossibile da utilizzare per controlli di sicurezza in tempo reale o per test di progettazione rapidi.

Ricercatori della Stanford University hanno sviluppato un nuovo modo per velocizzare questo processo, insegnando a un computer come prevedere lo stato futuro di un materiale che si sta rompendo utilizzando solo pochi indizi sparsi. Invece di eseguire la simulazione lenta e pesante ogni volta, hanno addestrato un'intelligenza artificiale specializzata per agire come un indovino veloce e intelligente. Questo sistema osserva una breve cronologia del comportamento del materiale e la combina con una manciata di misurazioni scarse effettuate nel momento attuale — come pochi sensori che misurano quanto il materiale si sia teso. Da questa limitata informazione, l'IA ricostruisce l'intera immagine dettagliata della crepa e dei campi di stress circostanti. Il risultato è un sistema in grado di vedere l'intera estensione del danno in una frazione di secondo, offrendo un'accelerazione di oltre 175 volte rispetto ai metodi tradizionali su computer standard, e oltre 250 volte su processori grafici specializzati.

La sfida principale affrontata dal team è che, nel mondo reale, raramente disponiamo di dati perfetti. Non possiamo posizionare sensori su ogni singolo punto di una struttura; ne abbiamo solo pochi. I modelli informatici tradizionali richiedono una mappa completa e densa del materiale per funzionare, motivo per cui sono così lenti. Il team di Stanford, guidato da Hanfeng Zhai e Zisheng Zhang, ha costruito una rete neurale che impara a colmare le lacune. Hanno fornito al computer migliaia di esempi simulati di materiali che si rompono, mostrando come i modelli di crepe si evolvessero nel tempo. La rete ha imparato a riconoscere le connessioni nascoste tra poche misurazioni scarse e la forma completa e complessa del danno. Non si limita a indovinare il passo successivo in isolamento; ricorda i dieci passi precedenti della storia del materiale, permettendole di comprendere la direzione e l'inerzia della crepa mentre si muove.

Nei loro test, i ricercatori hanno chiesto all'IA di prevedere la rottura di un pezzo di materiale quadrato di un metro sotto tensione. Hanno fornito alla rete solo una griglia grossolana di dati di spostamento — essenzialmente un'istantanea a bassa risoluzione di come si è mosso il materiale — nascondendo il reale modello di danno. La rete doveva inferire l'immagine completa ad alta risoluzione della crepa e dei campi di stress basandosi sulla cronologia e su quei pochi indizi. Il sistema è riuscito a riprodurre i percorsi principali presi dalle crepe, il modo in cui si diramavano e il modo in cui il materiale si tendeva. Le previsioni erano sorprendentemente vicine alle simulazioni lente ad alta fedeltà, catturando la complessa danza di fusione e divisione delle crepe. Gli unici punti in cui l'IA ha incontrato qualche difficoltà sono stati proprio alle punte delle crepe, dove lo stress cambia più rapidamente, e nelle fasi finalissime della simulazione, dove piccoli errori hanno iniziato ad accumularsi nel tempo. Tuttavia, per la stragrande maggioranza della struttura, la visione del danno dell'IA era quasi identica al calcolo costoso e lento.

Uno dei risultati più sorprendenti è stata la capacità del sistema di operare su una scala diversa senza essere riaddestrato. L'IA era stata originariamente addestrata su una griglia digitale di 256 per 256 punti. I ricercatori hanno poi chiesto di lavorare su una griglia molto più fine di 512 per 512 punti, raddoppiando di fatto la risoluzione e il numero di sensori utilizzati per il test. Senza nuovi addestramenti o aggiustamenti, la rete ha trasferito con successo la sua conoscenza a questo livello più fine. Ha mantenuto la corretta forma complessiva del danno e la tendenza generale del cedimento del materiale, anche se i singoli punti erano molto più vicini tra loro. Ciò suggerisce che il sistema abbia appreso le regole fondamentali di crescita delle crepe, piuttosto che aver semplicemente memorizzato i modelli specifici visti durante l'addestramento. Ha dimostrato che il metodo è abbastanza robusto da gestire diversi livelli di dettaglio, una caratteristica cruciale per le applicazioni nel mondo reale dove la densità dei sensori può variare.

Lo studio ha anche testato attentamente se questo specifico tipo di architettura di rete neurale fosse la scelta migliore. I ricercatori hanno confrontato il loro approccio con diverse altre popolari progettazioni di machine learning, incluse alcune famose per la gestione di leggi fisiche complesse. Hanno scoperto che, sebbene altri metodi potessero funzionare, erano o più lenti da addestrare o meno accurati nel catturare i dettagli spaziali della crepa. Il design scelto, che combina uno strato convoluzionale bidimensionale (buono nel vedere le forme) con uno strato ricorrente (buono nel ricordare le sequenze), ha trovato il miglior equilibrio tra velocità e precisiono. È stato in grado di elaborare i pattern spaziali della crepa mantenendo al contempo la memoria di come la crepa si muoveva nel tempo, una combinazione che altre architetture testate non sono riuscite a replicare con la stessa efficacia.

Le implicazioni di questo lavoro sono significative per il monitoraggio della salute strutturale. In passato, gli ingegneri avrebbero potuto dover scegliere tra una stima rapida e approssimativa della sicurezza o un calcolo lento e preciso, troppo tardivo per essere utile in un'emergenza. Questo nuovo metodo offre una via di mezzo in cui il dettaglio ad alta fedeltà è disponibile quasi istantaneamente. Assimilando misurazioni scarse a ogni passaggio, il sistema agisce come un sostituto (surrogate) che può tenere il passo con gli eventi in tempo reale. Non sostituisce la fisica sottostante, ma impara una scorciatoia efficiente per arrivare alla stessa risposta. I ricercatori osservano che, sebbene il sistema non sia perfetto e possa deviare leggermente su periodi molto lunghi, fornisce uno strumento potente per lo screening dei progetti e il monitoraggio delle strutture dove la velocità è essenziale. La capacità di ricostruire una visione completa di un oggetto che si rompe partendo da pochissimi punti di dati trasforma quello che un tempo era un collo di bottiglia computazionale in una capacità pratica e in tempo reale.