Consistent machine learning for topology optimization with microstructure-dependent neural network material models

Technische Samenvatting: Consistent Machine Learning voor Topologieoptimalisatie met Microstructuur-Afhankelijke Neurale Netwerk Materiaalmodellen

Probleemstelling
De integratie van additieve fabricage (AM) en topologieoptimalisatie (TO) heeft het ontwerp van multiscale structuren met ruimtelijk variërende materiaalmicrostructuren mogelijk gemaakt. Het optimaliseren van dergelijke structuren onder nietlineaire condities (geometrisch en materieel) blijft echter een grote uitdaging. Traditionele benaderingen die vertrouwen op computationele homogenisatie (bijv. FE2) zijn computationeel te kostbaar wanneer deze gelijktijdig met TO worden uitgevoerd. Daarentegen voldoen standaard machine learning (ML) constitutieve modellen vaak niet aan fundamentele fysische principes—zoals thermodynamische consistentie, objectiviteit en polyconvexiteit—wat leidt tot numerieke instabiliteiten en onnauwkeurige voorspellingen, met name in scenario's met weinig data of nabij singulariteiten (bijv. nul volume). Hoewel ML is toegepast op lineair elastische multiscale TO, staat de toepassing ervan op geometrisch en materieel nietlineaire hyperelastische responsen nog in de kinderschoenen.

Methodologie
De auteurs stellen een framework voor dat een homogenisatie-gebaseerde TO-strategie combineert met een "consistente" machine learning-benadering die geworteld is in de hyperelasticiteitstheorie. De methodologie bestaat uit twee primaire componenten:

1. Consistente ML-Constitutieve Modellering:

   • Architectuur: Het framework maakt gebruik van Input Convex Neural Networks (ICNNs) om de mapping tussen microstructuur-descriptors en de gehomogeniseerde constitutieve respons te leren.
   • Fysische Randvoorwaarden: Om numerieke stabiliteit en fysische validiteit te waarborgen, dwingt de neurale netwerkarchitectuur cruciale hyperelasticiteitscondities af:
     • Polyconvexiteit: De rekenergie-dichtheid wordt geformuleerd als een convexe functie van de vervormingsgradiënt, cofactor en determinant, wat de existentie van minimizers voor het variatiemodel garandeert.
     • Objectiviteit en Symmetrie: Het model respecteert materiaalinvariantie onder frame-transformaties en isotropie door middel van symmetrische gewichtsdeling en specifieke input-transformaties gebaseerd op hoofdrekken (principal stretches).
     • Thermodynamische Consistentie: Het model voldoet aan natuurlijke staatcondities (nul spanning en energie bij nul rek) en volumetrische groeicondities (energie nadert oneindig wanneer het volume naar nul of oneindig gaat).
   • Microstructuur-Afhankelijkheid: De ICNN-inputruimte wordt uitgebreid met microstructuur-descriptors, specifiek het volumefractie van stijve inclusies ($\alpha$) binnen een zachte matrix. Het model gaat uit van een convexe relatie tussen de rekenergie-dichtheid en de volumefractie van de inclusies.
   • Differentieerbaarheid: Het volledige constitutieve model is differentieerbaar, wat efficiënte berekening van de tangentstijfheid en sensitiviteiten via automatische differentiatie mogelijk maakt.

2. Multiscale Topologieoptimalisatie:

   • Formulering: Het TO-probleem wordt geformuleerd als een werkmaximalisatieprobleem onderhevig aan volumefractie-restricties voor zowel de macroscopische materiaaldistributie ($\rho$) als de microscopische inclusie-volumefractie ($\alpha$).
   • Implementatie: Een densiteitsgebaseerde aanpak met SIMP-interpolatie en een gladde Heaviside-projectie wordt gebruikt om tussenliggende dichtheden te behandelen en geometrische nietlineariteit in solide elementen te waarborgen, terwijl kleine-rek kinematica in void-elementen behouden blijft.
   • Optimalisatie-loop: De optimizer (MMA) werkt zowel de macroscopische pseudo-densiteiten als de microscopische volumefracties gelijktijdig bij. Het consistente ML-model levert de gehomogeniseerde spanning en de bijbehorende afgeleiden voor de forward analyse en de sensitiviteitsberekeningen.

Belangrijkste Bijdragen

• Consistent ML-Framework: Het artikel introduceert een nieuw framework voor hyperelastische TO dat ICNNs integreert met rigoureuze fysische restricties (polyconvexiteit, objectiviteit, natuurlijke staat), waarmee de stabiliteitsproblemen van "black-box" neurale netwerken in nietlineaire optimalisatie worden aangepakt.
• Microstructuur-Afhankelijke Modellering: De auteurs demonstreren een methode om microstructuur-descriptors (volumefractie) direct in de ICNN-input te embedden, wat de voorspelling van gehomogeniseerde responsen mogelijk maakt die ruimtelijk variëren over het ontwerpdomein.
• Two-Scale Concurrent Optimization: Dit werk breidt TO uit naar een two-scale concurrent design probleem voor hyperelastische materialen, waarbij zowel de macroscopische lay-out als de lokale microstructuur-samenstelling gelijktijdig worden geoptimaliseerd.
• Validatie: De studie valideert het ML-model tegen klassieke fenomenologische modellen (Arruda-Boyce en Neo-Hookean) en demonstreert de effectiviteit ervan in single-scale en multi-scale optimalisatie benchmarks (T-bracket en cantilever beam).

Resultaten

• Modelnauwkeurigheid: De getrainde consistente ML-modellen ($M_s$ voor single-scale en $M_m$ voor multi-scale) behaalden een hoge nauwkeurigheid ($R^2 > 0,999$) in het voorspellen van spanningsresponsen en rekenergie-dichtheden vergeleken met de ground truth fenomenologische modellen en RVE-simulaties. De modellen vertoonden robuuste interpolatie- en redelijke extrapolatiecapaciteiten, met name nabij singulariteiten, dankzij de afgedwongen fysische restricties.
• Single-Scale TO: In single-scale optimalisatievoorbeelden (T-bracket en cantilever) waren de gegenereerde ontwerpen met het ML-materiaalmodel vrijwel identiek aan die verkregen met de ground truth fenomenologische modellen, wat de betrouwbaarheid van de ML-aanpak voor standaard TO-taken bevestigt.
• Multi-Scale TO: In concurrent two-scale optimalisatie resulteerde het toestaan van een ruimtelijk variërende inclusie-volumefractie ($\alpha$) in lagere (betere) objectieve functiewaarden (gemaximaliseerde externe arbeid) vergeleken met baseline-gevallen met vaste microstructuren. De optimizer verdeelde het materiaal op natuurlijke wijze, zodanig dat regio's die hogere compliantie vereisten lagere inclusie-volumefracties gebruikten, terwijl stijvere regio's hogere fracties gebruikten.
• Convergentie: Het optimalisatieproces convergeerde soepel, waarbij het differentieerbare karakter van het ML-model een efficiënte sensitiviteitsanalyse faciliteerde zonder de noodzaak van dure numerieke homogenisatie bij elke iteratie.

Betekenis en Claims
Het artikel claimt dat het integreren van consistente machine learning-modellen met densiteitsgebaseerde topologieoptimalisatie de design-optimalisatie van heterogene hyperelastische structuren onder eindige vervormingen aanzienlijk verbetert. De primaire betekenis ligt in het vermogen om efficiënte, stabiele en fysisch consistente multiscale optimalisatie uit te voeren zonder de computationele kosten van gelijktijdige FE2-simulaties. Door te garanderen dat het ML-model voldoet aan de principes van polyconvexiteit en andere hyperelastische regels, waarborgt het framework de existentie van oplossingen in het forward probleem en produceert het betrouwbare uiteindelijke ontwerpen. De auteurs stellen dat deze aanpak een levensvatbaar pad biedt voor het ontwerpen van toekomstige functioneel gegradeerde materialen en structuren met complexe, ruimtelijk variërende microstructuurdetails, en merken op dat het framework generaliseerbaar is naar aanvullende descriptors (bijv. oriëntatie) en potentieel naar historie-afhankelijke materialen.