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

Technische Samenvatting: Een Hybride GNN–FEM-raamwerk voor Faseveldbreuksimulatie

Probleemstelling
Scientific Machine Learning (SciML) biedt potentieel voor het versnellen van simulaties van complexe fysische systemen, maar het bereiken van fysiek consistente en generaliseerbare voorspellingen voor nietlineaire, geschiedenisafhankelijke problemen blijft een aanzienlijke uitdaging. Specifiek faseveldbreukmodellering, hoewel robuust in het simuleren van complexe scheurontwikkeling (initiatie, voortplanting en vertakking) zonder expliciete tracking, lijdt onder hoge computationele kosten. Deze kosten ontstaan door de noodzaak om een gekoppeld, nietlineair en geschiedenisafhankelijk systeem stapsgewijs op te lossen binnen een eindige elementenmethode (FEM)-raamwerk.

Bestaande datagestuurde surrogaatmodellen hebben vaak moeite met generalisatie over variërende geometrieën, belastingscondities, materiaaleigenschappen en discretisaties. Puur datagestuurde benaderingen falen vaak in het handhaven van fysieke consistentie bij extrapolatie buiten de trainingsdistributies, terwijl physics-informed machine learning (PIML) vaak een gebrek aan robuustheid vertoont wanneer de probleeminstellingen (bijv. mesh-resolutie of randvoorwaarden) veranderen. De kern van de moeilijkheid ligt in het benaderen van de volledere oplossingsbaan van een padafhankelijk systeem zonder de onderliggende fysieke structuur te schenden of een verbijsterende hoeveelheid trainingsdata te vereisen.

Methodologie
De auteurs stellen een hybride GNN–FEM-raamwerk voor dat een Graph Neural Network (GNN) surrogaat integreert in het conventionele gestaffelde oplossingsschema voor faseveldbreuk. In plaats van de volledere simulatieprocedure te vervangen, vervangt het raamwerk selectief de computationeel intensieve faseveld-update stap, terwijl de FEM-gebaseerde verplaatsingsoplosser behouden blijft om mechanisch evenwicht en randvoorwaarden af te dwingen.

Belangrijke methodologische componenten zijn:

1. Hybride Gestaffelde Methode:

   • Het verplaatsingsveld ($u$) en het geschiedenisveld ($H$) worden bij elke belastingsstap opgelost met standaard FEM.
   • De faseveldvariabele ($d$) wordt voorspeld door de GNN-surrogaat op basis van het huidige geschiedenisveld en de domeingeometrie.
   • Onomkeerbaarheid ($d_n \geq d_{n-1}$) wordt afgedwongen als een post-processing stap.
   • Dit behoudt de incrementele oplossingsstructuur, waardoor de surrogaat niet de volledige oplossingsbaan hoeft te leren, maar alleen de lokale evolutie van het faseveld.

2. Graafrepresentatie en Dimensieloze Kenmerken:

   • Het eindige elementenmesh wordt gerepresenteerd als een graaf $G=(V, E)$, waarbij knopen overeenkomen met mesh-knopen en randen met connectiviteit.
   • Dimensieloze Knoppenkenmerken: Het geschiedenisveld $H$ wordt genormaliseerd door $G_c \ell_c$ (kritische energievrijgavegraad $\times$ regularisatielengte) en geprojecteerd naar knoopwaarden. Een binaire randindicator wordt ook toegevoegd.
   • Dimensieloze Randkenmerken: Randlengtes worden genormaliseerd door de regularisatielengteschaal $\ell_c$.
   • Deze normalisatie zorgt voor invariantie ten opzichte van materiaaleigenschappenschalen en mesh-resolutie, wat generalisatie vergemakkelijkt.

3. GNN-Architectuur:

   • Het model maakt gebruik van een Encoder–Processor–Decoder architectuur.
   • Encoder: Brengt inputkenmerken in kaart naar een latente ruimte met behulp van Multi-Layer Perceptrons (MLP's).
   • Processor: Voert $K$ iteraties van message passing uit met residuele verbindingen, waarbij knoop- en randrepresentaties worden bijgewerkt op basis van lokale interacties.
   • Decoder: Brengt de uiteindelijke latente knooprepresentaties in kaart naar de voorspelde faseveldwaarde.
   • De architectuur is ontworpen om invariant te zijn onder rotaties van coördinaten, consistent met isotroop materiaalgedrag.

4. Physics-Informed Trainingsstrategie:

   • Het model wordt getraind met een gecombineerde verliesfunctie: $L = L_{data} + \lambda_{phys} L_{phys}$.
   • Datagestuurde Verlies ($L_{data}$): Gemiddelde kwadratische fout tussen voorspelde en door FEM berekende faseveldwaarden, afgeleid van een enkele high-fidelity simulatie.
   • Physics-Informed Verlies ($L_{phys}$): Gemiddelde kwadratische residu van de gediscretiseerde zwakke vorm van de faseveld-sturende vergelijking. Dit wordt berekend met willekeurig gegenereerde geschiedenisvelden die niet noodzakelijkerwijs overeenkomen met fysieke scheurtilstanden, waardoor de trainingsdistributie wordt verbreed en fysische wetten worden afgedwongen.

Belangrijkste Bijdragen

1. GNN-Geïntegreerd Hybride Raamwerk: De studie introduceert een surrogaat die enkel de faseveld-update binnen een gestaffelde FEM-procedure vervangt. Deze selectieve vervanging behoudt de incrementele oplossingsstructuur en fysieke consistentie zonder dat de surrogaat de volledige verplaatsing-geschiedenis-faseveld traject moet benaderen.
2. Multi-Level Fysische Integratie: Fysische kennis wordt gelijktijdig op drie niveaus geïntegreerd:
   • Kenmerkniveau: Dimensieloze representaties van geschiedenisvelden en randlengtes.
   • Verliesniveau: Een fysisch gebaseerd residu-verlies afgeleid van de sturende faseveldvergelijking.
   • Structuurniveau: Een graaf-gebaseerde architectuur die direct opereert op ongestructureerde meshes.
3. Systematische Generalisatiestudie: Het raamwerk wordt rigoureus geëvalueerd over ongeziene variaties in mesh-resolutie, geometrische configuraties (inclusief gaten), belastingscondities (schuifspanning versus trekspanning) en materiaaleigenschappen (heterogene insluitingen), waarbij robuustheid zonder hertraining wordt aangetoond.

Resultaten
Numerieke experimenten valideren de prestaties van het raamwerk tegenover conventionele Full FEM-oplossingen:

• Discretisatie-generalisatie: Het hybride model (getraind op $h=0.2$) voorspelt de scheurevolutie en kracht-verplaatsingsresponsen op fijnere meshes ($h=0.1, 0.05$) accuraat. In tegen tegenstelling hiertoe faalt een puur datagestuurd (DD) model dat op dezelfde data is getraind om te generaliseren naar fijnere resoluties, waarbij het significant afwijkt in het post-piek regime.
• Geometrische en Belastingsgeneralisatie: Het model voorspelt succesvol scheurpaden in geometrieën met cirkelvormige gaten en onder schuifbelasting, waarbij het scheurafbuiging en initiatie bij spanningsconcentratoren vastlegt. Het puur DD-model vertoonde discrepanties in de timing van energieverlies en scheurprogressie.
• Materiaalgenealisatie: Het raamwerk kon omgaan met heterogene materialen met eigenschappen die orden van grootte verschillen van de trainingsset, en voorspelde nauwkeurig de scheurpaden rond insluitingen.
• Computationele Efficiëntie: De hybride benadering verminderde de totale rekentijd met ongeveer 20–23% voor verfijnde meshes, met een significante reductie (tot 8%， maar in de tekst staat 88.6%) in de faseveld-oplossingscomponent. De verplaatsingsoplosser, die de kosten domineert, blijft ongewijzigd.

Betekenis en Claims
Het artikel beweert dat het voorgestelde raamwerk een levensvatbare strategie biedt voor generaliseerbare surrogaatmodellering in nietlineaire, geschiedenisafhankelijke breukproblemen. Door datagestuurde componenten binnen de sturende oplossingsprocedure in te bedden in plaats van de volledige fysische solver te vervangen, beperkt de aanpak foutaccumulatie en waarborgt het de fysieke consistentie.

De auteurs benadrukken dat het succes van deze methode berust op het identificeren van fysisch betekenende, schaalconsistente en incrementeel gestructureerde leerdoelen, in plaats van te vertrouwen op brute-force datageneratie. De integratie van dimensieloze kenmerken en physics-informed verliezen maakt het mogelijk om over verschillende probleemsettings (geometrie, discretisatie, belasting en materiaal) te generaliseren zonder hertraining.

Het werk concludeert dat hoewel de huidige formulering beperkt is tot isotrope, quasi-statische breuk, het een dataefficiënt pad legt voor betrouwbare scientific machine learning. De auteurs merken op dat toekomstig werk dit kan uitbreiden naar anisotrope materialen en 3D-problemen, of potentieel surrogaatmodellering kan toepassen op het verplaatsingsveld, hoewel dergelijke uitbreidingen handelswijzen zullen inhouden tussen generaliseerbaarheid en computationele snelheid.