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

Technische Samenvatting: Onzekerheidsbewuste Structuur–Eigenschap Mapping van Spinodoïde Metamaterialen via Heteroscedastische Gaussische Procesregressie

Probleemstelling
Spinodoïde metamaterialen, gekenmerkt door gladde, niet-periodieke topologieën geïnspireerd door spinodale decompositie, bieden een instelbare ontwerpplek voor anisotrope mechanische eigenschappen. Deze structuren worden doorgaans gegenereerd met behulp van Gaussische Random Fields (GRF's) die geparametriseerd zijn door relatieve dichtheid en kegelhoek-beschrijvers ($\Theta$). Huidige ontwerpkaders behandelen de structuur–eigenschap relatie als een deterministische mapping van kegelhoek-beschrijvers naar een enkele representatieve effectieve stijfheidswaarde. Dit deterministische perspectief negeert echter de inherente stochasticiteit van de GRF-gebaseerde generatie: identieke kegelhoek-parameters kunnen leiden tot meerdere verschillende morfologische realisaties ($\omega$), wat leidt tot een distributie van effectieve stijfheidswaarden in plaats van een enkel punt. Bovendien is de omvang van deze "realisatie-geïnduceerde" variabiliteit (aleatorische onzekerheid) niet uniform; deze varieert waarschijnlijk over de ontwerpplek afhankelijk van de specifieke configuratie van de kegelhoek. Bestaande benaderingen falen vaak in het vastleggen van deze input-afhankelijke spreiding, wat kan leiden tot ontwerpen die deterministisch optimaal lijken, maar de betrouwbaarheidsrestricties schenden wanneer fabricagevariabiliteit in overweging wordt genomen.

Methodologie
De auteurs stellen een onzekerheidsbewust structuur–eigenschap mappingframework voor dat kegelhoek-beschrijvers herinterpreteert als stochastische inputs geassocieerd met eigenschapsdistributies. De kernmethodologie omvat:

1. Stochastische Generatie en Homogenisatie: Spinodoïde topologieën worden gegenereerd via GRF's waarbij de golfvectorrichtingen worden beperkt tot kegelhoek-gedefinieerde deelverzamelingen van de eenheidssfeer. Effectieve stijfheidstensors worden berekend via computationele homogenisatie voor enkele realisaties per ontwerppunt.
2. Heteroscedastische Gaussische Procesregressie (GPR): In plaats van een constante ruis (homoscedasticiteit) aan te nemen, gebruikt de studie heteroscedastische GPR om de input-afhankelijke voorspellende onzekerheid af te leiden uit schaarse data (één realisatie per ontwerppunt).
   • Het model deelt de voorspellende variantie op in epistemische onzekerheid (door schaarse bemonstering) en aleatorische onzekerheid (inherent aan de GRF-realisatie).
   • De ruisvariantie $\sigma^2(\Theta)$ wordt gemodelleerd met een polynoom-exponentiële vorm, wat positiviteit en interpreteerbaarheid garandeert, zonder dat empirische variantie-labels bij elk ontwerppunt vereist zijn.
3. Validatie en Optimalisatie:
   • Diagnostische Analyse: Gecontroleerde een-dimensionale paden en volledige drie-dimensionale ontwerpplekken worden geanalyseerd om de aanwezigheid van input-afhankelijke spreiding te verifiëren.
   • Betrouwbaarheidsgebaseerde Ontwerpoptimalisatie (RBDO): De gekalibreerde surrogaatmodellen worden toegepast op RBDO-problemen. De studie vergelijkt Deterministische Ontwerpoptimalisatie (DDO), RBDO met homoscedastische onzekerheid, en RBDO met heteroscedastische onzekerheid. Faalkansen worden geschat via Monte Carlo-simulaties en gevalideerd tegen 1.000 onafhankelijke GRF-realisaties met computationele homogenisatie.

Belangrijkste Resultaten

• Input-Afhankelijke Spreiding: De analyse bevestigt dat de stijfheidsspreiding niet uniform is. Voor een gecontroleerd pad variërend in $\theta_1$, is de spreiding geconcentreerd bij kleine kegelhoeken (waar de golfvectorverdelingen nauw zijn en de morfologie gevoelig is voor realisatie) en neemt deze af naarmate de kegelhoek breder wordt. Dit gedrag is consistent over alle negen onafhankelijke componenten van de orthotrope stijfheidstensor.
• Superieuriteit van Heteroscedastische GPR:
  • Heteroscedastische GPR slaagt erin de input-afhankelijke ruisstructuur af te leiden uit schaarse data, waarbij het de homoscedastische baselines overtreft op basis van kalibratiemetrieken (Negative Log-Likelihood, Interval Score en Miscalibration Area), terwijl het een vergelijkbare gemiddelde voorspellingsnauwkeurigheid behoudt.
  • De afgeleide ruisfunctie volgt een lineair-in-exponentieel verval ($\sigma \propto e^{-a\theta}$), wat aangeeft dat het incrementeel verbreden van de kegelhoek de spreiding met een constante multiplicatieve factor vermindert.
  • In de 3D-analyse komen de ruiscoëfficiënten overeen met fysieke lastpadrichtingen; bijvoorbeeld vertonen afschuivingscomponenten die gevoelig zijn voor specifieke assen een hogere ruisgevoeligheid voor de corresponderende kegelhoeken.
• Impact op Ontwerpbetrouwbaarheid:
  • Deterministisch Falen: De DDO-oplossing, die alleen de gemiddelde stijfheid optimaliseert, is zeer vatbaar voor restrictieovertreding wanneer morfologie-geïnduceerde variabiliteit wordt meegewogen (empirische faalkans $\approx 52-60\%$).
  • Beperkingen van Homoscedasticiteit: Een RBDO-formulering die uitgaat van constante onzekerheid faalt om de voorgeschreven betrouwbaarheidstarget ($p_f \le 0,01$) te halen wanneer deze wordt gevalideerd tegen de ware input-afhankelijke spreiding (empirische faalkans $\approx 2,7-5,4\%$).
  • Succes van Heteroscedasticiteit: Alleen de RBDO-formulering die gebruikmaakt van de heteroscedastische surrogaat voldoet aan de betrouwbaarheidstarget (empirische faalkans $\le 0,58\%$), wat aantoont dat het rekening houden met ruimtelijk variërende onzekerheid cruciaal is voor betrouwbaar invers ontwerp.

Betekenis en Claims
Het artikel stelt vast dat onzekerheidsbewuste surrogaatmodellering essentieel is voor het betrouwbaarheidsbewuste inverse ontwerp van spinodoïde metamaterialen. De auteurs beweren dat:

1. Stochasticiteit is Gestructureerd: De variabiliteit in GRF-gegenereerde metamaterialen is geen willekeurige ruis, maar een gestructureerd, input-afhankelijk fenomeen dat fysiek betekenisvolle informatie draagt over de stabiliteit van het lastpad.
2. Noodzaak van Heteroscedasticiteit: Het behandelen van onzekerheid als constant (homoscedastisch) kan leiden tot onbetrouwbare ontwerpen die veiligheidsdoelen niet halen, terwijl heteroscedastische modellering het risicolandschap correct vastlegt, wat ontwerpen mogelijk maakt die robuust zijn tegen morfologie-geïnduceerde variabiliteit.
3. Efficiëntie: Het framework maakt de afleiding van complexe onzekerheidsstructuren mogelijk uit schaarse, één-realisatie-per-punt data, waardoor de computationeel kostbare noodzaak om volledige empirische distributies bij elk ontwerppunt te genereren wordt vermeden.

Beperkingen en Toekomstig Werk
De auteurs merken bescheiden op dat het huidige framework de aleatorische onzekerheid beschouwt als voortkomend uit louter de GRF-realisatievariabiliteit bij vaste nominale parameters. Zij identificeren verschillende richtingen voor toekomstig werk:

• Het integreren van fabricage-geïnduceerde onzekerheid (geometrische toleranties) als een tweede bron van aleatorische ruis.
• Het uitbreiden van het framework naar multi-output GPR om fysieke correlaties tussen de negen stijfheidcomponenten te vangen, wat cruciaal is voor restricties betreffende stijfheidsratio's.
• Het aanpassen van de onzekerheidsbewuste surrogaat voor niet-lineaire mechanische responsen.
• Het integreren van active learning-schema's om bemonstering te concentreren in regio's met hoge spreiding.