Technische Samenvatting: Onzekerheidsbewuste Voorspelling van Scheurgroei via Conditionele Denoising Diffusion Modellen voor Faseveldbreuk

1. Probleemstelling

Nauwkeurige voorspelling van brosse scheiinitiatie, voortplanting en complexe topologische evolutie met behulp van traditionele hoogwaardige faseveld eindige elementen methoden (FEM) blijft computationeel onhaalbaar. Hoewel faseveldsmodellen scherpe scheuroppervlakken succesvol regulariseren zonder expliciete tracking, vereist de nietlineaire en niet-convexe aard van de energie-minimalisatie bij elke belastingsstap een fijne ruimtelijke discretisatie en een aanzienlijke rekentijd (uren per simulatie). Deze flessenhals verhindert real-time structurele beoordeling, grootschalige parametrische studies en onzekerheid-gekwantificeerde ontwerpoptimalisatie.

Bovendien leunen bestaande machine learning (ML) surrogaatmodellen voor breuk grotendeels op deterministische architecturen (bijv. U-Nets, Fourier Neural Operators). Deze modellen produceren een enkele output voor een gegeven input, wat fundamenteel botst met de fysica van breuk. Bij structurele bifurcatiepunten bestaan er meerdere mechanisch toelaatbare scheurpaden; deterministische modellen resulteren onvermijdelijk in het "uitvegen" van deze paden of selecteren willekeurig één pad, waardoor ze de inherente veelheid aan oplossingen niet kunnen vangen. Dit werk adresseert de behoefte aan een surrogaatmodel dat niet alleen computationeel efficiënt is, maar ook in staat is tot stochastische sampling om onzekerheid te kwantificeren en multimodale breukresultaten te vangen.

2. Methodologie

2.1 Physics-Informed Conditional DDPM

De auteurs stellen een Conditional Denoising Diffusion Probabilistic Model (DDPM) voor voor volledige spatiotemporele voorspelling van de faseveld-scheurevolutie. Het model leert het omkeren van een vast Gaussisch ruisproces om het volgende temporele frame van het schadeveld ($\phi$) te synthetiseren, geconditioneerd op historische staten en kinematische proxies.

• Conditioneringsmechanisme: In tegen tegenstelling tot standaard image-to-image vertaling, is het model geconditioneerd op een natuurkundig bewuste feature-tensor bestaande uit:
  • Ruimtelijke Features: Een temporeel historisch venster van de vorige 5 faseveld-frames, het schade-snelheidsveld ($\partial \phi / \partial t$) en de gradiëntamplitude van het faseveld ($\|\nabla \phi\|$). Deze kinematische proxies coderen expliciet schadeaccumulatie, groeirichting en lokale spanningsintensiteit.
  • Scalaire Features: Tijd-embeddings, type belasting (schuifspanning versus biaxiale spanning) en macroscopische scheurdichtheid.
• Architectuur: Het ruisvoorspellingsnetwerk maakt gebruik van een U-Net backbone met twee parallelle conditioneringspaden:
  1. Ruimtelijke Conditionering: Concatenatie van de 7-kanaals ruimtelijke feature-tensor langs de kanaalas met de ruisige input.
  2. Scalaire Conditionering: Injectie van globale staat variabelen via een Multi-Layer Perceptron (MLP) in de U-Net bottleneck.
• Fysische Constraints: Hoewel het diffusiemodel de irreversibiliteit ($\dot{\phi} \geq 0$) niet architecturaal afdwingt, wordt er bij de inferentie een post-hoc monotone projectie toegepast om te garanderen dat schade niet afneemt, wat zeldzame schendingen corrigeert zonder de stochastische sampling te beïnvloeden.

2.2 Dataset en Evaluatieprotocol

Het model wordt getraind en geëvalueerd op een gestandaardiseerde benchmark-dataset van 6.000 faseveld-simulaties (Hamdi en Lejeune [32]).

• Training: 4.000 simulaties over vier subsets (combinaties van schuif- en trekbelasting en spectrale/volumetrische/ster-convexe energie-decomposities).
• Validatie: 2.000 gescheiden simulaties ("unseen" combinaties, zoals schuifbelasting met ster-convexe decompositie) om cross-regime generalisatie te testen.
• Metrieken: Evaluatie geeft prioriteit aan scheur-specifieke topologische metrieken boven globale pixelaccuratesse, inclusief Dice-coëfficiënt, Intersection over Union (IoU), Hausdorff-afstand, lokalisatiefout van de scheurtip, fout in scheurlengte en Betti-getallen (topologische correctheid).

2.3 Onzekerheidskwantificatie (UQ)

Onzekerheid wordt gekwantificeerd via ensemble-variantie zonder het getrainde model te wijzigen. Door de reverse diffusieketen $N$ keer uit te voeren met verschillende initiële Gaussische ruis-samples voor dezelfde input, genereert het model een ensemble van fysiek plausibele scheurpaden. De pixelgewijze standaarddeviatie van dit ensemble dient als een onzekerheidskaart, die naar verwachting zal concentreren bij structurele bifurcaties waar meerdere paden toelaatbaar zijn.

3. Belangrijkste Resultaten

3.1 Voorspellingsnauwkeurigheid en Generalisatie

• Single-Step Prestaties: Het model bereikt een Dice-coëfficiënt van 0,9948 op de uitgesloten validatiesets, wat duidt op robuuste cross-regime generalisatie.
• Scheurlokalisatie: Het model bereikt sub-pixel nauwkeurigheid in de lokalisatie van de scheurtip met een gemiddelde fout van 0,12 pixels.
• Topologische Correctheid: Het model behoudt een hoge topologische getrouwheid, met Betti-0 match rates van 92,9% en conditionele Betti-1 match rates van 95,2% voor gesloten lussen.

3.2 Autoregressieve Stabiliteit

In gesloten-lus autoregressieve rollouts (50 stappen, geen teacher forcing):

• De DDPM behoudt een Dice-score van 0,929 ± 0,010.
• Een deterministische U-Net, getraind onder identieke omstandigheden, stort in naar een Dice-score van 0,423 door foutaccumulatie.
• Deze 2,2× prestatiekloof bevestigt dat stochastische her-sampling de systematische foutpropagatie voorkomt die vaste-punt voorspellers degradeert.
• Foutgroei-analyse laat zien dat de pixelgewijze Mean Absolute Error (MAE) sublineair groeit ($b \approx 0,865$), terwijl de topologische fout (1-Dice) lineair groeit ($b \approx 1,035$).

3.3 Prestaties van Onzekerheidskwantificatie

• Lokalisatie: De ensemble-variantie concentreert zich specifiek bij scheurvertakkingspunten (bijv. $\sigma_{max} = 0,222$ bij Y-verbindingen) terwijl deze nabij nul blijft in deterministische voortplantingsregimes.
• Precisie: Pixels met een hoge onzekerheid (hoge $\sigma$) identificeren voorspellingen met een hoge fout met een precisie van 90%, een 18-voudige verbetering ten opzichte van willekeurige selectie.
• Kalibratie: Het model vertoont een positieve Spearman rangcorrelatie ($\rho = 0,269$) tussen voorspelde onzekerheid en werkelijke fout op scheurpixels. Coverage-analyse geeft aan dat het model licht onder-gedispergeerd is bij bifurcatiezones, maar goed gekalibreerd is voor engineering triage.

3.4 Computationele Efficiëntie

• Snelheid vs. FEM: Inferentie op een H100 GPU duurt ongeveer 3,6 seconden per stap, wat ongeveer 28× sneller is dan de FEM-referentie (2,8 uur voor 100 stappen).
• Kosten vs. Deterministisch: De DDPM is ongeveer 1.000× langzamer dan een deterministische U-Net (4,2 ms/stap). De auteurs schrijven deze kosten toe aan het iteratieve karakter van de 1.000-staps reverse diffusieketen die nodig is om diverse stochastische samples te generen.

4. Betekenis en Claims

Het artikel vestigt een waarschijnlijk gekalibreerde generatieve surrogaat voor brosse breuk die de beperkingen van deterministische ML-benaderingen aanpakt. De belangrijkste bijdragen zijn:

1. Stochastische Veelheid: In tegen tegenstelling tot deterministische surrogaatmodellen die complexe scheurpaden middelen, vangt de DDPM de multimodale aard van breuk bij bifurcatiepunten op, waarbij diverse, fysiek plausibele uitkomsten worden gegenereerd vanuit één getraind model.
2. Intrinsieke Onzekerheidskwantificatie: Het model biedt ruimtelijk gelokaliseerde onzekerheidskaarten zonder de noodzaak om meerdere onafhankelijke modellen te trainen (zoals bij deep ensembles). Dit stelt ingenieurs in staat om risicovolle gebieden (structurele instabiliteiten) met hoge precisie te identificeren.
3. Lange-Termijn Stabiliteit: Het stochastische her-sampling mechanisme voorkomt de catastrofale foutaccumulatie die wordt waargenomen in deterministische autoregressieve rollouts, wat stabiele langetermijnvoorspellingen mogelijk maakt.
4. Engineering Nut: De onzekerheidsoutput dient als een praktisch instrument voor "engineering triage", waardoor gerichte verificatie van voorspellingen met hoge fout mogelijk is, waarmee de kloof tussen hoogwaardige simulatie en real-time structurele gezondheidsmonitoring wordt overbrugd.

Het werk concludeert dat hoewel de computationele kosten van diffusiemodellen hoger zijn dan die van deterministische alternatieven, het vermogen om onzekerheid te kwantificeren en structurele veelheid te vangen de kosten rechtvaardigt voor veiligheidskritische toepassingen en risico-bewuste computationele mechanica.