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

Wanneer een brug, een turbineblad of een keramische coating begint te falen, komt het gevaar zelden voort uit het feit dat het materiaal simpelweg verslijt. In plaats daarvan begint het meestal met een minuscuul scheurtje dat verschijnt, groeit en uiteindelijk de structuur uit elkaar splijt. Het voorspellen van precies waar en hoe deze scheuren zullen lopen, is een van de moeilijkste problemen in de techniek. Scheuren volgen geen rechte lijnen; ze vertakken zich, smelten samen en veranderen van richting op basis van de geschiedenis van de spanning die het materiaal heeft ondergaan. Om dit gedrag te begrijpen, gebruiken wetenschappers een methode genaamd faseveldmodellering. Stel je een gladde, wazige lijn voor die een scheur representeert in plaats van een scherpe, grillige rand. Deze "vage" representatie stelt computers in staat om de complexe, chaotische reis van een brekend object te volgen zonder constant de kaart van het materiaal opnieuw te hoeven tekenen. Hoewel deze aanpak ongelooflijk nauwkeurig is, is het ook pijnlijk traag. Het draaien van een enkele simulatie van een brekend object kan uren of zelfs dagen duren op een krachtige computer, wat het onmogelijk maakt voor real-time veiligheidscontroles of snelle ontwerptesten.

Onderzoekers aan de Stanford University hebben een nieuwe manier ontwikkeld om dit proces te versnellen door een computer te leren de toekomstige staat van een scheurend materiaal te voorspellen met slechts een paar verspreide aanwijzingen. In plaats van elke keer de trage, zware simulatie te draaien, hebben ze een gespecialiseerde kunstmatige intelligentie getraind om te fungeren als een snelle, intelligente gokker. Dit systeem kijkt naar een korte geschiedenis van hoe het materiaal zich heeft gedragen en combineert dit met een handvol schaarse metingen van het huidige moment—zoals een paar sensoren die meten hoeveel het materiaal is uitgerekt. Vanuit deze beperkte informatie reconstrueert de AI het volledige, gedetailleerde beeld van de scheur en de omliggende spanningsvelden. Het resultaat is een systeem dat de volledige omvang van de schade in een fractie van een seconde kan zien, wat een versnelling oplevert van meer dan 175 keer vergeleken met traditionele methoden op standaardcomputers, en meer dan 250 keer op gespecialiseerde grafische processoren.

De kernuitdaging waar het team mee te maken kreeg, is dat we in de echte wereld zelden over perfecte gegevens beschikken. We kunnen niet sensoren op elk enkel punt van een structuur plaatsen; we hebben er slechts een paar. Traditionele computermodellen vereisen een volledige, dichte kaart van het materiaal om te werken, wat verklaart waarom ze zo traag zijn. Het Stanford-team, geleid door Hanfeng Zhai en Zisheng Zhang, heeft een neuraal netwerk gebouwd dat leert om de gaten op te vullen. Ze voedden de computer met duizenden gesimuleerde voorbeelden van brekende materialen, waarbij ze lieten zien hoe de scheurpatronen in de loop van de tijd evolueerden. Het netwerk leerde de verborgen verbanden te herkennen tussen een paar schaarse metingen en de volledige, complexe vorm van de schade. Het raadt niet alleen de volgende stap in isolatie; het onthoudt de afgelopen tien stappen van de geschiedenis van het materiaal, waardoor het de richting en het momentum van de scheur begrijpt terwijl deze beweegt.

In hun tests vroegen de onderzoekers de AI om het breken van een meter vierkant stuk materiaal onder spanning te voorspellen. Ze voorzagen het netwerk van slechts een grof raster van verplaatsingsgegevens—in feite een lage-resolutie snapshot van hoe het materiaal bewoog—terwijl ze het werkelijke schadepatroon verborgen hielden. Het netwerk moest het volledige, hoog-resolutie beeld van de scheur en de spanningsvelden afleiden op basis van de geschiedenis en die paar aanwijzingen. Het systeem slaagde erin de hoofdpaden die de scheuren namen, de manier waarop ze vertakten en hoe het materiaal uitrekte, te reproduceren. De voorspellingen waren opmerkelijk dicht bij de trage, hoog-getrouwe simulaties en legden de complexe dans van samensmeltende en splitsende scheuren vast. De enige plaatsen waar de AI lichtelijk moeite mee had, waren bij de uiteinden van de scheuren, waar de spanning het snelst verandert, en in de zeer late stadia van de simulatie waar kleine fouten in de loop van de tijd begonnen op te stapelen. Echter, voor het overgrote deel van de structuur was het beeld van de schade door de AI bijna identiek aan de dure, trage berekening.

Een van de meest verrassende bevindingen was het vermogen van het systeem om op een andere schaal te werken zonder opnieuw getraind te worden. De AI werd oorspronkelijk getraind op een digitaal raster van 256 bij 256 punten. De onderzoekers vroegen het vervolgens om op een veel fijner raster van 512 bij 512 punten te werken, wat effectief de resolutie en het aantal sensoren voor de test verdubbelde. Zonder enige nieuwe training of aanpassingen, slaagde het netwerk erin zijn kennis over te dragen naar dit fijnere niveau. Het behield de juiste algemene vorm van de schade en de algemene trend van hoe het materiaal faalde, zelfs toen de individuele punten veel dichter bij elkaar lagen. Dit suggereert dat het systeem de fundamentele regels van hoe scheuren groeien heeft geleerd, in plaats van alleen de specifieke patronen die het tijdens de training zag te memoriseren. Het bewees dat de methode robuust genoeg is om verschillende niveaus van detail aan te kunnen, een cruciaal kenmerk voor toepassingen in de echte wereld waarbij de dichtheid van sensoren kan variëren.

De studie testte ook zorgvuldig of dit specifieke type neurale netwerkarchitectuur de beste keuze was. De onderzoekers vergeleken hun aanpak met verschillende andere populaire machine learning-ontwerpen, waaronder enkele die beroemd zijn om het afhandelen van complexe natuurkundige wetten. Ze ontdekten dat hoewel andere methoden konden werken, ze ofwel langzamer waren om te trainen of minder nauwkeurig waren in het vastleggen van de ruimtelijke details van de scheur. Het gekozen ontwerp, dat een tweedimensionale convolutionele laag (goed in het zien van vormen) combineert met een recurrente laag (goed in het onthouden van sequenties), vond de beste balans tussen snelheid en nauwkeurigheid. Het was in staat om de ruimtelijke patronen van de scheur te verwerken terwijl het de herinnering behield aan hoe de scheur in de loop van de tijd bewoog, een combinatie die andere geteste architecturen niet even effectief konden evenaren.

De implicaties van dit werk zijn aanzienlijk voor de structurele gezondheidsbewaking. In het verleden moesten ingenieurs misschien kiezen tussen een snelle, ruwe schatting van de veiligheid of een trage, precieze berekening die te laat zou zijn om nuttig te zijn in een noodsituatie. Deze nieuwe methode biedt een middenweg waarbij hoog-getrouwe details bijna onmiddellijk beschikbaar zijn. Door bij elke stap schaarse metingen te absorberen, fungeert het systeem als een surrogaat dat het tempo van real-time gebeurtenissen kan bijhouden. Het vervangt de onderliggende fysica niet, maar leert eerder een efficiënte kortere weg naar hetzelfde antwoord. De onderzoekers merken op dat hoewel het systeem niet perfect is en over zeer lange perioden licht kan afwijken, het een krachtig hulpmiddel biedt voor het screenen van ontwerpen en het monitoren van structuren waar snelheid essentieel is. Het vermogen om een volledig beeld van een brekend object te reconstrueren vanuit slechts een paar gegevenspunten transformeert wat voorheen een computationele bottleneck was in een praktische, real-time capaciteit.