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

Resumo Técnico: Aprendizado de Máquina Consistente para Otimização de Topologia com Modelos de Materiais de Redes Neurais Dependentes de Microestrutura

Definição do Problema
A integração da manufatura aditiva (AM) e da otimização de topologia (TO) permitiu o design de estruturas multiescala com microestruturas de materiais espacialmente variáveis. No entanto, otimizar tais estruturas sob condições não lineares (geométricas e de material) permanece um desafio significativo. Abordagens tradicionais que dependem de homogeneização computacional (ex: FE2) são computacionalmente proibitivas quando realizadas concomitantemente com a TO. Por outro lado, modelos constitutivos de aprendizado de máquina (ML) padrão frequentemente falham em aderir a princípios físicos fundamentais — como consistência termodinâmica, objetividade e policonvexidade — levando a instabilidades numéricas e previsões imprecisas, particularmente em regimes de escassez de dados ou próximos a singularidades (ex: volume zero). Embora o ML tenha sido aplicado à TO multiescala elástica linear, sua aplicação a respostas hiperelásticas geometricamente e materialmente não lineares ainda está em estágio incipiente.

Metodologia
Os autores propõem um framework que funde uma estratégia de TO baseada em homogeneização com uma abordagem de aprendizado de máquina "consistente" fundamentada na teoria da hiperelasticidade. A metodologia consiste em duas componentes primárias:

1. Modelagem Constitutiva de ML Consistente:

   • Arquitetura: O framework utiliza Redes Neurais Convexas de Entrada (ICNNs) para aprender o mapeamento entre descritores microestruturais e a resposta constitutiva homogeneizada.
   • Restrições Físicas: Para garantir estabilidade numérica e validade física, a arquitetura da rede neural impõe condições críticas de hiperelasticidade:
     • Policonvexidade: A densidade de energia de deformação é formulada como uma função convexa do gradiente de deformação, cofator e determinante, garantindo a existência de minimizadores para o problema variacional.
     • Objetividade e Simetria: O modelo respeita a independência de referencial de material e isotropia através de compartilhamento de pesos simétrico e transformações de entrada específicas baseadas em extensões principais.
     • Consistência Termodinâmica: O modelo satisfaz condições de estado natural (tensão e energia nulas em deformação zero) e condições de crescimento volumétrico (a energia tende ao infinito conforme o volume se aproxima de zero ou infinito).
   • Dependência de Microestrutura: O espaço de entrada da ICNN é estendido para incluir descritores microestruturais, especificamente a fração volumétrica de inclusões rígidas ($\alpha$) dentro de uma matriz macia. O modelo assume uma relação convexa entre a densidade de energia de deformação e a fração volumétrica de inclusão.
   • Diferenciabilidade: Todo o modelo constitutivo é diferenciável, permitindo o cálculo eficiente da rigidez tangente e sensibilidades via diferenciação automática.

2. Otimização de Topologia Multiescala:

   • Formulação: O problema de TO é formulado como um problema de maximização de trabalho sujeito a restrições de fração volumétrica tanto para a distribuição de material macroscópica ($\rho$) quanto para a fração volumétrica microestrutural ($\alpha$).
   • Implementação: Uma abordagem baseada em densidade com interpolação SIMP e projeção Heaviside suave é utilizada para lidar com densidades intermediárias e garantir a não linearidade geométrica em elementos sólidos, mantendo a cinemática de pequenas deformações em elementos de vazio.
   • Loop de Otimização: O otimizador (MMA) atualiza tanto as pseudo-densidades macroscópicas quanto as frações volumétricas microestruturais simultaneamente. O modelo de ML consistente fornece a resposta de tensão homogeneizada e suas derivadas para a análise direta e cálculos de sensibilidade.

Principais Contribuições

• Framework de ML Consistente: O artigo introduz um novo framework para TO hiperelástica que integra ICNNs com restrições físicas rigorosas (policonvexidade, objetividade, estado natural), abordando os problemas de estabilidade de redes neurais de "caixa-preta" em otimização não linear.
• Modelagem Dependente de Microestrutura: Os autores demonstram um método para incorporar descritores microestruturais (fração volumétrica) diretamente no espaço de entrada da ICNN, permitindo a previsão de respostas homogeneizadas que variam espacialmente pelo domínio de design.
• Otimização Concorrente de Duas Escalas: O trabalho estende a TO para um problema de design concorrente de duas escalas para materiais hiperelásticos, otimizando simultaneamente o layout macroscópico e a composição microestrutural local.
• Validação: O estudo valida o modelo de ML contra modelos fenomenológicos clássicos (Arruda-Boyce e Neo-Hookean) e demonstra sua eficácia em benchmarks de otimização de escala única e multiescala (suporte em T e viga em balanço).

Resultos

• Precisão do Modelo: Os modelos de ML consistentes treinados ($M_s$ para escala única e $M_m$ para multiescala) alcançaram alta precisão ($R^2 > 0,999$) na previsão de respostas de tensão e densidades de energia de deformação em comparação com os modelos fenomenológicos de referência e simulações de RVE. Os modelos demonstraram capacidades robustas de interpolação e capacidades razoáveis de extrapolação, particularmente próximo a singularidades, devido às restrições físicas impostas.
• TO de Escala Única: Nos exemplos de otimização de escala única (suporte em T e viga em balanço), os designs gerados usando o modelo de material de ML foram quase idênticos aos obtidos usando os modelos fenomenológicos de referência, confirmando a confiabilidade da abordagem de ML para tarefas padrão de TO.
• TO Multiescala: Na otimização concorrente de duas escalas, permitir que a fração volumétrica de inclusão ($\alpha$) varie espacialmente resultou em valores de função objetivo menores (melhores) em comparação com casos de linha de base com microestruturas fixas. O otimizador distribuiu naturalmente o material de modo que regiões exigindo maior complacência utilizaram frações de inclusão menores, enquanto regiões mais rígidas utilizaram frações maiores.
• Convergência: O processo de otimização convergiu suavemente, com a natureza diferenciável do modelo de ML facilitando a análise de sensibilidade eficiente sem a necessidade de homogeneização numérica dispendiosa em cada iteração.

Significância e Alegações
O artigo alega que a integração de modelos de aprendizado de máquina consistentes com otimização de topologia baseada em densidade melhora significativamente o design de otimização de estruturas hiperelásticas heterogêneas sob deformações finitas. A principal significância reside na capacidade de realizar uma otimização multiescala eficiente, estável e fisicamente consistente sem o custo computacional das simulações FE2 concorrentes. Ao garantir que o modelo de ML adira à policonvexidade e outras propriedades hiperelásticas, o framework garante a existência de soluções no problema direto e produz designs finais confiáveis. Os autores postulam que esta abordagem fornece um caminho viável para o design de futuros materiais e estruturas funcionalmente graduados, e observam que o framework é generalizável para descritores adicionais (ex: orientação) e potencialmente para materiais dependentes de histórico.