Hybrid coupling with operator inference and the overlapping Schwarz alternating method

Resumo Técnico: Acoplamento Híbrido com Inferência de Operador e o Método Alternado de Schwarz Sobreposto

Definição do Problema
A modelagem e simulação multiescala (mod/sim) são essenciais para o projeto de sistemas de engenharia complexos, mas enfrentam gargalos significativos. As simulações tradicionais de alta fidelidade (Modelos de Ordem Total, ou FOMs) sofrem com tempos de execução longos e requisitos árduos de geração de malha, onde a criação de uma única malha de alta qualidade para um componente multiescala pode levar semanas. Embora os Modelos de Ordem Reduzida (ROMs) baseados em projeção ofereçam um caminho para reduzir a complexidade computacional online, eles frequentemente carecem de mecanismos de refinamento sistemáticos, estabilidade em regimes preditivos e exigem acesso intrusivo ao código FOM subjacente. Além disso, métodos sem malha emergentes, como as Redes Neurais Informadas pela Física (PINNs), enfrentam desafios relacionados à interpretabilidade, custos de treinamento e convergência. Existe uma necessidade crítica de uma estratégia de acoplamento flexível que possa integrar modelos, malhas e esquemas de integração temporal díspares sem exigir uma malha monolítica ou modificações intrusivas no código.

Metodologia
O artigo propõe uma abordagem híbrida, baseada em decomposição de domínio, que acopla ROMs de Inferência de Operador (OpInf) locais de subdomínio, não intrusivos, entre si e com FOMs de subdomínio local usando o Método Alternado de Schwarz Sobreposto (O-SAM).

1. Inferência de Operador (OpInf): Os autores utilizam a OpInf, uma técnica de redução de modelo não intrusiva. Em vez de projetar as equações governantes em uma base reduzida (o que requer acesso ao código), a OpInf aprende operadores reduzidos (lineares, quadráticos e cúbicos) diretamente de dados de snapshots via regressão de mínimos quadrados. O artigo foca em uma forma funcional cúbica (COpInf) para capturar não linearidades, embora formas quadráticas (QOpInf) e lineares também sejam consideradas.
2. Método Alternado de Schwarz Sobreposto (O-SAM): O domínio físico é decomposto em subdomínios sobrepostos. O método resolve iterativamente problemas locais de subdomínio, trocando informações de condições de contorno de Dirichlet através das interfaces para garantir a compatibilidade da solução.
   • Acoplamento Heterogêneo: O O-SAM permite a integração perfeita de diferentes modelos (FOM-ROM, ROM-ROM), diferentes resoluções de malha, diferentes tipos de elementos e diferentes esquemas de integração de tempo (por exemplo, implícito vs. explícito) com passos de tempo díspares.
   • Treinamento Top-Down: Os ROMs de OpInf são treinados utilizando uma abordagem "top-down", onde os dados de treinamento são gerados executando uma simulação O-SAM FOM-FOM acoplada no domínio completo. Isso evita a necessidade de simulações de subdomínio independentes e captura a dinâmica de interface acoplada.
   • Redução de Contorno: Para lidar com um grande número de graus de liberdade (DoFs) de contorno em problemas 3D, os autores empregam bases POD de contorno para reduzir a dimensionalidade dos vetores de força de contorno antes de inferir os operadores de contorno.
   • Seleção de Regularização: Um algoritmo offline é proposto para selecionar parâmetros de regularização ideais para os problemas de mínimos quadrados da OpInf simulando o ROM com dados de contorno congelados da trajetória de treinamento, garantindo estabilidade sem exigir resoluções completas acopladas para cada candidato de parâmetro.

Principais Contribuições

• Novo Framework de Acoplamento: Este trabalho apresenta uma das primeiras aplicações de O-SAM para acoplar ROMs de OpInf não intrusivos, estendendo trabalhos anteriores de FOM-FOM e acoplamentos de ROM intrusivos.
• OpInf de Ordem Superior: Os autores introduzem e demonstram o uso de ROMs de OpInf cúbica (COpInf), indo além das formas lineares e quadráticas utilizadas na literatura relacionada anterior.
• Integração Díspar: A metodologia acopla com sucesso modelos com diferentes integradores de tempo e passos de tempo, uma capacidade não demonstrada anteriormente para acoplamentos baseados em OpInf neste contexto.
• Dinâmica de Sólidos Não Lineares 3D: A abordagem é validada em problemas realistas e complexos de dinâmica de sólidos envolvendo materiais hiperelásticos (modelos Saint Venant–Kirchhoff e Neohookean), variando resoluções de malha e diferentes tipos de elementos (tetraédricos vs. hexaédricos).
• Estratégias de Eficiência: O artigo introduz estratégias específicas para melhorar a eficiência do O-SAM, incluindo bases POD de contorno para reduzir os tamanhos dos operadores e um método de seleção automatizada de parâmetros de regularização adaptado para problemas de subdomínio acoplados.

Resultos
A metodologia foi avaliada em quatro casos de teste numéricos: um problema de propagação de onda elástica linear 1D, um problema de junta parafusada 3D, um problema de torção 3D e um problema de corpo de tração 3D.

• Acurácia: Os acoplamentos híbridos (FOM-OpInf e OpInf-OpInf) alcançaram alta acurácia, frequentemente superando acoplamentos FOM-FOM análogos em termos de erro relativo para campos de deslocamento e velocidade. No caso de propagação de onda 1D, acoplamentos OpInf-OpInf com modos POD suficientes alcançaram "super-convergência" em relação aos acoplamentos FOM-FOM. No problema da junta parafusada 3D, erros relativos tão baixos quanto 0,1% foram alcançados para deslocamento e velocidade.
• Convergência: As iterações O-SAM para acoplamentos híbridos geralmente convergiram em menos iterações (frequentemente 2–5) comparadas aos acoplamentos FOM-FOM. Os autores atribuem isso à natureza mais suave das soluções OpInf (baseadas em modos POD) em comparação com as funções de forma padrão de elementos finitos.
• Aceleração (Speedup): A abordagem gerou acelerações computacionais significativas.
  • No problema de torção 3D, observaram-se acelerações de até 23,5×.
  • No problema do corpo de tração 3D, o acoplamento mais agressivo (QOpInf-QOpInf) alcançou uma aceleração de 10⁶ vezes em comparação ao acoplamento FOM-FOM correspondente, mantendo uma acurácia aceitável.
• Capacidade Preditiva: O método demonstrou capacidades preditivas robustas. Nos problemas da junta parafusada e de torção, modelos treinados em condições iniciais ou conjuntos de parâmetros específicos previram com sucesso as soluções para condições não vistas, com erros relativos geralmente dentro das tolerâncias de engenharia (frequentemente <5% para deslocamento).

Significância e Alegações
O artigo alega que esta abordagem híbrida de O-SAM aborda os desafios duplos de longos tempos de execução e geração de malha complexa na simulação multiescala. Ao "colar" combinações arbitrárias de modelos de alta fidelidade e de ordem reduzida de forma plug-and-play, o método permite fluxos de trabalho de simulação eficientes sem exigir acesso intrusivo ao código FOM.

Os autores enfatizam que sua estratégia é particularmente adequada para problemas onde as geometrias do sistema são complexas demais para malhas monolíticas, permitindo a criação de geometrias/malhas alternativas offline e sua integração perfeita via O-SAM. Embora o trabalho atual se concentre em dinâmica de sólidos, os autores afirmam que a metodologia é aplicável a uma ampla gama de equações diferenciais parciais (PDEs). O trabalho é apresentado como um passo em direção a simulações de engenharia mais eficientes, com trabalhos futuros planejados para estender o framework para decomposições de domínio não sobrepostas, alternância adaptativa entre ROM e FOM, e integração em códigos de produção como SIERRA/SM.