Resumo Técnico: Redução de Ordem de Modelo Baseada em Dados para Propagação de Ondas em Materiais com Danos e Não Linearidades

1. Problema e Motivação

O artigo aborda o desafio computacional de simular a propagação de ondas em materiais que apresentam não linearidades e danos (degradação de material), um cenário crítico para o Monitoramento de Saúde Estrutural (SHM).

• Contexto: Técnicas de avaliação não destrutiva (NDE), como ondas ultrassônicas guiadas (GUW), são usadas para detectar e localizar defeitos. A interação das ondas com o dano altera os sinais registrados, permitindo a caracterização do defeito.
• Desafio: A discretização desses problemas físicos (via Método dos Elementos Finitos - MEF) resulta em sistemas de equações diferenciais ordinárias (EDOs) de alta dimensão. Simulações repetidas para diferentes parâmetros de dano (necessárias para problemas inversos, como identificar a localização e gravidade do dano) são computacionalmente proibitivas em termos de tempo e memória.
• Objetivo: Desenvolver e avaliar técnicas de Redução de Ordem de Modelo (MOR) para acelerar essas simulações, permitindo a criação de modelos substitutos (surrogates) de baixa dimensão que mantenham a dinâmica essencial do sistema.

2. Metodologia

Os autores comparam abordagens intrusivas (que exigem acesso às matrizes do sistema de ordem completa) e não intrusivas (baseadas puramente em dados de solução, sem acesso ao código interno do solver).

Modelos Físicos Considerados

1. Equação de Onda Clássica: Um modelo linear onde o dano é parametrizado pela redução da velocidade de propagação da onda em uma região localizada.
2. Sistema Mecânico Linear (GUW): Um modelo de elasticidade linear (Lâmina de Metal Fibroso - FML) com dano, simulado via software comercial (COMSOL Multiphysics), onde o acesso às matrizes internas é restrito.
3. Modelo Hiperelástico Não Linear: Um modelo de placa de alumínio com comportamento não linear (modelo Neo-Hookean) e, posteriormente, com dano introduzido.

Técnicas de Redução de Ordem (MOR)

O estudo aplica e compara quatro métodos principais:

1. POD-Galerkin (Intrusivo): Utiliza Decomposição em Valores Singulares (SVD) dos dados de "snapshot" para criar uma base reduzida e projeta as equações completas sobre essa base. Serve como referência de alta fidelidade.
2. DMD (Dynamic Mode Decomposition): Método puramente baseado em dados que extrai modos espaciais e temporais coerentes, assumindo uma dinâmica linear subjacente.
3. mrDMD (Multiresolution DMD): Uma extensão do DMD que divide o domínio temporal em janelas hierárquicas, permitindo capturar dinâmicas localizadas no tempo (útil para fenômenos transitórios e não lineares).
4. OpInf (Operator Inference): Um método não intrusivo que infere os operadores reduzidos (matrizes de massa, rigidez, etc.) diretamente dos dados de solução, respeitando a estrutura física do problema (ex: sistemas de segunda ordem).

Contribuições Metodológicas Específicas

• Formulação de OpInf Não Constrained: Proposição de uma formulação de inferência de operador sem restrições que preserva a estrutura do sistema e permite o uso de otimizadores de primeira ordem (como Adam), facilitando a implementação.
• OpInf Discreto para Sistemas de Segunda Ordem: Desenvolvimento de uma abordagem de inferência de operador no nível da discretização temporal, evitando a necessidade de calcular derivadas temporais (que introduzem ruído numérico).
• Método de Re-projeção Estendido: Extensão do método de re-projeção (que recupera trajetórias idênticas às geradas por operadores intrusivos) para sistemas mecânicos de segunda ordem, demonstrando que isso melhora significativamente a precisão da inferência de operadores.
• Escalonamento de Dados: Introdução de técnicas de escalonamento para lidar com diferenças de magnitude entre deslocamentos, acelerações e forças no processo de otimização do OpInf.

3. Resultados Numéricos

Exemplo 1: Equação de Onda (Acesso Total)

• Comparação: POD vs. DMD vs. OpInf (Contínuo e Discreto).
• Achados:
  • O POD e o DMD Otimizado forneceram reconstruções qualitativas e quantitativas boas.
  • O OpInf Contínuo mostrou-se menos preciso, com erros significativos na segunda metade da simulação.
  • O OpInf Discreto (dOpInf) com re-projeção superou todos os outros métodos, alcançando erros de sensor inferiores a 2% e recuperando com alta fidelidade os operadores intrusivos.
  • O método de re-projeção reduziu o número de condição das matrizes de otimização, estabilizando a solução.

Exemplo 2: Sistema Mecânico Linear (FML com Dano - Acesso Restrito)

• Contexto: Simulação via COMSOL, sem acesso às matrizes (apenas dados de saída).
• Comparação: DMD, mrDMD vs. OpInf Contínuo (não restrito).
• Achados:
  • O DMD clássico falhou em capturar a dinâmica inicial devido a amplitudes iniciais quase nulas, mas o DMD Otimizado (com ajuste de amplitudes via mínimos quadrados) alcançou erro de 0,626%.
  • O mrDMD foi o mais preciso (erro de 0,137%), demonstrando sua eficácia em isolar dinâmicas localizadas no tempo.
  • O OpInf forneceu aproximações qualitativamente boas, mas sua precisão dependeu fortemente da escolha do esquema de integração temporal (Newmark). O erro espacial manteve-se abaixo de 2% com o método de aceleração linear.

Exemplo 3: Modelo Não Linear (Alumínio Hiperelástico)

• Desafio: Comportamento não linear (Neo-Hookean) e dano.
• Achados:
  • O DMD clássico falhou completamente (erros altos, sem precisão qualitativa), pois assume dinâmica linear e não consegue capturar comportamentos não lineares fortes ou transitórios.
  • O mrDMD teve sucesso, alcançando um erro de 1,023% (sem dano) e 4,388% (com dano). A estrutura multirresolução permitiu capturar características temporais localizadas que o DMD padrão ignorou.
  • Isso confirma que, para sistemas não lineares complexos, métodos puramente lineares baseados em dados (DMD padrão) são insuficientes, enquanto abordagens multirresolução são promissoras.

4. Contribuições Principais

1. Validação Comparativa: Uma avaliação abrangente de métodos intrusivos e não intrusivos em três cenários distintos (onda linear, elasticidade linear com dano, hiperelasticidade não linear).
2. Avanço no OpInf: Desenvolvimento e validação de uma formulação de OpInf discreto para sistemas de segunda ordem, combinada com o método de re-projeção, demonstrando que é possível recuperar a precisão de métodos intrusivos sem acesso ao código fonte.
3. Superação de Limitações do DMD: Demonstração de que o mrDMD é superior ao DMD clássico para problemas de propagação de ondas com não linearidades e danos localizados, devido à sua capacidade de analisar escalas temporais múltiplas.
4. Aplicação Prática: O trabalho conecta diretamente a redução de modelos à necessidade de resolver problemas inversos em SHM, onde a velocidade de simulação é crucial para a identificação de danos.

5. Significado e Conclusão

O trabalho demonstra que é viável e eficaz utilizar técnicas de redução de ordem baseadas em dados para simulações complexas de propagação de ondas em materiais danificados.

• Para sistemas lineares, o OpInf Discreto com re-projeção oferece uma alternativa robusta e precisa aos métodos intrusivos, especialmente quando o acesso ao solver é limitado.
• Para sistemas não lineares, o mrDMD emerge como a técnica baseada em dados mais promissora, superando as limitações de linearidade do DMD tradicional.
• A pesquisa estabelece uma base sólida para o desenvolvimento futuro de modelos reduzidos generalizáveis para problemas inversos de identificação de danos, onde a parametrização do dano e a eficiência computacional são fundamentais.

O estudo destaca que a escolha do método de MOR deve ser guiada pela natureza do problema (linear vs. não linear, acesso aos dados vs. acesso ao código) e que a combinação de técnicas (como re-projeção e multirresolução) é essencial para lidar com a complexidade de fenômenos de onda em estruturas reais.