Development of Rheological Constitutive Modeling Method Using a Sparse Identification Algorithm: A Case Study for Extensional Flows

Este estudo valida a aplicabilidade do framework Rheo-SINDy a fluxos extensionais ao demonstrar sua capacidade de recuperar com precisão o modelo de Giesekus e derivar um modelo constitutivo aproximado preditivo para dados de dumbbells FENE por meio de uma biblioteca projetada manualmente.

O essencial

Imagine que você está tentando ensinar um robô a prever como um fluido pegajoso e elástico (como queijo derretido ou uma solução de polímeros) se comporta quando você o estica. Isso é chamado de "escoamento extensional".

Normalmente, os cientistas precisam escrever manualmente equações matemáticas muito complexas para descrever esse comportamento. Mas, neste artigo, os autores tentaram uma abordagem diferente: eles deixaram um computador "aprender" as regras diretamente dos dados, usando um método chamado Rheo-SINDy.

Aqui está uma explicação simples do que eles fizeram e do que descobriram, usando analogias do cotidiano:

1. O Objetivo: Ensinar um Robô as "Regras da Estrada"

Pense no fluido como um carro e no escoamento como a estrada. Os cientistas querem conhecer as leis exatas da física (o modelo constitutivo) que dizem como o carro se move quando a estrada se estica.

• O Jeito Antigo: Especialistas escrevem o livro de regras com base na teoria.
• O Jeito Novo (Este Artigo): O computador analisa uma quantidade massiva de dados de direção e tenta descobrir o livro de regras por si só, encontrando o padrão mais simples que se ajusta.

2. A Ferramenta: Um Detetive "Esparsos"

O método que eles usaram é chamado de Identificação Esparsa. Imagine que você é um detetive tentando resolver um crime. Você tem uma lista gigante de 1.000 suspeitos possíveis (variáveis).

• A maioria dos detetives poderia acusar todos.
• Este detetive "Esparsos" é muito exigente. Ele sabe que, geralmente, apenas duas ou três pessoas estão realmente envolvidas. Ele usa um algoritmo especial para ignorar os 997 suspeitos inocentes e encontrar o pequeno punhado de culpados reais que explicam o crime.
• Neste estudo, o "crime" é o movimento do fluido, e os "suspeitos" são termos matemáticos (como tensão, velocidade e suas combinações).

3. O Teste de Estrada: Dois Cenários

Para ver se o método do detetive funciona, eles realizaram dois testes usando dados gerados por computador (simulações):

Teste A: O Quebra-Cabeça "Perfeito" (O Modelo Giesekus)

• A Configuração: Eles criaram dados usando uma regra matemática conhecida e perfeita (o modelo Giesekus).
• O Desafio: O computador poderia olhar para os dados e redescobrir o exato livro de regras que os criou?
• O Resultado: Sim! O computador encontrou com sucesso a equação exata, provando que o método funciona quando a resposta já é conhecida. É como dar a um aluno um problema de matemática com o gabarito e assistir a ele recriar perfeitamente os passos para chegar a essa resposta.

Teste B: O Quebra-Cabeça "Mistério" (O Modelo FENE Dumbbell)

• A Configuração: Eles usaram um modelo mais complexo (FENE dumbbell) que descreve como pequenas cadeias de polímeros se esticam. Este modelo é tão complicado que os cientistas não conseguem escrever um livro de regras simples e exato para ele.
• O Desafio: O computador poderia olhar para os dados bagunçados e criar uma boa aproximação (uma "cola") que se comporte como a coisa real?
• O Resultado: Sim, em grande parte. O computador não encontrou a equação "perfeita" (porque uma não existe em forma simples), mas encontrou uma equação simples e curta que previu o comportamento do fluido muito bem.
  • Funcionou tão bem que conseguiu prever o que aconteceria em situações que ele nunca tinha visto antes (como puxar o fluido muito mais rápido do que nos dados de treinamento). É como um aluno que aprende o conceito de "gravidade" e consegue então prever corretamente como uma bola cai na Lua, mesmo tendo praticado apenas na Terra.

4. Por Que Isso Importa

Os autores descobriram que o método do "detetive" é poderoso porque:

1. É preciso: Pode encontrar as leis exatas quando elas existem.
2. É eficiente: As equações que ele encontra são curtas e simples, tornando-as fáceis para computadores usarem em simulações do mundo real.
3. É robusto: Pode lidar com dados complexos e bagunçados e ainda encontrar uma regra utilizável.

A Conclusão

Este artigo é uma prova de conceito. Ele mostra que você pode usar um algoritmo inteligente, caçador de dados, para descobrir as leis matemáticas de como fluidos elásticos se comportam quando puxados, sem precisar que um humano adivinhe a fórmula primeiro. Eles testaram com sucesso isso em fluidos "elásticos" simples e complexos, mostrando que o método está pronto para ser usado em problemas mais difíceis no futuro.

Resumo técnico

Resumo Técnico: Desenvolvimento de um Método de Modelagem Constitutiva Reológica Utilizando um Algoritmo de Identificação Esparsa: Um Estudo de Caso para Fluxos Extensionais

Enunciação do Problema
A derivação de modelos constitutivos (MCs) a partir de dados numéricos emergiu como uma abordagem sistemática para a modelagem reológica. Embora o framework Rheo-SINDy (Identificação Esparsa Reológica de Dinâmicas Não Lineares) tenha demonstrado anteriormente sucesso na identificação de MCs aproximados a partir de dados de fluxo de cisalhamento, sua versatilidade em outros regimes de fluxo permanece não investigada. O fluxo extensional é um modo fundamental na reologia, crítico para a compreensão de fluidos complexos como soluções de polímeros e surfactantes. No entanto, a medição experimental de propriedades extensionais é desafiadora, e os modelos fenomenológicos existentes frequentemente carecem de detalhes estruturais, enquanto os modelos mesoscópicos (por exemplo, dumbbells FENE) carecem de MCs analíticos. Este estudo aborda a aplicabilidade do framework Rheo-SINDy a fluxos extensionais, testando especificamente sua capacidade de recuperar modelos conhecidos e derivar modelos aproximados para sistemas sem soluções analíticas.

Metodologia
O estudo emprega uma estratégia orientada por dados que estende o algoritmo SINDy à reologia. A suposição central é que a evolução temporal do tensor de tensões $\tau$ pode ser expressa via derivada convectada superior $\overset{\triangledown}{\tau}$ como uma combinação linear esparsa de funções de uma matriz de biblioteca $\Theta(\mathbf{T}, \mathbf{K})$, onde $\mathbf{T}$ e $\mathbf{K}$ representam dados de séries temporais para tensões e gradientes de velocidade, respectivamente:
$$\overset{\triangledown}{\mathbf{T}} = \Theta(\mathbf{T}, \mathbf{K})\Xi$$
onde $\Xi$ é uma matriz de coeficientes esparsa determinada via regressão.

O estudo utilizou dois casos de teste primários:

1. Modelo de Giesekus (MC Conhecido): Para validar o framework, dados de treinamento foram gerados integrando numericamente o modelo de Giesekus sob fluxos extensionais uniaxiais e biaxiais oscilatórios. A matriz de biblioteca incluiu polinômios até o terceiro grau construídos a partir de componentes de tensão e gradiente de velocidade.
2. Modelo de Dumbbell FENE (MC Desconhecido): Para testar a derivação de modelos aproximados, dados de treinamento foram gerados via simulações de dinâmica browniana (DB) de um modelo de dumbbell FENE (Elastico Não Linear Finitamente Extensível). Como este modelo carece de um MC analítico, a matriz de biblioteca foi projetada utilizando conhecimento reológico derivado do modelo de dumbbell FENE-P (Pré-médiado) tratável analiticamente.

Regressão e Otimização
Dois algoritmos de regressão esparsa foram testados: Ridge com Limiar Sequencial (STRidge) e Lasso adaptativo (a-Lasso). A seleção do hiperparâmetro ótimo $\alpha$ (controlando a esparsidade) baseou-se em um erro quadrático médio total normalizado (EQM) definido como:
$$\text{EQM} = w \cdot \text{EQM}_{\text{treinamento}} + (1-w) \cdot \text{EQM}_{\text{resolvido}}$$
onde $\text{EQM}_{\text{treinamento}}$ mede o ajuste aos dados de derivada, e $\text{EQM}_{\text{resolvido}}$ mede o erro nas previsões de tensão obtidas integrando o modelo identificado. Um fator de peso de $w=0,5$ foi utilizado para garantir estabilidade numérica e prevenir a seleção de modelos não físicos e divergentes.

Principais Resultados

• Recuperação do Modelo de Giesekus: O framework Rheo-SINDy identificou com sucesso a expressão exata do modelo de Giesekus a partir de dados de fluxo extensional. Tanto o STRidge quanto o a-Lasso recuperaram os termos corretos, embora o a-Lasso tenha produzido soluções mais esparsas. As equações identificadas corresponderam à forma teórica, confirmando a capacidade do framework de lidar com cinemática extensional.
• Modelagem Aproximada do Dumbbell FENE: Para o modelo de dumbbell FENE, o framework identificou um MC aproximado relativamente simples (14 termos) utilizando a biblioteca projetada a partir da teoria FENE-P.
  • O modelo identificado capturou a dinâmica essencial, incluindo o papel dos termos de traço ($\text{tr}(\tau)\tau$), que são críticos para o comportamento FENE.
  • Desempenho Preditivo: O MC identificado previu razoavelmente as propriedades reológicas extensionais para o modelo de dumbbell FENE. Reproduziu com sucesso os resultados de simulação DB para fluxos oscilatórios e demonstrou capacidades de extrapolação para fluxos extensionais estacionários com taxas de deformação superiores às dos dados de treinamento (até $\dot{\epsilon}=30$).
  • Precisão: Embora o modelo tenha mostrado concordância razoável (14% de desvio) em taxas de deformação mais baixas e boa concordância (1% de desvio) em taxas de deformação mais altas para os principais componentes de tensão, componentes menores de tensão exibiram desvios. No entanto, o modelo permaneceu limitado e fisicamente plausível.
• Eficiência Computacional: O MC identificado oferece uma vantagem computacional significativa sobre as simulações DB. Enquanto a DB requer pequenos passos de tempo e grandes conjuntos de dumbbells, o MC identificado resolve apenas três equações diferenciais determinísticas.

Significado e Alegações
O artigo alega que essas descobertas demonstram a "validade fundamental" do uso do Rheo-SINDy sob condições de fluxo extensional. O estudo estabelece que:

1. O framework pode recuperar com precisão modelos fenomenológicos conhecidos a partir de dados extensionais.
2. Ao incorporar conhecimento reológico no projeto da biblioteca, o framework pode derivar MCs aproximados úteis para modelos mesoscópicos que carecem de soluções analíticas.
3. Os modelos resultantes podem extrapolar para histórias de fluxo e taxas de deformação fora do conjunto de treinamento, sugerindo utilidade potencial na previsão de fenômenos de transporte governados por fluxos extensionais (por exemplo, afinamento capilar, fiação de fusão).

Os autores mantêm um tom modesto, reconhecendo que a abordagem atual depende de conjuntos de dados de treinamento específicos e que trabalhos futuros são necessários para refinar o método para modelos mais complexos, lidar com ruído e abordar múltiplos modos de relaxação. O estudo posiciona o Rheo-SINDy como uma ferramenta promissora para a modelagem reológica, mas enfatiza a necessidade de refinamento adicional antes que se torne uma ferramenta padrão para sistemas complexos.