Design of a specimen to train path-dependent deep learning material models from a single uniaxial test: eliciting strain diversity via automatically differentiable elastoplastic topology optimization

Resumo Técnico: Design de um Espécime para Treinar Modelos de Materiais de Aprendizado Profundo Dependentes de Caminho a partir de um Único Teste Uniaxial

Definição do Problema
Redes neurais artificiais (RNAs) demonstraram a capacidade de aprender o comportamento de materiais não lineares e dependentes de caminho com precisão, frequentemente superando leis constitutivas fenomenológicas tradicionais. No entanto, treinar esses modelos baseados em dados tipicamente requer conjuntos de dados amplos e diversos, abrangendo uma vasta gama de trajetórias de tensão-deformação. Atualmente, tais conjuntos de dados são predominantamente gerados via simulações de células unitárias sintéticas, em vez de experimentos físicos. Espécimes experimentais padrão, como geometrias do tipo dogbone (osso de cachorro), falham em gerar trajetórias de tensão-deformação suficientemente diversas sob carregamento uniaxial simples. Consequentemente, treinar modelos de redes neurais complexos (por exemplo, com milhões de parâmetros) a partir de experimentos físicos exigiria um número irrazoável de testes ou configurações de carregamento multiaxial complexas. Este artigo aborda a lacuna entre os requisitos de dados dos modelos de aprendizado profundo de materiais e o conteúdo de informação limitado dos testes mecânicos padrão.

Metodologia
Os autores propõem um framework que integra otimização de topologia elastoplástica automaticamente diferenciável com atualização de modelo baseado em dados. O fluxo de trabalho consiste em três estágios distintos:

1. Otimização de Topologia (Design do Gerador de Dados):
   A inovação central é o design de uma geometria de espécime que maximiza a diversidade de deformação sob carregamento uniaxial monotônico simples. Os autores formulam um problema de otimização onde o objetivo é maximizar a entropia de Shannon da distribuição de deformação dentro do espécime.

   • Diferenciabilidade: Para permitir a otimização baseada em gradiente, os autores utilizam o framework JAX para diferenciação automática (AD). Isso permite o cálculo exato dos gradientes através da integração do passo de tempo do modelo constitutivo elastoplástico, evitando a laboriosa derivação manual de formulações adjuntas exigidas pelos métodos convencionais.
   • Função Objetivo: A diversidade de deformação é quantificada pela discretização do espaço de deformação em células e pela construção de um histograma diferenciável usando núcleos Gaussianos (soft assignment) para atribuir amostras de deformação às células. A entropia de Shannon deste histograma serve como a função objetivo a ser maximizada.
   • Restrições: A otimização emprega uma abordagem baseada em densidade (esquema SIMP) com um filtro de cone e projeção de limiar para garantir designs manufaturáveis e binários (preto e branco).

2. Geração de Conjunto de Dados:
   Uma vez determinada a geometria otimizada, ela é submetida a um carregamento uniaxial cíclico (tração-compressão) via Análise de Elementos Finitos (FEA). As trajetórias locais de tensão-deformação de todos os elementos sólidos dentro do espécime são coletadas para formar um conjunto de dados abrangente. Este conjunto de dados tem o intuito de abranger uma ampla gama de estados de deformação, incluindo deformação plástica.

3. Atualização do Modelo de Material (Treinamento):
   O conjunto de dados gerado é utilizado para treinar um modelo de rede neural recorrente (RNN), especificamente utilizando Unidades Recorrentes de Portão (GRUs). Os autores utilizam o framework de Atualização de Modelo Automaticamente Diferenciável (ADiMU) (implementado no HookeAI) para treinar a rede. Para testar rigorosamente a eficiência de dados do espécime proposto, um modelo sobreparametrizado (duas camadas GRU com 500 unidades ocultas cada, totalizando >2 milhões de parâmetros) é treinado. O modelo é avaliado em trajetórias de tensão-deformação polinomiais independentes e aleatoriamente geradas.

Principais Contribuições

• Estratégia Inovadora de Design de Espécime: Este trabalho apresenta a primeira integração de otimização de topologia elastoplástica com o treinamento de modelos substitutos de aprendizado profundo. Demonstra que um único espécime de geometria complexa pode ser projetado para gerar diversidade de deformação suficiente para o treinamento de modelos dependentes de caminho.
• Otimização Automaticamente Diferenciável: O artigo utiliza AD para resolver o problema de otimização de topologia elastoplástica, permitendo o uso de funções objetivo complexas e não padronizadas (entropia de diversidade de deformação) que são difíceis de formular com métodos adjuntos tradicionais.
• Eficiência de Dados: O estudo mostra que um único espécime otimizado sob carregamento simples pode gerar conjuntos de dados capazes de treinar grandes redes neurais, potencialmente reduzindo o fardo experimental associado à modelagem de materiais baseada em dados.

Resultos

• Desempenho Superior vs. Espécimes Padrão: Modelos GRU treinados com dados do espécime otimizado por topologia alcançaram significativamente menor Erro Médio Quadrático Raiz Normalizado (NRMSE) em comparação com modelos treinados em espécimes dogbone ou entalhados. Para componentes de tensão 2D, o espécime otimizado resultou em valores de NRMSE em torno de 9–11%, enquanto os espécimes dogbone resultaram em erros superiores a 55–166%.
• Diversidade de Deformação e Redundância: A análise dos conjuntos de dados revelou que o espécime otimizado produz uma cobertura muito mais ampla do espaço de deformação. Um estudo de redundância (análise de poda) mostrou que o conjunto de dados dogbone continha alta redundância (exigindo quase todo o conjunto de dados para manter a precisão), enquanto o conjunto de dados otimizado apresentou menor redundância, com 65% dos dados sendo suficientes para atingir a precisão próxima da ótima.
• Generalização: O framework demonstrou robustez quando o modelo de material subjacente foi alterado. Um espécime otimizado projetado usando um modelo de plasticidade de von Mises foi usado para gerar dados para um modelo de Drucker–Prager. O modelo GRU resultante capturou com sucesso o comportamento de Drucker–Prager, indicando a capacidade do espécime de gerar dados informativos mesmo quando as suposições constitutivas diferem da fase de design.
• Extensão 3D: A metodologia foi estendida para 3D, mostrando que a otimização da diversidade de deformação no plano também fornece respostas de tensão fora do plano informativas, embora a previsão da tensão de cisalhamento tenha permanecido menos precisa devido à exposição limitada nos dados de treinamento.

Significância e Alegações
O artigo afirma estabelecer a viabilidade do "Teste de Materiais 2.0", um paradigma onde um único experimento cuidadosamente projetado substitui testes padronizados para calibrar modelos de materiais complexos. Os autores afirmam que este é o primeiro trabalho a integrar a otimização de topologia elastoplástica com o treinamento de modelos substitutos de redes neurais recorrentes a partir de um único espécime otimável.

A significância reside no potencial de reduzir substancialmente o fardo experimental associado à modelagem de materiais baseada em dados. Ao substituir a necessidade de extensas campanhas de testes multiaxiais por um único teste uniaxial rico em informações, o método proposto visa permitir a aplicação prática de grandes modelos de redes neurais dependentes de caminho a materiais do mundo real. Os autores observam que, embora o estudo atual seja totalmente computacional e dependa de conjuntos de dados gerados por FEA, as geometrias otimizadas são passíveis de manufatura. Trabalhos futuros planejam validar esses designs experimentalmente usando técnicas de medição de campo total, como a Correlação de Imagem Digital (DIC), para capturar dados globais de deslocamento e força, que seriam então usados para treinar ou calibrar modelos dentro do framework ADiMU. O trabalho não reivindica a otimalidade global da geometria do espécime, mas demonstra que maximizar a diversidade do estado de deformação através da otimização de topologia é uma estratégia viável para treinar modelos de alta capacidade baseados em dados.