Learning constitutive laws under explicit strain limits: An interpretable strain-limiting elasticity--Kolmogorov Arnold neural network framework

Resumo Técnico: Aprendizado de Leis Constitutivas sob Limites Explícitos de Deformação

Enunciado do Problema
A modelagem constitutiva precisa é essencial para prever o comportamento de materiais em mecânica dos sólidos, particularmente para materiais moles como elastômeros, tecidos biológicos e polímeros. As teorias hiperelásticas clássicas frequentemente assumem o crescimento ilimitado da deformação sob aumento de tensão, uma premissa que falha para materiais que exibem saturação de deformação ou comportamento de limitação de deformação. Nesses materiais, incrementos de tensão produzem incrementos de deformação progressivamente menores devido a mecanismos microestruturais, como o alinhamento de cadeias e o emaranhamento de redes. Negligenciar esses efeitos pode levar a previsões não físicas, perda de elipticidade e instabilidades numéricas quando os modelos são extrapolados além de seu intervalo de calibração.

Embora os modelos de Elasticidade com Limitação de Deformação (SLE - Strain-Limiting Elasticity) abordem essas questões ao impor uma deformação limitada e um módulo tangente evanescente em altas tensões, eles apresentam desafios significativos para o aprendizado baseado em dados. Sua natureza fortemente não linear e assintótica torna o tratamento analítico difícil e complica a calibração de aproximações puramente baseadas em dados, que frequentemente lutam para capturar simultaneamente o comportamento quase linear em baixas tensões e a saturação em altas tensões sem violar restrições físicas (ex: simetria, monotonicidade, limitação). Além disso, redes neurais convencionais do tipo "caixa-preta", embora flexíveis, frequentemente falham em respeitar esses princípios físicos essenciais durante a extrapolação, limitando sua confiabilidade em simulações preditivas.

Metodologia
Os autores propõem um framework de modelagem constitutiva híbrida interpretável que integra a SLE com Redes de Kolmogorov–Arnold (KANs). A estratégia central envolve uma separação estrita de papéis:

1. Estrutura Base Baseada em Física (Physics-Based Backbone): O modelo SLE serve como a lei constitutiva primária, capturando a resposta elástica não linear dominante. Este modelo impõe explicitamente princípios mecânicos fundamentais: simetria ímpar (comportamento idêntico de tração/compressão), resposta monotônica, deformação limitada e módulo tangente evanescente.
2. Correção de Resíduo Baseada em Dados: Uma KAN é empregada exclusivamente para aprender correções de resíduo suaves e de baixa amplitude no espaço de tensão. A KAN não substitui a física, mas a aumenta para contabilizar desvios decorrentes de idealizações do modelo ou incertezas experimentais.

Componentes Técnicos Principais:

• Decomposição Constitutiva: O mapeamento tensão–deformação é decomposto em uma reconstrução preservadora de sinal e uma função dependente de magnitude, $g(|\tau|)$. Esta estrutura reflete a simetria intrínseca da elasticidade isotrópica.
• Arquitetura KAN: A função $g(|\tau|)$ é representada usando splines lineares por partes definidas sobre uma grade fixa de magnitudes de tensão. Esta escolha garante que os parâmetros da rede (coeficientes de spline) tenham interpretações físicas diretas (magnitude da deformação em níveis de tensão específicos) e que o módulo tangente seja explicitamente representado pelos declives locais.
• Imposição de Restrições: Restrições físicas são incorporadas diretamente na arquitetura do modelo, em vez de depender de regularização baseada em penalidades.
  • Simetria Ímpar: Imposta pela reconstrução determinística da deformação com sinal a partir da magnitude.
  • Monotonicidade: Imposta pelo condicionamento dos declives das splines para serem não negativos.
  • Deformação Limitada: Imposta pelo limite dos coeficientes das splines de acordo com o limite teórico de deformação.
  • Rigidez Evanescente: Incentivada via regularização nos declives das splines no regime de alta tensão.
• Estratégia de Treinamento: O framework utiliza uma função de perda informada pela física, combinando fidelidade de dados (Erro Quadrático Médio) com penalidades por violação de monotonicidade e limites de deformação. Em aplicações experimentais (dados de Treloar), um processo de dois estágios é utilizado: primeiro, os parâmetros da SLE são calibrados para os dados experimentais; segundo, a KAN é treinada nos resíduos de tensão enquanto os parâmetros da SLE permanecem fixos.

Resultos
O framework foi avaliado utilizando tanto benchmarks sintéticos quanto dados experimentais clássicos (experimentos de elasticidade de borracha de Treloar sob deformação uniaxial, biaxial e planar).

• Benchmarks Sintéticos:

  • Em regimes de limitação de deformação moderada, a formulação baseada em KAN alcançou a recuperação quase exata da lei analítica da SLE ($R^2 > 0,999$) enquanto preservava estritamente a deformação limitada e a monotonicidade.
  • Em regimes de limitação de deformação forte (caracterizados por transições abruptas), o modelo manteve a admissibilidade física. Embora discrepâncias localizadas tenham aparecido próximo à transição abrupta devido à resolução finita da grade de spline fixa, o modelo capturou corretamente a saturação assintótica e o decaimento da rigidez sem oscilações espúrias ou perda de monotonicidade. Os autores atribuem esses erros à resolução de representação, e não à falha de otimização.

• Validação Experimental (Dados de Treloar):

  • A estrutura de base SLE capturou com sucesso a resposta não linear dominante em todos os modos de deformação.
  • A formulação híbrida SLE–KAN melhorou sistematicamente a concordância com as respostas de tensão–extensão medidas, ao aprender correções de resíduo suaves e dependentes do modo.
  • Crucialmente, o componente baseado em dados permaneceu subordinado à estrutura baseada na física, nunca sobrepondo-se à estrutura constitutiva global ou violando a deformação limitada.
  • Análise Baseada em Regimes: Quando o limite de deformação foi deliberadamente fortalecido além da calibração experimental (restrições físicas mais fortes), os desvios em relação aos dados experimentais aumentaram. No entanto, esses desvios foram identificados de forma transparente como consequências das restrições físicas impostas, demonstrando um trade-off controlável entre fidelidade de dados e admissibilidade mecânica.

Principais Contribuições

1. Framework Híbrido: Introdução de um novo framework SLE–KAN que equilibra admissibilidade mecânica com flexibilidade controlada baseada em dados.
2. Interpretabilidade: Demonstração de que as KANs, quando estruturadas com representações baseadas em splines, fornecem parâmetros internos transparentes com significado físico direto, contrastando com a natureza opaca das redes neurais densas.
3. Imposição Estrutural: Uma metodologia para incorporar restrições físicas essenciais (simetria, limitação, monotonicidade) diretamente na arquitetidade da rede, garantindo extrapolação robusta sem depender de termos de penalidade.
4. Análise de Trade-off: Uma análise baseada em regimes revelando que os desvios em regimes altamente restritos são indicadores explícitos de restrições físicas, ofereção uma alternativa transparente ao ajuste de caixa-preta não restrito.

Significância
O artigo afirma que o framework SLE–KAN fornece uma alternativa transparente, robusta e fisicamente consistente para a modelagem constitutiva em comparação com redes neurais de caixa-preta. Sua significância reside na capacidade de garantir robustez preditiva e aderência estrita aos limites físicos, que são críticos para aplicações de mecânica dos sólidos experimental. Ao priorizar a admissibilidade mecânica sobre a expressividade não restrita, o framework oferece uma abordagem onde o aprendizado é confinado ao espaço das respostas fisicamente válidas. Isso torna o modelo particularmente relevante para aplicações envolvendo materiais moles e tecidos biológicos, onde a interpretabilidade e a confiabilidade sob grandes deformações são primordiais. Os autores concluem que esta abordagem demonstra com sucesso que o aprendizado interpretável e informado pela física não é apenas viável, mas vantajoso para a modelagem constitutiva, fornecendo tanto previsões precisas quanto insights diagnósticos.