Rank Reduction AutoEncoders for Mechanical Design: Advancing Novel and Efficient Data-Driven Topology Optimization

Resumo Técnico: Autoencoders de Redução de Posto para Design Mecânico

Definição do Problema
A Otimização Topológica (TO) é uma ferramenta crítica para a síntese de estruturas de alto desempenho, mas permanece computacionalmente dispendiosa, particularmente quando análises repetidas são necessárias para a exploração do espaço de design, quantificação de incertezas ou design inverso. Os fluxos de trabalho tradicionais de TO envolvem a resolução repetida de problemas de Elementos Finitos (FE) de alta dimensão, onde as geometrias otimizadas são representadas por campos de densidade densos. Embora o aprendizado de máquina (ML) ofereça alternativas baseadas em dados, as abordagens padrão frequentemente sofrem com interpretabilidade limitada, extrapolação deficiente e dificuldades em lidar com problemas inversos, nos quais múltiplas geometrias podem resultar em métricas de desempenho idênticas. Além disso, os autoencoders padrão podem introduzir redundância ou sobreajuste (overfitting) ao comprimir dados de alta dimensão de TO.

Metodologia
O artigo propõe um framework unificado baseado em dados que combina Autoencoders de Redução de Posto (RRAEs) com mapeamentos de espaço latente para modelar a relação entre geometrias otimizadas e suas respostas mecânicas (Quantidades de Interesse, ou QoIs). A metodologia é estruturada da seguinte forma:

1. Geração de Dados: Um conjunto de dados foi gerado utilizando o método de Material Isotrópico Sólido com Penalização (SIMP) para um problema de minimização de complacência em uma viga MBB de meia seção. O conjunto de dados inclui topologias otimizadas (geometrias) e as correspondentes respostas mecânicas (distribuições de tensão de von Mises) sob variações de restrições de volume.
2. Redução de Dimensionalidade (RRAE): Em vez de autoencoders padrão, o framework emprega RRAEs. Esta arquitetura codifica dados de alta dimensão (geometrias ou campos de tensão) em um espaço latente, que é então submetido a uma Decomposição de Valor Singular truncada (SVD). Este processo retém apenas os modos mais significativos (coeficientes latentes), identificando efetivamente as características geométricas e físicas dominantes, garantindo uma aproximação de baixo posto.
   • Modelos RRAE separados foram treinados para a geometria (usando um CNN-RRAE para campos de densidade 2D) e para as QoIs.
3. Mapeamento do Espaço Latente: Perceptrons Multicamadas (MLPs) são treinados para mapear os coeficientes latentes de baixa dimensão da geometria ($\alpha$) para os da solução ($\beta$) e vice-versa.
   • Problema Direto ($\text{geo} \to \text{sol}$): Predição de respostas estruturais a partir de uma determinada geometria.
   • Problema Inverso ($\text{sol} \to \text{geo}$): Reconstrução de geometrias a partir de alvos de desempenho prescritos.
4. Variações de QoI: O estudo avalia três tipos distintos de QoIs para determinar seu impacto na fidelidade do modelo:
   • Escalar: Tensão de von Mises máxima (métrica global).
   • Campo 1D: Valores de tensão de von Mises ao longo da diagonal do domínio (principal caminho de carga).
   • Campo 2D: Distribuição completa da tensão de von Mises por todo o domínio.

Principais Contribuições
O artigo apresenta três contribuições primárias:

1. Redução Eficiente de Dimensionalidade: Introduz os RRAEs como uma ferramenta adaptativa para reduzir a dimensionalidade dos dados de TO, aproveitando a SVD truncada para manter a eficiência computacional e a robustez, enquanto captura os modos dominantes.
2. Análise Comparativa de QoIs: Fornece uma análise sistemática de como o conteúdo de informação da QoI (campos escalar vs. 1D vs. 2D) afeta a precisão e a robustez de ambos os modelos substitutos (surrogate) diretos e inversos.
3. Framework de Design Generativo: Demonstra um framework baseado em espaço latente que facilita a síntese de novas geometrias e respostas, permitindo a exploração rápida de layouts estruturais otimizados sem resolver problemas completos de FE.

Resultados Numéricos
O framework foi validado em um problema de benchmark de viga MBB de meia seção com 100 amostras de treinamento e 20 amostras de teste (variando frações de volume).

• QoI Escalar: Este caso provou ser o mais desafiador. O mapeamento de geometria para um único valor escalar é inerentemente não-bijetivo. Consequentemente, o problema inverso sofreu de sobreajuste (memorização) e produziu geometrias sem significado físico ao extrapolar. A perda de reconstrução para problemas inversos foi alta ($\approx 20\%$).
• QoI de Campo 1D: O uso do campo de tensão ao longo da diagonal melhorou significamente o desempenho. A perda de reconstrução do problema inverso caiu para $\approx 7,6\%$ (conjunto de teste), e o modelo gerou com sucesso geometrias fisicamente plausíveis que correspondiam às curvas de tensão alvo.
• QoI de Campo 2D: Esta abordagem rendeu o melhor desempenho geral. Ao utilizar a distribuição total da tensão, o framework alcançou predições de alta fidelidade.
  • Problema Direto: O coeficiente $R^2$ atingiu $0,999$ no conjunto de teste.
  • Problema Inverso: A perda de reconstrução para as geometrias foi de $7,80\%$ (conjunto de teste), com frações de volume preditas correspondendo de perto à verdade fundamental (ground truth).
  • Os resultados indicam que QoIs mais ricas fornecem a informação necessária para resolver a natureza mal-posta do problema inverso, levando a modelos substitutos robustos e precisos.

Significância e Alegações
Os autores afirmam que este framework oferece um substituto computacionalmente eficiente para a análise de FE em fluxos de trabalho de TO. O estudo enfatiza que a riqueza da QoI é o fator crítico para o sucesso do design inverso; comprimir a solução de forma muito agressiva (ex: para um escalar) torna o problema inverso mal-condicionado.

A metodologia é apresentada como uma fundação para o Design Generativo (GD). Ao operar em um espaço latente de baixo posto derivado de SVD, o framework permite a interpolação de novos pontos para sintetizar geometrias e respostas inéditas que permanecem fisicamente plausíveis. Os autores posicionam os RRAEs como uma ferramenta unificadora para modelagem de ordem reduzida, design inverso e exploração baseada em dados, observando que trabalhos futuros focarão na extensão deste para espaços de design multiparamétricos e na incorporação de restrições informadas pela física.