Inelastic Constitutive Kolmogorov-Arnold Networks: A generalized framework for automated discovery of interpretable inelastic material models

Este artigo apresenta as Redes de Kolmogorov-Arnold Constitutivas Inelásticas (iCKANs), uma nova arquitetura de rede neural capaz de descobrir automaticamente leis constitutivas simbólicas e interpretáveis para o comportamento elástico e inelástico de materiais, demonstrando sua eficácia e versatilidade na análise de dados sintéticos e experimentais de polímeros viscoelásticos.

O essencial

Imagine que você é um chef de cozinha tentando descobrir a receita secreta de um novo prato. Você tem os ingredientes (o material) e vê como o prato reage quando você o aquece, esfria ou mistura (os testes de estresse). O problema é que, na engenharia de materiais, os "ingredientes" são coisas como borrachas, plásticos ou tecidos biológicos, e as "reacções" são complexas: eles esticam, voltam ao normal, mas às vezes ficam "cansados" e não retornam totalmente (isso é o comportamento inelástico).

Até agora, os cientistas tentavam adivinhar a receita escrevendo equações matemáticas complicadas baseadas em suposições. Muitas vezes, essas suposições falhavam porque a realidade é bagunçada e cheia de detalhes.

Este artigo apresenta uma nova ferramenta chamada iCKANs (Redes de Kolmogorov-Arnold Constitutivas Inelásticas). Pense nisso como um chef robô superinteligente que não apenas aprende a receita, mas consegue escrevê-la em uma linguagem que qualquer humano consegue entender.

Aqui está como funciona, passo a passo, usando analogias simples:

1. O Problema: A "Caixa Preta" vs. A Receita Escrita

Antes, usávamos redes neurais comuns (como o "chef robô" tradicional). Elas eram ótimas em prever o resultado (o prato fica gostoso), mas eram uma caixa preta. Você dava os ingredientes e ela dava o resultado, mas ninguém sabia como ela chegou lá. Era como pedir um bolo e receber um bolo pronto, sem saber se usou farinha, açúcar ou areia.

Para engenheiros, isso é perigoso. Eles precisam saber a "física" por trás do material para projetar pontes seguras ou implantes médicos. Eles precisam de uma receita escrita (uma fórmula matemática), não apenas de um palpite.

2. A Solução: O Chef que Escreve a Receita (iCKANs)

Os autores criaram o iCKAN. Imagine que este robô tem uma habilidade especial: ele não apenas "adivinha" o comportamento do material, ele descobre a fórmula matemática exata que descreve esse comportamento.

• A Mágica das "Ativações": O robô usa uma técnica chamada B-Splines. Imagine que em vez de usar palavras fixas, ele usa blocos de Lego flexíveis que ele pode moldar para se encaixar perfeitamente nos dados.
• A Tradução (Symbolification): Depois de treinar com os dados (vendo o material esticar e relaxar), o robô olha para os blocos de Lego que moldou e os traduz em uma equação matemática limpa e bonita, como $f(x) = x^2 + 5$. Isso é chamado de "regressão simbólica". Agora, os humanos podem ler a receita!

3. Lidando com a "Memória" do Material (Inelasticidade)

Muitos materiais, como borrachas de vedação (VHB) ou tecidos do corpo, têm "memória". Se você esticar muito, eles não voltam exatamente ao tamanho original. Eles têm uma parte elástica (que volta) e uma parte inelástica (que fica deformada).

O iCKAN é especial porque ele entende essa dupla natureza:

• Ele descobre uma fórmula para a parte que "pula de volta" (Energia Elástica).
• Ele descobre outra fórmula para a parte que "fica cansada" (Potencial Inelástico).
• Ele garante que essas fórmulas sigam as leis da física (como a termodinâmica), para que o robô não invente coisas impossíveis (como criar energia do nada).

4. O Toque Extra: Fatores Externos (Temperatura)

O iCKAN é tão inteligente que pode aceitar informações extras, como a temperatura.

• Analogia: Imagine que você está cozinhando um bolo. A receita muda se você está no inverno ou no verão? Sim! O iCKAN descobre como a temperatura altera a "receita" do material. Ele descobre uma fórmula que diz: "Se a temperatura sobe, o material fica mais mole". E ele escreve isso em uma equação que você pode ler.

5. Por que isso é revolucionário?

• Precisão + Transparência: Antigamente, você tinha que escolher entre ser preciso (usando redes neurais escuras) ou ser compreensível (usando fórmulas simples que muitas vezes erravam). O iCKAN faz os dois: é preciso como uma IA e transparente como uma equação de física clássica.
• Descoberta Automática: Em vez de um cientista passar anos tentando adivinhar qual equação descreve um novo plástico, o iCKAN olha para os dados do teste e diz: "Aqui está a equação perfeita para este material".
• Segurança: Como a fórmula final é simples e segue as leis da física, os engenheiros podem usá-la com confiança em simulações de computadores para projetar coisas seguras, sem precisar rodar o "cérebro" da IA pesada o tempo todo.

Resumo em uma frase

O iCKAN é como um tradutor universal que pega dados brutos e complexos de como materiais se comportam (esticam, quebram, esquentam) e os transforma em receitas matemáticas claras e legíveis, permitindo que humanos entendam e prevejam o futuro desses materiais com segurança e rapidez.

Em suma: Eles ensinaram o computador a não apenas "fazer" o material, mas a "escrever o livro de receitas" dele.

Resumo técnico

1. O Problema

A identificação precisa das leis constitutivas de materiais (a relação entre tensão e deformação) é um desafio central na mecânica dos sólidos, especialmente para materiais inelásticos que exibem comportamento complexo como viscoelasticidade, plasticidade e dependência de história de carregamento.

• Limitações dos Modelos Tradicionais: Os modelos constitutivos convencionais baseados em mecânica do contínuo dependem de suposições simplificadoras que frequentemente falham em capturar a complexidade total do comportamento real. Além disso, o desenvolvimento desses modelos é incremental, trabalhoso e exige expertise de domínio significativa.
• Limitações das Abordagens de Aprendizado de Máquina Atuais: Embora redes neurais (como CANNs e PANNs) tenham avançado na modelagem baseada em dados, muitas vezes sacrificam a interpretabilidade física em favor da precisão preditiva. Elas atuam como "caixas pretas", dificultando a extração de leis físicas fechadas e a garantia de consistência termodinâmica (como a convexidade dos potenciais) em todo o domínio de entrada.

2. Metodologia: iCKANs

Os autores propõem as Redes de Kolmogorov-Arnold Inelásticas Constitutivas (iCKANs), uma nova arquitetura de rede neural que integra o framework de materiais padrão generalizados com a interpretabilidade inerente às Redes de Kolmogorov-Arnold (KANs).

Fundamentos Teóricos

• Decomposição Multiplicativa: O modelo utiliza a decomposição multiplicativa do gradiente de deformação ($F = F_e F_i$) em partes elástica e inelástica, operando em um configuração intermediária co-rotacionada para garantir objetividade.
• Potenciais Termodinâmicos: O comportamento é governado por dois potenciais escalares:
  1. Potencial Elástico ($\psi$): Define a energia livre elástica.
  2. Potencial Inelástico ($\omega$): Governa a evolução das variáveis internas e a dissipação.
• Consistência Termodinâmica: O framework garante que a desigualdade de dissipação seja satisfeita, exigindo que o potencial inelástico seja convexo, não negativo e zero na origem.

Arquitetura da Rede (iCKAN)

• KANs em vez de MLPs: Diferente das Redes Neurais Tradicionais (MLPs) que usam ativações fixas e pesos treináveis, as KANs utilizam funções de ativação não lineares treináveis (baseadas em B-Splines) nas arestas da rede. Isso permite a extração simbólica das funções aprendidas.
• Constrangimento de Convexidade: Para garantir a consistência física, os autores desenvolvem KANs Parcialmente Input-Convexos.
  • As ativações relacionadas às variáveis mecânicas (invariantes de tensão/deformação) são forçadas a ser convexas e monotonicamente crescentes.
  • Para o potencial inelástico, aplica-se um operador de pós-processamento ($H$) sobre a saída da rede para garantir que o resultado final seja convexo, zero na origem e não negativo, permitindo comportamentos não monotônicos se necessário.
• Integração Temporal: O modelo utiliza um esquema de integração temporal explícita (e uma variante implícita com uma rede auxiliar LTC - Liquid Time Constant) para resolver as equações de evolução das variáveis internas.
• Recursos Adicionais: A arquitetura permite a inclusão de vetores de características não mecânicas (ex.: temperatura) nos argumentos dos potenciais, sem violar as restrições de convexidade nas variáveis mecânicas.

Processo de Descoberta (Symbolification)

Após o treinamento, as ativações B-Spline das redes são substituídas por expressões matemáticas simbólicas fechadas (regressão simbólica) através de:

1. Esparsificação: Uso de regularização L1 e poda para simplificar a rede.
2. Symbolificação: Busca de funções analíticas (polinômios, exponenciais, etc.) que melhor se ajustam às ativações aprendidas, preservando as propriedades de convexidade e monotonicidade.

3. Contribuições Principais

1. Novo Framework Unificado: Introdução das iCKANs como uma extensão das CKANs para materiais inelásticos, capaz de descobrir automaticamente leis constitutivas simbólicas para comportamento elástico e inelástico.
2. Interpretabilidade Total: A capacidade de traduzir dados brutos de testes de materiais em funções potenciais elásticas e inelásticas em forma fechada e interpretável, algo anteriormente restrito a especialistas humanos.
3. Garantia Física: A arquitetura incorpora restrições físicas (convexidade, termodinâmica) diretamente no design da rede, garantindo que o modelo aprenda comportamentos fisicamente consistentes, mesmo durante a extrapolação.
4. Flexibilidade de Dados: Capacidade de processar dados mecânicos combinados com informações não mecânicas (como temperatura), descobrindo como essas variáveis afetam as propriedades do material.

4. Resultados

Os autores validaram o framework utilizando dados sintéticos e dados experimentais reais:

• Dados Sintéticos: O modelo foi treinado em dados gerados por equações analíticas conhecidas (potencial Neo-Hookean e potencial inelástico quadrático). As iCKANs recuperaram com alta precisão as formas simbólicas exatas dos potenciais, demonstrando a capacidade de "descobrir" a lei física subjacente.
• Polímero VHB 4910 (Viscoelasticidade):
  • Utilizando dados experimentais de carregamento e descarregamento, o modelo descobriu um conjunto de potenciais elásticos e inelásticos que capturaram com precisão a histerese e a dependência da taxa de deformação.
  • O modelo final foi expresso simbolicamente (ex: combinações de exponenciais e polinômios), permitindo simulações numéricas eficientes sem a necessidade de avaliar a rede neural.
• Polímero VHB 4905 (Viscoelasticidade Termossensível):
  • O modelo foi estendido para incluir a temperatura como uma variável de entrada.
  • As iCKANs descobriram automaticamente como a temperatura afeta os potenciais elásticos, gerando expressões simbólicas que descrevem o comportamento termo-viscoelástico em diferentes faixas de temperatura (0°C a 80°C).
  • O modelo demonstrou alta precisão preditiva em dados de teste não vistos durante o treinamento.

5. Significado e Impacto

O trabalho representa um avanço significativo na mecânica computacional e na ciência de materiais:

• Ponte entre Dados e Física: Resolve o dilema entre a precisão preditiva de modelos de "caixa preta" e a interpretabilidade dos modelos físicos tradicionais.
• Automação da Descoberta de Modelos: Reduz a dependência de intuição humana e tentativa e erro na formulação de leis constitutivas, automatizando a descoberta de modelos complexos para novos materiais.
• Aplicabilidade Prática: As expressões simbólicas resultantes podem ser integradas diretamente em solvers de Elementos Finitos (FEM) sem custo computacional adicional de inferência de rede neural, facilitando a simulação de estruturas complexas.
• Futuro: O framework abre caminho para a caracterização de materiais sob condições de serviço variáveis (temperatura, umidade, etc.) e pode ser estendido para outros tipos de inelasticidade, como plasticidade, dano e crescimento biológico.

Em resumo, as iCKANs oferecem uma ferramenta poderosa e transparente para a descoberta de modelos constitutivos inelásticos, combinando a flexibilidade do aprendizado de máquina com o rigor da mecânica do contínuo.