Physics-constrained symbolic regression for discovering closed-form equations of multimodal water retention curves from experimental data

Este trabalho apresenta um framework de aprendizado de máquina baseado em restrições físicas e programação genética para descobrir automaticamente equações de forma fechada que descrevem curvas de retenção de água multimodais em materiais porosos, superando as limitações dos modelos hidráulicos tradicionais.

O essencial

Imagine que você está tentando entender como uma esponja gigante (que pode ser areia, argila ou uma mistura estranha de ambos) segura a água. Quando você a torce, a água sai de um jeito; quando você a deixa secar ao sol, ela perde água de outro jeito. Os cientistas chamam isso de "curva de retenção de água".

O problema é que algumas "esponjas" (solos) são muito complexas. Elas têm buracos de vários tamanhos: alguns minúsculos, outros grandes. A física tradicional tenta descrever isso com fórmulas matemáticas simples, mas essas fórmulas falham quando o solo é "multimodal" (tem muitos tipos de buracos misturados).

Aí entra a Inteligência Artificial. Mas a IA comum (como redes neurais) é como uma caixa preta: ela dá a resposta certa, mas ninguém sabe como ela chegou lá. Engenheiros não confiam em caixas pretas para construir barragens ou prédios.

A Solução: Um Detetive Matemático com Regras

Os autores deste artigo criaram um novo método chamado Regressão Simbólica Constrained pela Física (PCSR). Vamos usar uma analogia para entender como funciona:

Imagine que você quer descobrir a receita secreta de um bolo perfeito, mas você só tem algumas fotos do bolo pronto e algumas dicas de como ele deve ser.

1. O Caos (Regressão Simbólica Comum): Você joga milhões de ingredientes aleatórios numa máquina e pede para ela criar receitas. A máquina cria receitas que ficam deliciosas (ajustam-se aos dados), mas algumas podem ser impossíveis: "coloque 500kg de farinha" ou "use fogo negativo". São fórmulas que funcionam no papel, mas não na realidade.
2. O Detetive (PCSR): Agora, imagine que você contrata um detetive matemático. Ele também gera milhões de receitas, mas ele tem um manual de leis da física na mão.
   • Regra 1 (Monotonicidade): "Se eu aumentar a força para torcer a esponja, a água sempre deve sair, nunca entrar." (A curva não pode subir e descer de forma louca).
   • Regra 2 (Limites): "Se a esponja estiver totalmente molhada, ela não pode ter mais de 100% de água. Se estiver seca, não pode ter menos de 0%."
   • Regra 3 (Modos): "Se eu sei que essa esponja tem dois tipos de buracos, a receita deve ter exatamente dois 'picos' de comportamento, nem mais, nem menos."

Como eles fizeram isso?

Eles usaram uma técnica chamada Programação Genética. É como a evolução biológica, mas com matemática:

• Eles criam uma "família" de equações matemáticas (árvores genealógicas de fórmulas).
• As equações que erram muito ou violam as leis da física são "extintas".
• As equações que acertam mais e obedecem as regras se "reproduzem" (misturam partes de uma com a outra) e sofrem "mutações" (pequenas mudanças) para tentar ficar melhores.
• O processo se repete por gerações até que nasça a equação perfeita: uma fórmula escrita em papel (não uma caixa preta) que descreve exatamente como a água se comporta, obedecendo às leis da natureza.

Por que isso é incrível?

• Transparência: Ao final, eles não te dão um código de computador complexo. Eles te dão uma fórmula matemática que você pode escrever num caderno, entender e usar em qualquer software de engenharia.
• Confiança: Como a fórmula foi forçada a obedecer às leis da física durante o aprendizado, ela não vai prever coisas impossíveis (como solo com 200% de água).
• Versatilidade: Funciona bem mesmo com poucos dados (o que é comum em experimentos reais) e consegue lidar com solos muito complexos que as fórmulas antigas não conseguiam.

Em resumo

Os autores criaram um "chef de cozinha" de matemática que, em vez de apenas copiar o sabor dos ingredientes (os dados), aprendeu a cozinhar seguindo estritamente as leis da termodinâmica. O resultado é uma receita (fórmula) clara, confiável e pronta para ser usada por engenheiros para prever como a água se move no solo, ajudando a evitar deslizamentos de terra e a gerenciar recursos hídricos com muito mais precisão.

E o melhor: eles colocaram todo o código e as receitas no "Google Drive" deles (repositório de código aberto) para que qualquer pessoa possa usar e melhorar.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo em português:

Título: Regressão Simbólica Constrained por Física para Descoberta de Equações de Forma Fechada de Curvas de Retenção de Água Multimodais a partir de Dados Experimentais

1. Problema e Motivação

O comportamento de materiais porosos com distribuições de tamanho de poros multimodais (com múltiplos picos de distribuição) apresenta desafios significativos para a modelagem de fluxo não saturado.

• Limitações dos Modelos Atuais: Modelos semiempíricos padrão (como Van Genuchten, Brooks-Corey) assumem uma distribuição unimodal de poros, falhando em capturar a complexidade de materiais com estruturas de poros complexas.
• Abordagens Atuais Insuficientes: Uma solução comum é superpor múltiplas funções unimodais. No entanto, isso exige a identificação separada de parâmetros para cada modo, o que limita a interpretabilidade, a generalização e torna o processo difícil em cenários com dados escassos.
• Desafios da IA Pura: Redes neurais profundas oferecem flexibilidade, mas são "caixas-pretas" sem interpretabilidade, o que gera desconfiança em aplicações de engenharia. Além disso, a regressão simbólica padrão (SR) tende a sofrer de overfitting, sensibilidade a ruídos e descoberta de expressões matematicamente corretas, mas fisicamente inconsistentes (ex: saturação > 100% ou comportamento não monotônico).

2. Metodologia: Regressão Simbólica Constrained por Física (PCSR)

Os autores propõem um framework de meta-modelagem que combina aprendizado de máquina com restrições físicas para descobrir automaticamente equações de forma fechada.

• Representação e Otimização:

  • As expressões matemáticas são representadas como árvores binárias.
  • O espaço de busca é explorado usando Programação Genética (GP), com operações de seleção, mutação e cruzamento.
  • A busca é guiada por uma função de perda multi-objetivo.

• Função de Perda Personalizada:
  A perda total ($L$) é composta por três termos:

  1. Perda de Dados ($L_{data}$): Erro quadrático médio entre as previsões e os dados experimentais (normalizados).
  2. Perda Física ($L_{phys}$): Penaliza violações de princípios termodinâmicos fundamentais, calculada em pontos de colocalização:
     • Monotonicidade: A saturação ($S_w$) deve diminuir à medida que a sucção ($s$) aumenta ($dS_w/ds \leq 0$).
     • Condições de Limite: Comportamento assintótico nas extremidades (saturação máxima em baixa sucção e saturação residual em alta sucção), incluindo derivadas nulas nos extremos.
     • Limitação (Boundedness): A saturação deve permanecer entre 0 e 1.
  3. Perda de Modo ($L_{mode}$): Um termo inovador que penaliza o desvio do número desejado de modos ($N_{mode}$) na curva, contando as inflexões (mudanças de concavidade) na segunda derivada. Isso atua como um prior estrutural baseado na observação experimental.

• Pré-processamento: Os dados brutos são mapeados para um espaço normalizado $[0, 1]$ para estabilidade numérica, utilizando pontos de referência de sucção mínima, máxima e residual.

3. Contribuições Principais

1. Framework PCSR: Desenvolvimento de um algoritmo de regressão simbólica que integra restrições físicas diretamente na função de perda, garantindo que as equações descobertas sejam termodinamicamente consistentes.
2. Controle de Multimodalidade: Introdução de uma restrição de "modo" que permite ao algoritmo descobrir curvas com o número exato de picos (modos) esperado, evitando a criação de modos espúrios devido a ruídos nos dados.
3. Interpretabilidade e Generalização: Geração de equações analíticas explícitas (em vez de redes neurais) que podem ser integradas diretamente em códigos de simulação hidromecânica existentes, mantendo alta precisão mesmo com dados esparsos.
4. Reprodutibilidade: O código-fonte completo e os dados foram disponibilizados em repositório de código aberto.

4. Resultados

O framework foi validado em diversos cenários:

• Curvas Unimodais: Em solos com distribuição unimodal, o PCSR com restrição de modo ($L_{mode}$) produziu equações com $\hat{N}_{mode} = 1$, evitando o overfitting e flutuações não físicas observadas na regressão simbólica padrão (Vanilla SR) e em modelos semiempíricos tradicionais que não se ajustam bem a todos os pontos.
• Curvas Multimodais (Bimodais e além):
  • Testado em 4 conjuntos de dados experimentais reais (solos com grava, paddy soil, misturas areia-kaolinite) e dados sintéticos com 3 e 4 modos.
  • A Vanilla SR e a PCSR sem restrição de modo falharam em capturar o número correto de modos (gerando 3 a 12 modos indesejados) e apresentaram flutuações não físicas.
  • O PCSR com $L_{mode}$ conseguiu recuperar com precisão as curvas bimodais, trimodais e quadrimodais, mantendo $\hat{N}_{mode} = N_{mode}$ e respeitando todas as restrições físicas (monotonicidade e limites).
• Robustez a Ruído: Em testes de sensibilidade (Apêndice A), o PCSR demonstrou superioridade na supressão de violações físicas causadas por ruído nos dados, mantendo a consistência termodinâmica onde a regressão padrão falhava.

5. Significado e Impacto

Este trabalho representa um avanço significativo na modelagem de meios porosos ao resolver o dilema entre precisão preditiva e interpretabilidade física.

• Aplicabilidade Prática: As equações descobertas podem ser usadas imediatamente em simulações de engenharia civil e ambiental, substituindo modelos empíricos rígidos ou redes neurais ininteligíveis.
• Escalabilidade: O método demonstra ser escalável para materiais com estruturas de poros complexas e multimodais, onde métodos tradicionais falham.
• Futuro: Embora o estudo foque no processo de secagem primária (drenagem), a metodologia abre caminho para futuras extensões que incluam histerese e outras propriedades geotécnicas, promovendo uma nova era de "ciência descoberta" baseada em dados e física.