Statistical finite elements for sequential data synthesis in solid dynamics

Resumo Técnico: Elementos Finitos Estatísticos para Síntese de Dados Sequenciais em Dinâmica de Sólidos

1. Problema e Motivação

O monitoramento contínuo de sistemas de engenharia e estruturas em operação exige técnicas computacionais que integrem dados observacionais com modelos baseados em física. No entanto, na prática, as medições são esparsas e ruidosas, e os modelos computacionais (como o Método dos Elementos Finitos - MEF) sofrem de incertezas significativas devido a simplificações de modelagem, condições de contorno imprecisas e parâmetros materiais desconhecidos.
O MEF determinístico convencional não é adequado para incorporar sistematicamente dados observacionais enquanto contabiliza essas incertezas de forma racional. Embora o Método de Elementos Finitos Estatísticos (statFEM) tenha sido desenvolvido para problemas estáticos e fluidos, sua extensão para problemas dinâmicos de elasticidade (elastodinâmica) com assimilação de dados sequencial permanecia um desafio não resolvido, especialmente em geometrias complexas com incertezas espacialmente distribuídas.

2. Metodologia Proposta

Os autores propõem uma extensão do framework statFEM para problemas de dinâmica de sólidos elásticos, formulando um filtro Bayesiano sequencial para assimilação de dados. A abordagem combina a discretização espacial do MEF com uma integração temporal estocástica.

• Formulação Probabilística do Problema Direto:

  • As incertezas nos parâmetros materiais (ex: módulo de Young) e nas forças aplicadas são modeladas como campos aleatórios Gaussianos espaço-temporais.
  • A estrutura de correlação espacial desses campos é definida através de Equações Diferenciais Parciais Estocásticas (SPDEs) baseadas em operadores diferenciais, que induzem covariâncias do tipo Matérn.
  • A discrepância entre o modelo e o sistema físico real (má especificação do modelo) é tratada como um componente residual na força, também modelado como um campo aleatório.

• Discretização Temporal e Estocástica:

  • O problema semi-discreto é expresso em forma de espaço de estados.
  • A evolução temporal utiliza uma variante estocástica do esquema Newmark explícito (equivalente ao algoritmo de Verlet estocástico para forças elásticas), que lida com o termo de força Browniana espacialmente correlacionada.

• Aproximação por Perturbação (Gaussianização):

  • A evolução do estado depende não-linearmente do campo de propriedades materiais aleatórias, o que resultaria em uma densidade de probabilidade a priori não-Gaussiana.
  • Para tornar o problema tratável computacionalmente, os autores utilizam uma aproximação de primeira ordem por perturbação em torno das médias dos estados e parâmetros. Isso permite aproximar a densidade preditiva como Gaussiana, com média e covariância em forma fechada.

• Filtragem Bayesiana Sequencial (Augmented State):

  • O vetor de estado é aumentado para incluir tanto as variáveis de estado (deslocamento e velocidade) quanto o campo de propriedades materiais ($\kappa$).
  • O processo segue dois passos recursivos:
    1. Previsão: Propagação da incerteza através da dinâmica estocástica linearizada.
    2. Atualização: Aplicação da regra de Bayes para condicionar a distribuição a priori aos dados observados (deslocamentos ruidosos), resultando em uma distribuição a posteriori Gaussiana.
  • Estimação de Hiperparâmetros: Os hiperparâmetros que governam os campos aleatórios (como o desvio padrão da má especificação do modelo) são calibrados maximizando a verossimilhança marginal dos dados (abordagem Empirical Bayes).

3. Contribuições Principais

1. Extensão do statFEM para Dinâmica: Desenvolvimento de uma formulação de filtragem Bayesiana sequencial específica para problemas de elastodinâmica transiente, superando a limitação de abordagens anteriores focadas em estática ou fluidos simples.
2. Estimação Conjunta de Estado e Material: A metodologia permite inferir simultaneamente o estado dinâmico do sistema (deslocamentos/velocidades) e o campo de propriedades materiais espaciais, tratando o material como uma variável latente aprendível.
3. Tratamento de Má Especificação: Incorporação explícita da discrepância modelo-realidade através de campos aleatórios de força, permitindo que o modelo se ajuste a erros de modelagem sem degradar a estimativa dos parâmetros físicos.
4. Eficiência Computacional: O uso de uma aproximação de perturbação de primeira ordem permite a aplicação do filtro em malhas de elementos finitos de dimensões moderadas a grandes, evitando métodos de amostragem (como Monte Carlo) que seriam proibitivamente caros.

4. Resultados e Validação

Os autores validaram a metodologia através de exemplos sintéticos em 1D e 2D:

• Exemplo 1D (Barra com Carga Harmônica):

  • Demonstrou-se que a estimação conjunta do campo de Young e do estado melhora significativamente a precisão da previsão de deslocamento em comparação com abordagens onde o material é mantido fixo.
  • A precisão da recuperação do campo material depende da correlação espacial: campos com maior comprimento de correlação são mais facilmente identificados a partir de medições esparsas.
  • A estimação do hiperparâmetro de má especificação ($\sigma_f$) convergiu para o valor verdadeiro, melhorando a qualidade da assimilação.

• Exemplo 2D (Elasticidade Anti-plana com Furo):

  • O framework foi capaz de recuperar com alta precisão o campo de deslocamento em regiões não observadas (interiores do domínio), propagando informações a partir de sensores esparsos.
  • A recuperação do campo de módulo de cisalhamento ($\mu$) mostrou que o método consegue inferir variações espaciais complexas a partir de um prior uniforme, alinhando-se bem com a distribuição verdadeira.
  • A comparação com o filtro sem atualização do material mostrou que ignorar a heterogeneidade do material leva a erros maiores na reconstrução da resposta dinâmica.

5. Significado e Conclusão

Este trabalho estabelece um marco importante na integração de dados e modelos físicos para dinâmica estrutural. A principal implicação é que tratar as propriedades materiais como campos aleatórios inferíveis, e não apenas como parâmetros fixos ou incertos, é crucial para a precisão da assimilação de dados em sistemas com heterogeneidade espacial.

A abordagem proposta permite:

• Diagnóstico de Estruturas: Melhorar a estimativa do estado real de estruturas operacionais sob condições de incerteza.
• Caracterização de Materiais: Recuperar propriedades materiais internas a partir de medições externas esparsas.
• Robustez: Lidar com discrepâncias de modelagem sem degradar a estimativa dos parâmetros físicos.

O artigo sugere futuras extensões para aproximações de ordem superior (como expansões de caos polinomial), esquemas de integração temporal mais estáveis e a aplicação a modelos constitutivos desconhecidos, consolidando o statFEM como uma ferramenta versátil para a engenharia baseada em dados.