Physics-informed, Generative Adversarial Design of Funicular Shells

Resumo Técnico: Design de Cascas Funiculares via Redes Adversárias Generativas Informadas pela Física

Definição do Problema
Estruturas de casca são altamente valorizadas na arquitetura e engenharia por sua eficiência estrutural e potencial estético. No entanto, o advento da impressão 3D de concreto (3DCP) criou um desafio de design específico: as estruturas de 3DCP não podem incorporar reforço de aço, exigindo designs que suportem primariamente compressão pura (cascas funiculares) para evitar tensões de tração. Embora o conceito de forma funicular seja bem estabelecido para arcos 2D (remontando à descoberta da catenária de Hooke em 1675), generalizar esse conceito para formas de cascas tridimensionais otimizadas permanece um tópico de pesquisa em aberto. As abordagens computacionais tradicionais, como a Análise de Rede de Empuxo (Thrust Network Analysis) ou métodos baseados em otimização utilizando o teorema do limite inferior, frequentemente dependem de simplificações específicas ou são suscetíveis à convergência para mínimos locais. Este trabalho aborda a necessidade de uma ferramenta generativa capaz de explorar geometrias de casca eficientes e de compressão pura, sem assumir simplificações comportamentais e evitando os problemas de mínimos locais inerentes à otimização baseada em gradiente.

Metodologia
Os autores propõem um framework generativo informado pela física baseado em uma Rede Adversária Generativa Convolucional Profunda (DCGAN) modificada, denominada AD-DCGAN. A metodologia integra três componentes principais:

1. Geração de Dados e Representação: Um banco de dados procedural de 6.058 geometrias de cascas funiculares foi criado usando o Blender, simulando a deformação de tecido sob peso próprio (inspirado no método de tecido pendurado de Isler). Essas geometrias foram convertidas em representações de nível de conjunto (level-set) 2.5D (mapas de altura em uma grade de 64×64) e processadas via Análise de Elementos Finitos (FEA) no Abaqus para extrair campos estruturais, incluindo distribuições de fator de membrana ($m_f$), deslocamentos, deformações e resultantes de tensão.
2. Modelo Substituto (PB-PUNet): Um Physics-based Parallel UNet (PB-PUNet) foi desenvolvido como um modelo substituto para prever o comportamento estrutural das geometrias de casca. Ele recebe como entrada a altura da casca, a carga vertical e uma máscara binária (para lidar com regiões vazias) e produz 13 campos de solução. Este modelo foi treinado com regularização informada pela física (minimizando o balanço da energia potencial total) e ajuste de hiperparâmetros (normalização Z-score, inicialização Kaiming, GroupNorm e dropout) para alcançar alta precisão preditiva.
3. Framework Generativo (AD-DCGAN): O gerador cria geometrias de casca e máscaras binárias a partir de um vetor latente. Para garantir a conformidade física e a estabilidade do treinamento, o framework utiliza:
   • Discriminador Auxiliar ($D_{aux}$): O PB-PUNet pré-treinado atua como um discriminador que avalia as cascas geradas com base em sua distribuição de fator de membrana, penalizando geometrias dominadas por flexão.
   • Discriminador de Máscara ($D_{mask}$): Um discriminador dedicado garante que o gerador represente corretamente regiões válidas e inválidas (ex: furos centrais).
   • Espaço Latente Guiado por PCA: Em vez de ruído puramente aleatório, a entrada do gerador é guiada pelos $k$ principais componentes do PCA dos dados reais, aumentados com ruído aleatório, para mitigar o colapso de modo (mode collapse).
   • Técnicas de Estabilização: A arquitetção incorpora correspondência de características (feature matching) e normalização espectral para abordar a instabilidade de treinamento e o colapso de modo.

Principais Contribuições

• Arquitetura GAN Informada pela Física: O artigo introduz uma nova AD-DCGAN onde um modelo substituto PINN (Physics-Informed Neural Network) serve como um discriminador auxiliar. Isso impõe consistência física (especificamente, um alto fator de membrana) diretamente dentro do processo generativo, em vez de depender apenas de otimização post-hoc.
• Lidando com Geometrias Complexas: A inclusão de um discriminador de máscara permite ao modelo gerar formas de casca complexas contendo áreas vazias (ex: furos centrais), uma capacidade frequentemente limitada em GANs baseadas em imagens padrão.
• Mitigação de Colapso de Modo: Ao combinar um espaço latente guiado por PCA com feature matching e normalização espectral, o framework gera com sucesso geometrias diversas sem colapsar para um único modo.
• Precisão do Modelo Substituto: O modelo substituto PB-PUNet alcança um Erro Quadrático Médio Raiz Relativo (RRMSE) total de até 2,2% no conjunto de teste, validando sua utilidade como um avaliador estrutural confiável.

Resultos

• Desempenho do Modelo Substituto: O modelo otimizado PB-PUNet demonstrou alta precisão preditiva, com o fator de membrana ($m_f$) apresentando um erro de 5,566% e erro total de 2,198% no conjunto de teste. O modelo captura efetivamente a distribuição espacial dos campos estruturais.
• Diversidade Generativa: A AD-DCGAN gerou com sucesso geometrias de cascas funiculares diversas e anteriormente inéditas. A análise do manifold latente usando Kernel PCA confirmou que as amostras geradas estão continuamente distribuídas no espaço de características, confirmando a ausência de colapso de modo.
• Conformidade Física: O discriminador auxiliar guiou com sucesso a geração para geometrias com altos fatores de membrana. Histogramas das amostras geradas mostraram uma distribuição enviesada para valores mais altos de $m_f$ em comparação aos dados de treinamento, indicando uma preferência por comportamento de membrana.
• Validação via FEA: Geometrias selecionadas foram validadas via FEA. Embora as superfícies geradas tenham requerido pós-processamento (interpolação de função de base radial) para remover ruídos para malha, as estruturas resultantes exibiram comportamentos globais consistentes com formas funiculares. No entanto, o artigo nota discrepâncias entre as previsões do PB-PUNet e os resultados de FEA para as amostras geradas, atribuindo isso à capacidade do gerador de criar geometrias inéditas que podem fazer o modelo substituto extrapolar além de sua distribuição de treinamento.

Significância e Alegações
O artigo afirma oferecer uma metodologia estável, impulsionada por IA, para o design generativo de estruturas de casca de compressão pura que não depende das simplificações frequentemente exigidas pelos métodos de otimização tradicionais. Ao integrar um modelo substituto informado pela física diretamente no loop de treinamento adversário, o framework garante que os designs gerados não sejam apenas geometricamente realistas, mas também estruturalmente eficientes (alto fator de membrana). Os autores posicionam este trabalho como um passo para superar o desafio de generalizar o conceito funicular para estruturas 3D, particularmente para aplicações em impressão 3D de concreto, onde o reforço de tração é impraticável. O estudo conclui que o modelo desenvolvido é capaz de produzir formas de casca fisicamente otimizadas e diversas, embora reconheça que refinamentos adicionais são necessários para lidar com a extrapolação de modelos substitutos ao gerar geometrias inteiramente novas.