Comparative Study of Bending Analysis using Physics-Informed Neural Networks and Numerical Dynamic Deflection in Perforated nanobeam

O essencial

Imagine uma pequena prancha de mergulho microscópica feita de nanomateriais. Esta não é apenas qualquer prancha de mergulho; é uma "viga nanométrica perfurada", o que significa que possui uma grade de pequenos furos quadrados perfurados através dela, como um pedaço de queijo suíço ou uma cortina de renda. Engenheiros utilizam essas estruturas porque os furos tornam a estrutura mais leve, mas também alteram sua rigidez e resistência.

Este artigo é um estudo sobre como essa pequena prancha cheia de furos se curva quando você a empurra para baixo. Os pesquisadores quiseram comparar duas maneiras diferentes pelas quais a prancha se curva:

1. Flexão Estática: Imagine pressionar lenta e suavemente a prancha com o dedo até que ela pare de se mover. Este é o estado "estático".
2. Deflexão Dinâmica: Imagine a prancha vibrando ou saltando para cima e para baixo rapidamente, como uma corda de guitarra sendo dedilhada. Este é o estado "dinâmico".

O Problema: Como Prever a Curvatura?

Normalmente, descobrir exatamente quanto uma estrutura se curva requer matemática complexa e simulações computacionais pesadas. Os pesquisadores quiseram encontrar uma maneira mais rápida e inteligente de fazer isso usando um novo tipo de "cérebro" computacional chamado Rede Neural Informada pela Física (PINN).

Pense em uma rede neural padrão como um aluno que tenta aprender memorizando milhares de exemplos. Se você fizer uma pergunta que ele nunca viu antes, ele pode adivinhar errado.
O método usado neste artigo (chamado FL-TFC com Mapeamento de Domínio) é como um aluno que recebe as regras da física (as leis da flexão) como uma tarefa de casa rigorosa. O computador não está apenas adivinhando; ele é forçado a seguir as leis da natureza perfeitamente. Ele usa um truque matemático inteligente para garantir que a resposta sempre se ajuste aos limites (como as extremidades da viga permanecendo fixas) sem precisar de uma arquitetura computacional massiva e complicada.

A Grande Descoberta: A "Razão Mágica"

A descoberta mais emocionante deste artigo é uma relação simples que eles encontraram entre a "pressão lenta" (estática) e a "vibração rápida" (dinâmica).

Imagine que você tem um elástico. Se você o esticar lentamente, ele se estica até certo ponto. Se você o estourar rapidamente, ele vibra. Os pesquisadores descobriram que, para este tipo específico de viga nanométrica perfurada, a quantidade pela qual ela vibra é sempre um múltiplo fixo da quantidade pela qual ela se curva quando pressionada lentamente.

• A Analogia: Pense nisso como uma receita. Se você sabe quanto de farinha precisa para um bolo pequeno (estático), não precisa assar uma nova fornada inteira para saber quanto precisa para um bolo grande (dinâmico). Você apenas multiplica a pequena quantidade por um "número mágico" (a razão).
• O Resultado: Não importa onde você olhe ao longo da viga, se você conhece a curvatura estática, pode calcular instantaneamente a vibração dinâmica multiplicando por uma constante específica. Essa constante muda apenas se você alterar o projeto (como o tamanho dos furos ou o número de furos), mas uma vez que o projeto está definido, a razão fica travada.

O Que Altera a Curvatura?

O estudo também analisou como alterar o projeto afeta a prancha:

1. A "Taxa de Preenchimento" (Quantos furos?):

   • Se você tiver menos furos (mais material sólido), a prancha é mais rígida. Ela se curva menos.
   • Se você tiver mais furos (menos material), a prancha é mais flexível. Ela se curva mais.
   • Analogia: Uma tábua de madeira maciça é difícil de curvar. Uma tábua com a maior parte de sua madeira esculpida para fora é muito fácil de curvar.

2. O "Número de Furos" (N):

   • Mais furos significam menos material, o que significa menos rigidez. A prancha se curva mais tanto em condições lentas quanto rápidas.

3. O "Parâmetro Não Local" (Uma propriedade oculta do material):

   • Isso é um pouco como a "memória" do material. Na escala nanométrica, os átomos "conversam" entre si em curtas distâncias.
   • Revolta Surpreendente: Quando esse efeito de "memória" fica mais forte, a prancha na verdade se curva mais quando pressionada lentamente (estática), mas se curva menos quando vibra (dinâmica). É como se o material ficasse "mais macio" para empurrões lentos, mas "mais rígido" para abalos rápidos.

Por Que Isso Importa?

Os pesquisadores não resolveram apenas um problema matemático; eles encontraram um atalho. Como a relação entre a curvatura lenta e a vibração rápida é uma razão constante, os engenheiros não precisam executar duas simulações computacionais separadas e caras. Eles podem calcular a curvatura estática usando seu novo método rápido e, em seguida, saber instantaneamente qual será a vibração dinâmica apenas multiplicando por essa "razão mágica".

Em resumo, eles construíram uma calculadora mais inteligente e rápida para vigas minúsculas e cheias de furos e descobriram que a maneira como elas se contorcem está direta e simplesmente ligada à maneira como elas afundam.

Resumo técnico

1. Declaração do Problema

O estudo aborda o comportamento mecânico de nanovigas perfuradas submetidas a carregamento senoidal. Vigas perfuradas (vigas com furos regularmente espaçados) são críticas em aplicações de engenharia em micro e nanoescala devido à sua capacidade de reduzir o peso mantendo a integridade estrutural. No entanto, a presença de perfurações altera a rigidez, a distribuição de massa e a inércia rotacional da estrutura.

Os objetivos primários desta pesquisa são:

• Analisar a deflexão de flexão estática e a deflexão dinâmica de nanovigas perfuradas simplesmente apoiadas (S-S).
• Investigar a relação entre esses dois tipos de deflexão sob parâmetros variáveis: taxa de preenchimento ($\alpha$), número de fileiras de furos ($N$) e o parâmetro não local ($\bar{\alpha}$) (que accounta para efeitos de tamanho via teoria não local de Eringen).
• Propor um método computacionalmente eficiente para resolver as equações diferenciais governantes (EDs) que evita a complexidade de redes neurais profundas enquanto satisfaz estritamente as condições de contorno.

2. Metodologia

Os autores empregam uma abordagem híbrida, utilizando dois métodos numéricos distintos para análise estática e dinâmica, unificados sob um quadro teórico específico.

A. Equações Governantes

• Caso Estático: Baseado na teoria da viga de Euler-Bernoulli e na teoria da elasticidade não local de Eringen. A equação diferencial de quarta ordem governante incorpora a rigidez à flexão efetiva $[EI]_{eq}$ e a massa efetiva $[\rho A]_{eq}$ modificadas para perfurações.
• Caso Dinâmico: Uma equação diferencial de ordem superior descrevendo o comportamento dinâmico, resolvida para obter o parâmetro de frequência ($\lambda$) e o primeiro modo de forma.

B. Técnicas de Solução

1. Deflexão Estática: FL-TFC com Mapeamento de Domínio

   • Quadro: Os autores utilizam a Teoria de Conexões Funcionais (TFC) combinada com uma Rede Neural de Link Funcional (FLNN).
   • Incorporação de Restrições: Em vez de penalizar condições de contorno em uma função de perda (como em PINNs padrão), a TFC constrói uma Expressão Constrained (CE). Esta expressão garante matematicamente que a solução satisfaça todas as Condições Iniciais e de Contorno (ICs/BCs) exatamente, independentemente da função livre escolhida.
   • Mapeamento de Domínio: O domínio físico $[0, 1]$ é mapeado para o intervalo padrão dos polinômios de Chebyshev $[-1, 1]$. As características de entrada são expandidas usando polinômios de Chebyshev de 14ª ordem para capturar não linearidades de forma eficaz.
   • Otimização: A função livre na CE é aproximada por uma FLNN. A rede é treinada minimizando o resíduo quadrático médio da ED governante usando o otimizador L-BFGS. Esta abordagem elimina a necessidade de arquiteturas de rede profundas e complexas.

2. Deflexão Dinâmica: Método de Galerkin

   • A equação governante dinâmica é resolvida usando o clássico método de Galerkin para determinar o parâmetro de frequência e o perfil de deflexão dinâmica correspondente.

3. Contribuições Principais

• Novo Quadro Híbrido: O artigo introduz um Quadro Constrained Funcional Informado por Física com Mapeamento de Domínio (DFL-TFC). Este método é destacado como mais eficiente computacionalmente do que PINNs profundas padrão, pois utiliza uma FLNN rasa e incorpora restrições analiticamente em vez de numericamente.
• Descoberta de uma Razão Constante: A descoberta mais significativa é o estabelecimento de uma relação proporcional constante entre deflexões estáticas e dinâmicas. Para valores fixos de $\alpha$, $N$ e $\bar{\alpha}$, a razão da deflexão dinâmica para a deflexão estática ($\frac{W_{dinâmica}}{W_{estática}}$) permanece constante em todo o domínio da viga ($X \in (0, 1)$).
• Análise Paramétrica: O estudo fornece uma análise abrangente de como parâmetros geométricos e não locais influenciam o comportamento da nanoviga, oferecendo constantes numéricas específicas para várias configurações.

4. Resultados e Descobertas Principais

A. Validação

• O método FL-TFC alcançou uma perda de resíduo quadrático médio de $10^{-11}$, demonstrando alta precisão e convergência rápida para problemas estáticos.
• O método de Galerkin para deflexão dinâmica convergiu para $n \geq 10$ (onde $n$ é o número de termos na expansão), com $n=14$ selecionado para análise final.

B. Influências Paramétricas

1. Taxa de Preenchimento ($\alpha$):
   • À medida que $\alpha$ aumenta (significando mais material sólido, menos furos), a rigidez efetiva aumenta.
   • Resultado: Tanto as deflexões estáticas quanto dinâmicas diminuem.
2. Número de Furos ($N$):
   • À medida que $N$ aumenta, mais material é removido, reduzindo a rigidez estrutural.
   • Resultado: Tanto as deflexões estáticas quanto dinâmicas aumentam.
3. Parâmetro Não Local ($\bar{\alpha}$):
   • Caso Estático: Um aumento em $\bar{\alpha}$ leva a uma diminuição na rigidez efetiva, causando aumento da deflexão estática.
   • Caso Dinâmico: Por outro lado, um aumento em $\bar{\alpha}$ leva a uma diminuição da deflexão dinâmica.

C. O Fenômeno da Razão Constante

O estudo confirma que, para qualquer conjunto fixo de parâmetros ($\alpha, N, \bar{\alpha}$), os perfis de deflexão dos casos estático e dinâmico são geometricamente semelhantes (forma idêntica), diferindo apenas por um fator de escala.

• Exemplo: Para $\alpha=0.3, N=1$, a razão é constante em 90.6711.
• Exemplo: Para $\alpha=0.5, N=2$, a razão é constante em 78.1092.
  Isso implica que, uma vez conhecida a deflexão estática, a deflexão dinâmica pode ser prevista simplesmente multiplicando por esta razão constante, e vice-versa.

5. Significado

• Eficiência Computacional: O método FL-TFC proposto oferece uma alternativa robusta às PINNs baseadas em aprendizado profundo. Alcança alta precisão com arquiteturas de rede mais simples e satisfação estrita das condições de contorno, reduzindo o tempo e a complexidade de treinamento.
• Capacidade Preditiva: A descoberta da razão constante entre respostas estáticas e dinâmicas simplifica o projeto e a análise de nanovigas perfuradas. Engenheiros podem derivar características dinâmicas de análises estáticas (ou vice-versa) sem resolver equações dinâmicas complexas para cada nova configuração.
• Otimização de Projeto: As tabelas paramétricas detalhadas e descobertas fornecem uma referência para otimizar projetos de nanovigas em aeroespacial, civil e sistemas microeletromecânicos (MEMS), onde a redução de peso (via perfuração) e efeitos de tamanho (não localidade) são críticos.

Em conclusão, o artigo conecta com sucesso a lacuna entre técnicas avançadas de aprendizado de máquina (TFC/FLNN) e mecânica estrutural clássica, fornecendo uma nova ferramenta eficiente para analisar o comportamento de flexão de estruturas complexas em nanoescala.