Empirical Material Sampling and Linearisation -- A Simple and Efficient Strain-Space Model Order Reduction Approach for Computational Homogenisation in Large-Deformation Hyperelasticity

1. Formulação do Problema

O artigo aborda o alto custo computacional associado à homogeneização computacional (especificamente o método $FE^2$) para materiais hiperelásticos com microestruturas complexas.

• O Gargalo: Em simulações $FE^2$ padrão, um Volume Elementar Representativo (RVE) deve ser resolvido em cada ponto de integração da estrutura macroscópica. A resolução desses RVEs envolve a avaliação de leis de material não lineares em milhares de pontos de integração (pontos de Gauss) e a resolução iterativa de grandes sistemas não lineares (Newton-Raphson).
• Limitações Existentes: Embora técnicas de Redução de Ordem de Modelo (MOR) como a Decomposição Ortogonal Proper (POD) reduzam o número de incógnitas, a avaliação da lei de material nos pontos de integração permanece um custo dominante. Métodos de hiperredução existentes (por exemplo, Método de Cubatura Empírica - ECM, Cubatura de Cluster Corrigida Empiricamente - E3C) tentam reduzir o número de pontos de integração, mas ainda exigem múltiplas avaliações da lei de material exata dentro de cada iteração de Newton-Raphson, limitando a velocidade online.

2. Metodologia: Amostragem e Linearização Empírica de Material (EMSL)

Os autores propõem a EMSL, uma abordagem MOR no espaço de deformação que altera fundamentalmente a forma como o comportamento do material é aproximado.

Conceito Central

Diferentemente dos métodos tradicionais de hiperredução que integram aproximadamente uma lei de material exata, a EMSL integra exatamente uma aproximação do comportamento do material.

• Linearização por Cluster: O domínio do RVE é agrupado em clusters de comportamento de deformação similar (usando agrupamento $k$-means).
• Amostragem Empírica: Em vez de resolver para a deformação exata em cada ponto, a EMSL estima a deformação média esperada para cada cluster uma vez por incremento de carga, utilizando um modelo linear treinado em dados de instantâneos (mapeando a deformação macroscópica $\bar{F}$ para coeficientes reduzidos).
• Linearização: A lei de material é linearizada (expansão de Taylor) em torno dessa deformação de referência estimada para cada cluster.
  $$P(F) \approx P(F_c) + A(F_c)(F - F_c)$$
  Onde $F_c$ é a deformação de referência, $P$ é a tensão e $A$ é o tangente do material.
• Formulação Afim: Esta linearização transforma o problema em um sistema de equações afim (linear) para cada passo de carga. Consequentemente, nenhuma iteração de Newton-Raphson é necessária na fase online.

Fluxo de Trabalho

1. Fase Offline:
   • Gerar instantâneos de campos de deformação e tensão a partir de simulações de alta fidelidade.
   • Calcular modos POD para definir a base reduzida.
   • Agrupar pontos de Gauss e calcular volumes de cluster e vetores de base.
   • Treinar um modelo linear para prever deformações de referência de cluster a partir da deformação macroscópica.
   • Pré-calculá matrizes de projeção de alta dimensão (vetores de rigidez e carga) que dependem apenas da geometria do cluster e da base, não do estado atual.
2. Fase Online:
   • Para um dado passo de carga macroscópica, estimar a deformação de referência para cada cluster.
   • Consultar a lei de material uma vez por cluster para obter a tensão de referência e o tangente.
   • Montar o sistema linear usando matrizes pré-calculadas e a única consulta de referência.
   • Resolver o sistema linear diretamente (sem iterações) para obter os coeficientes reduzidos.
   • Homogeneizar a tensão e calcular o tangente algorítmico.

3. Contribuições Principais

• Estratégia Inovadora: Introdução da EMSL, que muda o paradigma de "integração aproximada de leis exatas" (E3C/ECM) para "integração exata de leis linearizadas".
• Eliminação de Iterações: Ao linearizar a resposta do material em torno de um ponto estimado empiricamente, o solver online torna-se uma solução linear direta, removendo a sobrecarga computacional das iterações de Newton-Raphson.
• Eficiência: O método reduz drasticamente o número de avaliações da lei de material. Ele consulta a rotina de material apenas uma vez por cluster por incremento de carga, em vez de múltiplas vezes por iteração de Newton.
• Robustez: A natureza afim do problema reduzido previne problemas de divergência frequentemente observados em solvers reduzidos não lineares ao usar reduções agressivas de parâmetros.

4. Resultados

Os autores compararam a EMSL com o ECM (Método de Cubatura Empírica) e o E3C (Cubatura de Cluster Corrigida Empiricamente) em um RVE hiperelástico poroso com 70 poros sobrepostos (31.092 graus de liberdade).

• Precisão vs. Pontos de Integração:
  • A EMSL alcançou erros significativamente menores que o ECM e o E3C para o mesmo número de pontos de integração/pontos de referência ($m$).
  • Para alcançar erro <2%:
    • O ECM exigiu $m=150$.
    • O E3C exigiu $m=20$.
    • A EMSL exigiu apenas $m=5$.
• Desempenho de Tempo de Execução:
  • A EMSL foi aproximadamente 60% mais rápida que o E3C e o ECM porque evita soluções iterativas.
  • Aceleração: A EMSL demonstrou uma aceleração de 2.000 vezes em ~0,5% de erro e uma aceleração de 100.000 vezes em ~2,0% de erro em comparação com o MEF completo.
  • No mesmo orçamento de tempo de execução onde o E3C produziu ~1,5% de erro, a EMSL alcançou ~0,5% de erro.
• Robustez:
  • O ECM e o E3C sofreram com divergência em muitas combinações de parâmetros (alta dimensão de base $d$, baixo número de pontos de integração $m$).
  • A EMSL manteve-se robusta em todas as 74 combinações de parâmetros testadas e 320 amostras de validação, sem divergência.
• Precisão Local: Comparações visuais dos campos de tensão de Von Mises mostraram que a EMSL captura com precisão pontos críticos de tensão, com erros locais geralmente abaixo de 5% em regiões críticas.

5. Significado e Perspectivas Futuras

• Impacto Prático: A EMSL torna as simulações $FE^2$ viáveis para problemas complexos de grande deformação com orçamentos computacionais extremamente baixos, potencialmente reduzindo os tempos de execução à ordem de avaliações simples de rotina de material.
• Não Intrusiva: Como outros métodos no espaço de deformação, a EMSL não requer acesso a rotinas de nível de elemento ou dados de resíduo; ela requer apenas dados de tensão/deformação de um solver de caixa preta.
• Limitações e Trabalho Futuro:
  • A implementação atual assume hiperelasticidade. A extensão para elastoplasticidade (dependente de história) exigirá esquemas iterativos de ponto fixo ou etapas preditora-corretora.
  • O tangente algorítmico negligencia a mudança na rigidez de referência, o que reduz ligeiramente as taxas de convergência em simulações $FE^2$ acopladas. Trabalhos futuros explorarão buscas de linha ou cálculo exato do tangente para mitigar isso.
  • O tratamento de condições de contorno de Dirichlet (baseadas em deslocamento) em uma estrutura no espaço de deformação permanece um desafio para aplicações mais amplas.

Em conclusão, a EMSL representa um avanço significativo na homogeneização computacional, oferecendo um compromisso superior entre precisão e tempo de execução ao aproveitar a estimativa empírica e a linearização para contornar os gargalos iterativos da hiperredução tradicional.