A Neural-Network Framework to Learn History-Dependent Constitutive Laws and Identifiability of Internal Variables

Este artigo apresenta uma estrutura de rede neural causal e energética para aprender leis constitutivas dependentes da história que garante consistência termodinâmica, estabilidade e existência de solução, ao mesmo tempo que demonstra que as variáveis internas aprendidas são únicas até uma transformação linear, alcançando um erro relativo de 2% na previsão da resposta de uma célula unitária de magnésio policristalino.

O essencial

A Grande Imagem: Ensinar um Computador a "Sentir" Materiais

Imagine que você está tentando prever como um pedaço de metal vai dobrar, esticar ou esmagar quando você empurrá-lo. Na engenharia, geralmente usamos fórmulas matemáticas (chamadas leis constitutivas) para descrever esse comportamento.

No entanto, os metais são complicados. Eles não reagem apenas ao empurrão que você está dando agora; eles lembram de cada empurrão e puxão que já experimentaram. Isso é chamado de dependência da história. Se você esticar um pedaço de metal, soltá-lo e esticá-lo novamente, ele se comportará de maneira diferente na segunda vez por causa de sua "memória".

Tradicionalmente, os cientistas têm que adivinhar as fórmulas matemáticas corretas para descrever essa memória. Mas para materiais complexos (como o metal magnésio neste estudo), adivinhar a fórmula correta é incrivelmente difícil.

A Solução: Os autores construíram um tipo especial de Inteligência Artificial (IA) — especificamente uma Rede Neural — que pode aprender essas regras complexas de "memória" diretamente dos dados, sem precisar que um humano adivinhe a fórmula primeiro.

O Problema: A IA Pode Ser "Não Física"

Se você deixar uma IA padrão aprender apenas com dados, ela pode ficar muito boa em prever o passado, mas poderia inventar física maluca para o futuro. Por exemplo, ela poderia prever que, se você esmagar um bloco de metal com força suficiente, ele desaparece em um único ponto sem qualquer resistência. No mundo real, isso é impossível; a matéria resiste a ser esmagada até o nada.

A IA padrão também não entende naturalmente a Segunda Lei da Termodinâmica (que basicamente diz que a energia é perdida como calor quando as coisas esfregam umas nas outras) ou estabilidade (o material não deve explodir repentinamente ou se comportar de forma errática).

A Solução: O Framework de IA "Física-Primeiro"

Os autores criaram um novo framework que força a IA a obedecer às leis da física por design, não apenas por sorte. Pense nisso como construir um motor de carro onde os pistões estão fisicamente travados nas rodas; o carro não pode dirigir para trás se as rodas estiverem movendo para frente.

Veja como eles fizeram isso:

1. As "Variáveis Internas" (A Memória Oculta):
   Como a IA não pode ver as mudanças microscópicas dentro do metal (como pequenos defeitos se movendo), os autores introduziram "slots de memória" invisíveis chamados variáveis internas.

   • Analogia: Imagine uma esponja. Quando você a espreme, a água se move dentro dela. Você não pode ver a água se movendo, mas a forma da esponja muda por causa disso. As "variáveis internas" são a maneira da IA de rastrear onde essa "água" (as mudanças microscópicas) está, mesmo que esteja escondida.
   • A Descoberta: O artigo prova que, embora a IA possa inventar diferentes "slots de memória" dependendo de como ela começa a aprender, esses slots são sempre apenas uma transformação linear uns dos outros.
   • Tradução simples: Se uma IA decide chamar sua memória de "Slot A" e outra a chama de "Slot B", elas estão na verdade descrevendo exatamente a mesma coisa, apenas usando um sistema de coordenadas diferente (como medir distância em polegadas versus centímetros). Elas são matematicamente equivalentes.

2. Os "Potenciais de Energia" (As Regras do Jogo):
   A IA aprende duas coisas principais:

   • Energia Armazenada: Quanto de energia é guardada quando você estica o material (como uma mola).
   • Dissipação: Quanto de energia é perdida como calor (como atrito).
     Os autores construíram a IA para que ela devesse seguir a regra de que a perda de energia é sempre positiva (você não pode obter energia de volta de graça) e que o material fica infinitamente difícil de comprimir à medida que fica menor (não pode ser esmagado até um ponto).

3. As "Funções de Crescimento" (A Rede de Segurança):
   Para garantir que a IA não preveja cenários impossíveis (como compressão infinita), eles adicionaram "guarda-corpos" matemáticos especiais.

   • Analogia: Imagine um personagem de videogame que pode correr rápido, mas se tentar caminhar para fora da borda do mapa, um muro invisível gigante o empurra de volta. Esses guarda-corpos garantem que, se você tentar esticar ou esmagar o material além dos dados que a IA viu, ele ainda se comporte realisticamente (ficando cada vez mais difícil de deformar) em vez de quebrar as leis da física.

O Experimento: Magnésio Policristalino

A equipe testou esse framework no magnésio, um metal usado em carros e aviões. O magnésio é feito de muitos cristais minúsculos (grãos) grudados juntos, tornando seu comportamento muito complexo.

• A Configuração: Eles geraram dados simulando o comportamento microscópico de um pequeno cubo desse magnésio.
• O Treinamento: Eles alimentaram esses dados na IA "consciente da física".
• O Resultado: A IA aprendeu a prever como todo o bloco de magnésio se comportaria com apenas 2% de erro. Isso é incrivelmente preciso.
• A Velocidade: Como a IA é um programa de computador rápido, ela pode prever esse comportamento muito mais rápido do que as simulações microscópicas lentas e complexas nas quais foi treinada.

Principais Conclusões

• Precisão: A IA aprendeu a complexa "memória" do metal com 2% de erro.
• Conformidade Física: A IA respeita as leis da termodinâmica e a estabilidade do material. Ela não preverá que um metal pode ser esmagado em um ponto.
• Memória Única: Embora a IA crie variáveis "ocultas" para rastrear a memória, o artigo prova que essas variáveis são únicas até uma simples mudança matemática (como trocar unidades). Isso significa que a IA não está apenas alucinando números aleatórios; ela está encontrando uma estrutura real e consistente.
• Objetividade: O modelo funciona corretamente mesmo se você olhar para o material de um ângulo diferente (rotação), o que é um requisito crucial para a engenharia do mundo real.

Resumo

Os autores construíram uma IA inteligente e conhecedora da física que pode aprender como metais complexos se comportam ao longo do tempo. É como ensinar a um aluno não apenas as respostas aos problemas de matemática, mas as regras fundamentais da aritmética para que ele possa resolver qualquer problema corretamente, mesmo aqueles que nunca viu antes. O resultado é um modelo rápido, preciso e fisicamente realista para prever como materiais como o magnésio reagirão sob tensão.

Resumo técnico

Resumo Técnico: Uma Estrutura de Rede Neural para Aprender Leis Constitutivas Dependentes da História e Identificabilidade de Variáveis Internas

Declaração do Problema
A identificação de leis constitutivas é crítica para modelar o comportamento de materiais, particularmente ao preencher a lacuna entre a física microscópica e as aplicações de engenharia macroscópica. Abordagens tradicionais frequentemente dependem do ajuste de dados experimentais a modelos matemáticos ou do uso de modelos substitutos para reduzir o custo computacional de simulações multiescala (por exemplo, FE2). No entanto, modelos orientados a dados padrão, particularmente aqueles baseados em redes neurais recorrentes (RNNs) que mapeiam diretamente a história de deformação para a tensão, frequentemente carecem de adesão rigorosa a princípios físicos fundamentais. Especificamente, eles podem falhar em satisfazer:

1. A segunda lei da termodinâmica (dissipação).
2. Estabilidade do material sob deformações extremas.
3. As condições matemáticas (como a policonvexidade) necessárias para garantir a existência de soluções para as equações de balanço de momento não lineares governantes.

Além disso, em materiais inelásticos, variáveis internas são frequentemente postuladas a priori ou aprendidas a partir de dados sem uma caracterização teórica clara de sua unicidade. Em configurações orientadas a dados, não está claro se as variáveis internas aprendidas são únicas ou meramente representações diferentes do mesmo estado físico.

Metodologia
Os autores propõem uma estrutura de rede neural (RN) causal e energética baseada na teoria de variáveis internas para aprender leis constitutivas dependentes da história. A abordagem reformula a relação tensão-deformação não markoviana em um sistema markoviano introduzindo um conjunto de variáveis internas $\xi(t)$.

• Formulação Energética: A tensão $P$ e a evolução das variáveis internas são derivadas de um potencial de densidade de energia $W(F, \xi)$ e de um potencial de dissipação $\bar{D}(\dot{\xi})$. A estrutura impõe a segunda lei da termodinâmica garantindo que $\bar{D}$ seja convexa com um mínimo em zero.
• Dinâmicas Explícitas via Transformada de Legendre: Para evitar resolver equações diferenciais ordinárias (EDOs) implícitas durante o treinamento, os autores utilizam a transformada de Legendre do potencial de dissipação. Isso converte a equação de evolução implícita em uma forma explícita, permitindo que a rede aprenda o potencial de dissipação dual $D$ diretamente.
• Arquitetura de Rede Neural:
  • Redes Neurais com Convexidade de Entrada (ICNNs): Os potenciais $W$ e $D$ são parametrizados usando arquiteturas ICNN rasas. Os pesos na camada final são restringidos a serem positivos para garantir a convexidade dos potenciais, o que é necessário para a consistência termodinâmica e a existência de soluções.
  • Policonvexidade e Objetividade: O potencial de energia $W$ é decomposto em componentes hidrostáticos e deviatóricos. A parte hidrostática é modelada para garantir policonvexidade (uma condição para teoremas de existência em elasticidade não linear). Para satisfazer a objetividade (indiferença de quadro), o modelo é treinado em gradientes de deformação simétricos (espaço do tensor de Cauchy-Green Direito) e estendido a gradientes não simétricos via decomposição polar, em vez de depender de restrições suaves na função de perda.
  • Estabilidade do Material: Para prevenir comportamento não físico sob deformações extremas (por exemplo, comprimir um material até um ponto com energia finita), funções de crescimento específicas ($G_1, G_2$) são adicionadas aos potenciais. Essas funções permanecem quase constantes dentro do suporte dos dados, mas impõem crescimento polinomial fora dele, garantindo que a tensão diverga adequadamente conforme o determinante do gradiente de deformação se aproxima de zero ou a deformação se torna grande.
• Estratégia de Treinamento: A estrutura é treinada em dados gerados a partir de um modelo de plasticidade cristalina em microescala de uma célula unitária de magnésio policristalino. O treinamento envolve a minimização do erro entre os componentes de tensão previstos e reais, com termos de perda separados para as partes hidrostática e deviatórica para lidar com a disparidade em suas magnitudes.

Contribuições Principais

1. Estrutura Fisicamente Consistente: Os autores introduzem uma estrutura de RN que impõe simultaneamente a segunda lei da termodinâmica, estabilidade do material, objetividade e policonvexidade. Diferentemente de trabalhos anteriores que impõem essas restrições parcialmente ou via penalidades suaves, esta estrutura as integra na arquitetura e na definição de energia.
2. Extensão Objetiva Policonvexa: O artigo apresenta um método para alcançar tanto policonvexidade quanto objetividade treinando em tensores simétricos e estendendo a definição via decomposição polar, evitando a baixa precisão preditiva associada a modelos baseados em invariantes ou termos de perda com restrições suaves.
3. Identificabilidade de Variáveis Internas: O trabalho fornece uma prova teórica de que variáveis internas aprendidas a partir de dados são únicas até uma transformação linear. Isso aborda a questão da não unicidade frequentemente relatada na modelagem constitutiva orientada a dados, caracterizando a classe de equivalência de modelos substitutos.
4. Modelagem Substituta de Alta Fidelidade: A estrutura é implantada com sucesso para aprender a resposta média de Taylor de uma microestrutura de magnésio policristalino, alcançando alta precisão sem comprometer a consistência física.

Resultados

• Precisão de Previsão: A rede neural policonvexa treinada alcança um erro relativo de 2% na previsão da resposta de tensão média de Taylor do policristal de magnésio. O uso da decomposição de energia (hidrostática vs. deviatórica) foi encontrado como crucial, reduzindo o erro de 15% (sem decomposição) para 2%.
• Dimensionalidade das Variáveis Internas: A análise empírica indica que seis variáveis internas são ótimas para este problema específico de homogeneização, equilibrando precisão e custo computacional.
• Estabilidade do Material: Visualizações confirmam que as funções de crescimento impõem com sucesso limites físicos. Sem essas funções, o modelo prevê tensão finita em volume zero (det $F=0$), o que é fisicamente instável. Com as funções, a tensão aproxima-se corretamente de menos infinito à medida que o material é comprimido.
• Verificação de Identificabilidade: Os autores treinaram dois modelos de RN independentes com inicializações diferentes no mesmo conjunto de dados. As trajetórias de variáveis internas resultantes foram encontradas como transformações lineares uma da outra, com um erro de ajuste linear mediano de aproximadamente 3%, validando empiricamente a afirmação de unicidade teórica.

Significado e Escopo
O artigo afirma que esta estrutura oferece uma abordagem robusta, interpretável e matematicamente sólida para aprender leis constitutivas para materiais dependentes da história. Ao garantir consistência com a termodinâmica e a teoria de existência, os modelos resultantes são adequados para uso como substitutos em solucionadores de elementos finitos multiescala (por exemplo, Abaqus), potencialmente substituindo cálculos FE2 caros. Os autores observam que, embora o método tenha sido demonstrado em magnésio viscoelástico/viscoplástico, a estrutura é geral o suficiente para capturar qualquer resposta dependente da história. O trabalho conclui identificando direções futuras, como aprender potenciais heterogêneos dependentes da microestrutura e respostas espacialmente não locais, mas não propõe validações experimentais específicas além do estudo de caso de homogeneização numérica apresentado.