Critical evaluation of PINN for FWD inverse analysis and differentiable FEM as an alternative

Resumo Técnico: Avaliação Crítica de PINN para Análise Inversa de FWD e o Método FEM Diferenciável como uma Alternativa

Definição do Problema
O Falling Weight Defletometer (FWD) é um dispositivo padrão para avaliação estrutural não destrutiva de sistemas de pavimentação. O problema inverso central envolve o cálculo reverso dos módulos elásticos das camadas ($E$) a partir de deflexões de superfície medidas. Métodos tradicionais baseados em gradiente (ex: EVERCALC) dependem de aproximações de diferença finita (FD) para computar gradientes. Essas abordagens sofrem de baixa escalabilidade, exigindo $N+1$ simulações de ida por iteração para $N$ módulos desconhecidos, além de introduzirem erros de truncamento sensíveis aos tamanhos de passo de perturbação.

Embora a Diferenciação Automática (AD) ofereça uma alternativa principiada para o cálculo exato de gradientes, sua aplicação ao cálculo reverso de FWD permanece amplamente inexplorada. Especificamente, a aplicabilidade de Redes Neurais Informadas pela Física (PINNs) — que incorporam equações governantes como restrições suaves em uma função de perda — a sistemas de pavimentação multicamadas permanece incerta. Sistemas de pavimentação apresentam descontinuidades nítidas de módulo nas interfaces das camadas, o que impõe desafios para as PINNs padrão devido ao "viés espectral" (a tendência de aprender componentes de baixa frequência sobre transições abruptas). Este estudo avalia criticamente se as abordagens baseadas em PINN podem resolver confiavelmente este problema inverso e investiga o Método de Elementos Finitos Diferenciável (DiffFEM) como uma alternativa nativa da física.

Metodologia
O estudo emprega um benchmark sintético baseado em um sistema de pavimentação axissimétrico de três camadas (Superfície, Base, Subleito) sob carregamento quase estático. O problema inverso é formulado como a minimização do erro quadrático médio entre os deslocamentos previstos e observados. Três abordagens são comparadas:

1. Vanilla PINN: Uma única rede neural totalmente conectada prevê o campo de deslocamento em todo o domínio. As equações governantes (equilíbrio nodal) e condições de contorno são impostas via termos de penalidade suave na função de perda.
2. Extended PINN (XPINN): Para abordar o problema da descontinuidade, o domínio é decomposto. Cada camada de pavimentação recebe uma sub-rede dedicada. A continuidade do deslocamento nas interfaces é imposta como uma restrição suave (termo de perda), enquanto o equilíbrio é imposto via uma perda de resíduo físico.
3. Differentiable FEM (DiffFEM): O solver de ida padrão do Método de Elementos Finitos (FEM) é incorporado em um framework de AD (PyTorch). A matriz de rigidez global é construída como uma combinação linear de matrizes específicas de cada camada. O sistema linear é resolvido com precisão de máquina em cada iteração, impondo as equações governantes como restrições "rígidas" (hard constraints). Os gradientes da perda em relação aos módulos são computados via uma única passagem reversa de AD (backward pass).

Todos os métodos utilizam o otimizador L-BFGS. O estudo avalia sistematicamente o desempenho sob condições sem ruído e níveis variados de ruído de medição ($\sigma_n \in \{0, 1, 2, 3, 4, 5\} \mu m$), analisando também a sensibilidade a hiperparâmetros (pesos de perda, arquitetura de rede) e custo computacional.

Principais Contribuições

• Avaliação Crítica de PINNs para FWD: O estudo demonstra que as PINNs padrão falham em recuperar os módulos das camadas em sistemas multicamadas devido ao viés espectral e descontinuidades de material abruptas.
• Análise de Sensibilidade de Hiperparâmetros: Revela que mesmo a formulação melhorada XPINN é altamente sensível ao ajuste de pesos de perda e à arquitetura da rede. Alcançar uma precisão razoável requer um ajuste extensivo e específico para o problema, e o desempenho degrada-se significativamente sob ruído de medição.
• DiffFEM como uma Alternativa Superior: O artigo estabelece o DiffFEM como uma alternativa robusta que impõe a física como restrições rígidas. Demonstra que o DiffFEM atinge precisão de máquina em cenários sem ruído e mantém a estabilidade sob ruído, superando o XPINN em precisão, robustez e eficiência computacional.
• Framework Comparativo: O estudo fornece uma comparação estrutural destacando que o DiffFEM otimiza apenas parâmetros físicos, enquanto as PINNs devem otimizar conjuntamente os parâmetros físicos e dezenas de milhares de pesos da rede, complicando o panorama de perda (loss landscape).

Resultos

• Desempenho Sem Ruído:
  • DiffFEM: Convergiu em ~40 iterações (aprox. 60 segundos) com erros relativos nos módulos na ordem de $10^{-9}$ a $10^{-10}$.
  • XPINN: Requereu ~400.000 iterações (aprox. 10 horas) e estagnou com erros relativos de -1,1% a -6,9%. O resíduo físico estagnou, indicando que as equações governantes não foram estritamente satisfeitas.
  • Vanilla PINN: Falhou completamente, convergindo para valores de módulo arbitrários independentemente dos níveis de ruído.
• Desempenho Com Ruído ($\sigma_n = 1 \mu m$ e $5 \mu m$):
  • DiffFEM: Mostrou uma degradação graciosa. Com $\sigma_n = 5 \mu m$, os erros permaneceram limitados (máximo de 14% para a superfície, 0,11% para o subleito).
  • XPINN: Exibiu falha catastrófica. Com $\sigma_n = 1 \mu m$, convergiu para módulos incorretos (ex: o módulo do subleito colapsou para zero), apesar da baixa perda de dados, indicando que a rede encontrou uma solução que ajustava aos dados ruidosos, mas violava o equilíbrio global. Com $\sigma_n = 5 \mu m$, os erros excederam 390% para a camada de base.
• Eficiência Computacional: O DiffFEM foi mais de duas ordens de magnitude mais rápido que o XPINN (60s vs. 10h) em hardware idêntico, apesar do uso de memória semelhante.

Significância e Alegações
O artigo conclui que, para o cálculo reverso de FWD em sistemas elásticos em camadas, o DiffFEM é uma escolha mais confiável e eficiente do que as abordagens baseadas em PINN.

Os autores argumentam que a superioridade do DiffFEM advém da imposição das equações governantes como restrições rígidas através do solver FEM, em vez de como penalidades suaves em uma função de perda. Isso permite que o DiffFEM foque a otimização exclusivamente nos parâmetros físicos, evitando os complexos panoramas de perda e a sensibilidade a hiperparâmetros inerentes às PINNs.

O estudo sugere uma diretriz prática: quando um solver de ida está bem estabelecido, numericamente estável e é passível de diferenciação (como é o caso de sistemas elásticos em camadas lineares), formulações de AD nativas da física (DiffFEM) devem ser preferidas. As PINNs permanecem uma opção viável apenas quando solvers de ida diferenciáveis não estão disponíveis, são difíceis de implementar ou quando o problema envolve componentes não diferenciáveis (ex: algoritmos de contato complexos, passos de tempo adaptativos em problemas dinâmicos) onde formulações sem malha (mesh-free) possam oferecer vantagens. Os autores alertam contra a aplicação acrítica de PINNs a problemas inversos onde existem solvers diferenciáveis eficientes.