Resumo Técnico: Estrutura Híbrida de Elementos Finitos e Operador Neural com Schwarz Não Sobreposto

Definição do Problema

Os métodos de Elementos Finitos (FE) permanecem como o padrão de referência para simulações de mecânica dos sólidos, mas enfrentam custos computacionais proibitivos em problemas caracterizados por não linearidades localizadas, características de escala fina ou evolução dinâmica de longo prazo. Os Operadores Neurais (NOs) oferecem alternativas eficientes para aproximar operadores de solução de EDPs, mas os NOs independentes têm dificuldade com domínios computacionais grandes contendo não linearidades localizadas e frequentemente exigem dados de treinamento de alta fidelidade. Abordagens híbridas anteriores, como o trabalho anterior dos autores [1], acoplaram resolvedores FE com redes de Deep Operator Networks informadas pela física (PI-DeepONets) usando um método alternado de Schwarz sobreposto com troca de interface Dirichlet-Dirichlet. No entanto, essa estrutura anterior sofria de duas limitações críticas:

1. Redundância Computacional: A formulação sobreposta exigia computações de interface redundantes, aumentando o número de iterações de Schwarz internas necessárias para a convergência.
2. Rigidez Geométrica: O uso de redes de ramo convolucionais restringia o subdomínio do NO a grades estruturadas e regulares, impedindo simulações em geometrias irregulares ou não convexas.

Metodologia

Este trabalho propõe uma Estrutura Híbrida FE-NO de Schwarz Não Sobreposto que aborda as limitações mencionadas através de três avanços metodológicos primários:

1. Acoplamento Neumann-Dirichlet Não Sobreposto

A estrutura substitui o esquema sobreposto Dirichlet-Dirichlet por um método alternado de Schwarz não sobreposto.

• Particionamento do Domínio: O domínio computacional $\Omega$ é dividido em duas regiões não sobrepostas: $\Omega_{FEM}$ (regida por um resolvedor FE convencional) e $\Omega_{NO}$ (regida por um PI-DeepONet).
• Troca de Interface: Em vez de trocar deslocamentos, o método impõe condições de contorno Neumann-Dirichlet na interface $\Gamma$. O subdomínio NO transmite condições de contorno de tração (tensão) para o resolvedor FE, enquanto o resolvedor FE fornece condições de contorno de deslocamento para o NO.
• Algoritmo: O acoplamento utiliza um esquema de relaxação (Algoritmo 1) onde a tração é atualizada iterativamente até que a norma $L_2$ dos incrementos de deslocamento entre sucessivas iterações de Schwarz caia abaixo de um limiar.

2. Point-DeepONet para Geometrias Não Estruturadas

Para permitir simulações em subdomínios de formas arbitrárias, a arquitetura integra PointNet na rede de ramo do DeepONet.

• Manipulação de Entrada: Ao contrário do ramo baseado em CNN anterior, que exigia grades regulares, o ramo PointNet processa diretamente nuvens de pontos não estruturadas (nós da malha FE) sem interpolação.
• Codificação do Estado Cinético: Para problemas dinâmicos, o Ramo 2 codifica o estado cinético (deslocamento e velocidade do passo de tempo anterior) e as coordenadas de referência. Isso permite que o NO lide com geometrias não convexas e irregulares, como formatos em L com filetes.
• Marcha no Tempo: O esquema Newmark-$\beta$ é incorporado diretamente na arquitetura do operador neural, permitindo previsões dinâmicas estáveis de longo prazo.

3. Operadores de Deformação e Tensão Derivados Analiticamente

Para garantir a consistência física e reduzir a contagem de parâmetros, os operadores de deformação e tensão não são treinados independentemente.

• Derivação: Os operadores de deformação ($\mathcal{G}_{\epsilon}$) são derivados analiticamente dos operadores de deslocamento ($\mathcal{G}_{u}$) via equações cinemáticas (ex: $\epsilon_{xx} = \partial u_x / \partial x$). Para hiperelasticidade, os operadores de tensão de Cauchy são derivados dos operadores de deslocamento usando as leis constitutivas.
• Benefício: Isso reduz o número de conjuntos de parâmetros treináveis de cinco (no trabalho anterior) para dois (para $u_x$ e $u_y$), diminuindo significativamente os custos de memória da GPU e impondo consistência mecânica por construção.

Principais Resultados

A estrutura foi validada em quatro benchmarks: elasticidade linear estática, hiperelasticidade quase-estática e elastodinâmica em subdomínios regulares (circular) e irregulares (L com filete).

• Eficiência de Convergência: A abordagem Neumann-Dirichlet não sobreposta reduziu drasticamente o número de iterações de Schwarz internas. Em simulações elastodinâmicas, as iterações caíram de 9–10 (na estrutura sobreposta anterior) para 2–3 por passo de tempo.
• Velocidade Computacional:
  • Elasticidade Linear Estática: O resolvedor FE-NO foi 2,72× mais rápido que o equivalente FE-FE (12,8s vs. 34,8s).
  • Hiperelasticidade Quase-Estática: O resolvedor FE-NO foi 1,75× mais rápido que o FE-FE (56s vs. 98s).
  • Elastodinâmica: O esquema não sobreposto reduziu o tempo de execução de 188,8s (sobreposto) para 1,8s (não sobreposto) para o FE-NO, principalmente devido à eliminação dos custos de interpolação e redução das contagens de iteração.
• Precisão e Estabilidade:
  • Limites de Erro: Os erros relativos máximos de deslocamento permaneceram abaixo de 0,2% em casos estáticos e 2,5% em casos dinâmicos.
  • Estabilidade Autorregressiva: Em simulações dinâmicas de longo prazo (até 169 passos de tempo), os erros de deformação permaneceram limitados, evitando o acúmulo descontrolado de erro. A estrutura demonstrou rápida autocorreção ao alternar entre NOs pré-treinados ou lidar com irregularidades geométricas.
  • Flexibilidade Geométrica: O Point-DeepONet lidou com sucesso com um domínio em L com filete, uma geometria impossível para a estrutura anterior baseada em CNN, com erros comparáveis ao caso do disco regular após a estabilização inicial.

Significância e Alegações

O artigo afirma estabelecer um caminho principiado para resolvedores híbridos de física e aprendizado de operador em mecânica dos sólidos dinâmica de larga escala. A significância deste trabalho é resumida como segue:

1. Flexibilidade Geométrica: Ao integrar o PointNet, a estrutura estende o acoplamento híbrido FE-NO para subdomínios de formas arbitrárias e não convexas, removendo a restrição a grades estruturadas.
2. Eficiência de Parâmetros e Consistência: A derivação analítica dos operadores de deformação e tensão impõe a consistência mecânica por construção e reduz o espaço de parâmetros treináveis, tornando o modelo mais eficiente e robusto.
3. Estabilidade de Convergência: A mudança para uma formulação Neumann-Dirichlet não sobreposta acelera significativamente a convergência (reduzindo as iterações por um fator de 3 em casos dinâmicos) ao mesmo tempo em que mantém o acúmulo de erro limitado ao longo de horizontes de tempo longos.

Os autores concluem que esta estrutura fornece um paradigma geométricamente flexível, parametrizado de forma eficiente e de convergência estável, oferecendo uma solução viável para acelerar subdomínios computacionalmente intensivos em problemas complexos de mecânica dos sólidos sem sacrificar a fidelidade da solução global. O trabalho futuro é identificado como a extensão da estrutura para malhas não estruturadas 3D, desenvolvimento de estratégias de decomposição de subdomínios adaptativas e implementação de aprendizado de transferência online para reduzir ainda mais os erros em geometrias complexas.