Machine Learning-Accelerated Time Integration of Plasticity Models

Resumo Técnico: Integração Temporal de Modelos de Plasticidade Acelerada por Aprendizado de Máquina

Definição do Problema
Simulações de elementos finitos (FE) de estruturas que exibem comportamento de material não linear, como plasticidade cíclica, dependem de modelos constitutivos avançados. Esses modelos exigem a resolução de equações diferenciais-algébricas (DAEs) acopladas em cada ponto de integração, para cada iteração de equilíbrio e dentro de cada passo de tempo. Este processo é computacionalmente caro. Embora esquemas de integração implícitos (ex: Euler para trás) ofereçam estabilidade incondicional permitindo passos de tempo maiores, eles necessitam de soluções iterativas para sistemas de equações não lineares, o que permanece como um gargalo, particularmente em simulações cíclicas onde o comportamento estabilizado não é alcançado imediatamente. Por outro lado, esquemas explícitos são mais rápidos, mas tipicamente requerem passos de tempo proibitivamente pequenos para manter a estabilidade numérica. O desafio é acelerar essas computações sem sacrificar a precisão ou a estabilidade.

Metodologia
Os autores propõem uma estrutura baseada em aprendizado de máquina (ML) para acelerar a integração temporal de modelos de plasticidade independente da taxa. A abordagem central envolve substituir a solução numérica das equações de evolução das variáveis de estado por atualizações explícitas calculadas por Redes Neurais de Alimentação Direta (FFNNs).

• Estrutura Codificada pela Física: Diferente de modelos substitutos (surrogate) puramente orientados a dados que mapeiam deformação para tensão, esta estrutura incorpora as FFNNs diretamente nas equações de evolução. As redes predizem as direções da evolução das variáveis de estado em vez dos incrementos diretamente.
• Entradas Baseadas em Invariantes: Para garantir a invariância de referencial e reduzir a dimensionalidade, as NNs operam sobre um conjunto de invariantes quadráticos derivados da tensão de tentativa ($\sigma_{tr}$), da tensão limite ($\sigma_{lim}$) e do estresse de retrocesso ($n\beta$).
• Direções de Evolução: A estrutura utiliza três direções de evolução específicas inferidas dos dados de treinamento: $\sigma_{tr, dev}$, $\sigma_{lim, dev}$ e $n\beta$. Uma análise de mínimos quadrados confirmou que essas três direções são necessárias e suficientes para abranger o espaço de evolução para o modelo protótipo escolhido.
• Imposição de Consistência: Um componente crítico do método é a introdução de um fator de correção, $c$. Este fator é calculado analiticamente para garantir o cumprimento exato da condição de consistência plástica ($\Phi = 0$) durante a carga plástica, um requisito frequentemente difícil de satisfazer em esquemas puramente explícitos.
• Modelo Protótipo: O método é validado usando um modelo protótipo que apresenta o critério de escoamento de von Mises e endurecimento cinemático não linear (lei de Armstrong-Frederick).
• Dados de Treinamento: Os dados de treinamento são gerados usando o modelo protótipo integrado com um esquema de Euler para trás implícito de alta fidelidade. Os dados consistem em 10 ciclos de carregamento pulsante multiaxial proporcional, discretizados em pequenos passos de tempo. A estratégia de treinamento foca em segmentos de carga correspondentes à carga plástica, filtrando respostas elásticas.

Principais Contribuições

1. Integrador de Tempo Explícito via NNs: O artigo introduz um algoritmo de integração de tempo explícito onde as atualizações das variáveis de estado são computadas via redes neurais, permitindo o uso de passos de tempo significativamente maiores do que os métodos explícitos tradicionais.
2. Condição de Consistência Exata: A estrutura impõe a condição de consistência plástica exatamente através de um fator de correção, distinguindo-se de abordagens que apenas impõem fracamente restrições físicas via penalidades na função de perda.
3. Formulação Invariante: Ao formular as NNs utilizando invariantes de tensão e direções de evolução determinadas analiticamente, o método garante independência de sistema de coordenadas e reduz a complexidade da tarefa de aprendizado.
4. Implementação Híbrida: A abordagem é implementada com sucesso em um código de FE comercial (Abaqus) via sub-rotinas definidas pelo usuário, demonstrando aplicabilidade a problemas de valor de contorno.

Resultos
A estrutura proposta foi avaliada através de simulações de ponto de material e simulações de FE completas de uma placa com um furo sob carregamento pulsante controlado por deslocamento.

• Precisão: Em simulações de ponto de material, o modelo baseado em NN mostrou excelente concordância com a solução implícita de referência. Mesmo com um único incremento de deformação por meio-ciclo ao longo de 100 ciclos, o erro absoluto máximo na tensão de von Mises foi de aproximadamente 60 MPa contra uma tensão de pico de ~900 MPa. Em simulações de FE, o erro máximo foi de aproximadamente 14,3 MPa (aprox. 1,6% da tensão de pico) ao usar um único incremento de deslocamento por meio-ciclo.
• Estabilidade: A inclusão do fator de correção $c$ mostrou-se essencial para a estabilidade numérica e precisão; simulações assumindo $c=1$ (ignorando a condição de consistência) resultaram em erros significativos e inconsistências na satisfação da superfície de escoamento.
• Eficiência Computacional: A integração baseada em NN proporcionou ganhos substanciais de velocidade. Em simulações de FE, usando um incremento de deslocamento por meio-ciclo, o modelo baseado em NN foi aproximadamente 34,6 vezes mais rápido que o modelo de referência usando 100 incrementos. Mesmo quando comparado a um modelo de referência reduzido para 8 incrementos (para igualar a precisão da NN), a abordagem baseada em NN permaneceu aproximadamente 3,3 vezes mais rápida.

Significância e Alegações
Os autores alegam que a estrutura proposta oferece um "desempenho numérico muito promissor" para acelerar simulações de plasticidade. O estudo demonstra que é possível alcançar alta precisão e estabilidade numérica com grandes passos de tempo ao calcular explicitamente as atualções das variáveis de estado usando redes neurais que respeitam princípios físicos (invariância de referencial e condições de consistência). O método une com sucesso a velocidade da integração explícita com a robustez dos esquemas implícitos, especificamente para problemas de plasticidade cíclica. Os autores enfatizam que, embora os dados de treinamento tenham sido gerados a partir de apenas 10 ciclos de carga, o modelo generalizou bem para 100 ciclos com variações de amplitude de deformação e problemas de valor de contorno complexos, sugerindo o potencial para a simulação eficiente de estruturas de engenharia complexas sem o ônus computacional dos solvers iterativos tradicionais.