Physics-Informed Discovery of Yield Functions in Plasticity via Convex Neural Representations

Resumo Técnico: Descoberta de Funções de Escoamento em Plasticidade via Representações Neurais Convexas Informadas pela Física

1. Definição do Problema

A identificação de funções de escoamento anisotrópicas permanece um desafio significativo na mecânica dos sólidos. As abordagens tradicionais dependem da seleção de uma forma analítica específica (ex: von Mises, Hill 1948, Barlat–Yoon) e da calibração de parâmetros contra dados experimentais. No entanto, este processo enfrenta vários obstáculos:

• Limitações de Dados: O escoamento não é observado diretamente em medições mecânicas de campo total (como a Correlação de Imagem Digital, DIC). Os dados experimentais fornecem tipicamente campos de deslocamento e forças de reação, mas não campos de tensão direta, medições de deformação plástica ou dados da superfície de escoamento.
• Complexidade de Calibração: Determinar o comportamento anisotrópico geralmente requer carregamentos em muitas direções, e selecionar uma forma analítica apropriada que seja suficientemente expressiva, porém compacta, é uma tarefa não trivial.
• Estrutura do Modelo: Métodos baseados em dados existentes frequentemente aproximam as respostas de tensão diretamente ou requerem supervisão no espaço de tensões, o que falha em revelar a estrutura constitutiva subjacente (a função de escoamento) necessária para a integração de tensão elastoplástica convencional.

O problema central abordado é como inferir uma função de escoamento anisotrópica diretamente de dados de deslocamento de campo total e força de reação, sem observações de tensão, medições de deformação plástica ou uma forma paramétrica prescrita, garantindo que o resultado permaneça compatível com a estrutura mecânica da integração de tensão elastoplástica.

2. Metodologia

Os autores propõem um framework informado pela física que trata a função de escoamento como um componente constitutivo mecanicamente restrito dentro de um loop de integração de tensão elastoplástica, em vez de um mapeamento supervisionado direto no espaço de tensões.

A. Representação Neural da Função de Escoamento
A função de escoamento desconhecida, $\bar{\sigma}(\sigma)$, é representada por uma Rede Neural Convexa (CNN) em vez de uma biblioteca de equações analíticas candidatas. Para satisfazer os requisitos mecânicos de plasticidade independente da taxa, insensível à pressão e com uma regra de fluxo associada (AFR), a rede impõe:

• Convexidade: Garantida via uma arquitetura de rede neural convexa de entrada, onde os pesos que multiplicam as ativações da camada anterior são restritos a serem não negativos.
• Homogeneidade Positiva de Grau Um: Imposta pelo uso de ativações ReLU e remoção de termos de viés (bias), garantindo que $\bar{\sigma}(\rho\sigma) = \rho\bar{\sigma}(\sigma)$.
• Simetria Tração-Compressão: Imposta pela simetrização da saída da rede sobre transformações de sinal dos componentes de tensão.
• Suavidade: A arquitetura relaxa a suavidade global $C^1$ para uma representação $C^0$, diferenciável por partes, para satisfazer simultaneamente as restrições de convexidade e homogeneidade.

B. Estratégia de Treinamento Informada pela Física
O framework utiliza um algoritmo de atualização de tensão elastoplástica diferenciável para treinar a rede neural usando apenas dados de deslocamento e força:

1. Entrada de Dados: Dados de deslocamento de campo total resolvidos no tempo (convertidos em incrementos de deformação) e dados de força de reação de múltiplos casos de carregamento (Tração Uniaxial em x/y, Tração Biaxial, Cisalhamento Simples).
2. Integração de Tensão Diferenciável: Um esquema explícito de Euler progressivo é usado para atualizar a tensão e a deformação plástica. Para manter a diferenciabilidade em relação aos parâmetros da rede neural, o indicador de plasticidade agudo (que alterna entre estados elástico e plástico) é substituído por uma aproximação sigmoide suave.
3. Função de Perda (Loss Function): O objetivo de treinamento é o resíduo de equilíbrio de forças. Os incrementos de força interna, previstos pela montagem das atualizações de tensão sobre a malha de elementos finitos, são comparados com os incrementos de força externa derivados das forças de reação medidas. A função de escoamento neural é otimizada para minimizar esse descompasso.
4. Otimização: O processo utiliza um otimizador baseado em gradiente (Adam) para atualizar os parâmetros da rede através de todos os casos de carregamento simultaneamente.

C. Implementação em Elementos Finitos
Como a função de escoamento neural descoberta é diferenciável por partes ($C^0$) e não é diretamente adequada para solvers de elementos finitos implícitos padrão (que exigem derivadas analíticas suaves para o mapeamento de retorno), um surrogate polinomial é ajustado pós-descoberta. Este surrogate é uma função polinomial suave e positivamente homogênea ajustada aos conjuntos de nível da função de escoamento neural identificada, permitindo a implementação em simulações de FE implícitas convencionais.

3. Principais Contribuições

• Identificação Direta a partir de Dados Observáveis: O framework identifica funções de escoamento a partir de dados de deslocamento de campo total e força de reação sem exigir observações de tensão, medições de deformação plástica, dados diretos de superfície de escoamento ou uma forma analítica prescrita.
• Representação Mecanicamente Restrita: Introduz uma representação de função de escoamento neural convexa e um algoritmo de treinamento elastoplástico diferenciável que impõe restrições mecânicas fundamentais (convexidade e homogeneidade positiva) enquanto otimiza com base no equilíbrio de forças.
• Validação Abrangente: O estudo valida a abordagem usando benchmarks de elementos finitos (von Mises, Hill 1948 e Yld2000-2d), avaliando:
  • Concordância do contorno de escoamento sob condições sem ruído.
  • Sensibilidade ao ruído de medição de deslocamento (simulando incerteza de DIC).
  • Identificabilidade e incerteza epistêmica via ensembles profundos.
  • Viabilidade de implementação via um surrogate polinomial suave.

4. Resultados e Validação

• Descoberta Sem Ruído: O framework recuperou com sucesso os contornos de escoamento para benchmarks isotrópicos (von Mises) e anisotrópicos (Hill 1948, Yld2000-2d). Os contornos inferidos corresponderam às tendências da verdade fundamental (ground truth), incluindo a anisotropia direcional, apesar da ausência de supervisão direta de tensão.
• Sensibilidade ao Ruído: O método demonstrou robustez a ruídos de deslocamento submicrométricos (0,1–0,3 µm). Embora a distorção do contorno tenha aumentado com os níveis de ruído, as superfícies de escimento inferidas permaneceram consistentes com as tendências da verdade fundamental, mostrando uma degradação gradual em vez de uma falha súbita.
• Identificabilidade e Incerteza: A análise dos estados de tensão plasticamente ativos revelou que as regiões da superfície de escoamento visitadas pelos casos de carregamento específicos foram bem restringidas. Por outro lado, regiões com cobertura esparsa de estados de tensão (ex: tensões normais de sinais opostos) exibiram maior incerteza epistêmica, conforme confirmado pelos desvios padrão de ensembles profundos.
• Implementação: Um surrogate polinomial ajustado à função neural descoberta replicou com sucesso os contornos de escoamento e produziu resultados de campo de elementos finitos (tensão e deformação plástica) comparáveis à verdade fundamental para o benchmark Yld2000-2d.

5. Significância e Alegações

O artigo afirma que a função de escoamento pode ser identificada como uma componente constitutiva desconhecida dentro da integração de tensão elastoplástica, em vez de um ajuste de contorno supervisionado no espaço de tensões. Ao incorporar a representação neural dentro da atualização de tensão e restringi-la via equilíbrio de forças, o framework preenche a lacuna entre a descoberta baseada em dados e os requisitos estruturais da teoria da plasticidade clássica.

Os autores enfatizam que esta abordagem fornece um caminho mecanicamente restrito para a descoberta de funções de escoamento anisotrópicas. Ela isola o problema de identificação da função de escoamento da necessidade de medições diretas de tensão ou de formas analíticas pré-selecionadas, desde que a lei de encruamento e a regra de fluxo sejam conhecidas ou prescritas.

Limitações Reconhecidas pelos Autores:

• A validação baseia-se em dados sintéticos gerados por simulações de FE, não em medições experimentais de DIC.
• A lei de encruamento, a regra de fluxo (AFR) e a elasticidade são prescritas; o estudo não realiza a identificação simultânea de encruamento ou regras de fluxo não associadas.
• A implementação atual assume condições de tensão plana e pequenas deformações.
• A função de escoamento neural é diferenciável por partes, necessitando da etapa de pós-processamento de ajuste de um surrogate polinomial para implementação em FE implícito padrão.

Os autores concluem que, embora o framework demonstre com sucesso a viabilidade desta abordagem em dados de benchmark, trabalhos futuros são necessários para estender o método para ambientes experimentais, identificação simultânea de escoamento e encruamento, e estados de tensão tridimensionais.