A Hybrid GNN-FEM Framework for Phase-Field Fracture Simulation. Physics-Preserving Hybridization for Generalizable Surrogate Modeling

Resumo Técnico: Uma Estrutura Híbrida GNN–FEM para Simulação de Fratura por Campo de Fase

Declaração do Problema
O aprendizado de máquina científico (SciML) oferece potencial para acelerar simulações de sistemas físicos complexos, mas alcançar previsões fisicamente consistentes e generalizáveis para problemas não lineares e dependentes de histórico continua sendo um desafio significativo. Especificamente, a modelagem de fratura por campo de fase, embora robusta na simulação de evolução complexa de trincas (iniciação, propagação e ramificação) sem rastreamento explícito, sofre com altos custos computacionais. Esse custo decorre da necessidade de resolver um sistema acoplado, não linear e dependente de histórico incrementalmente dentro de uma estrutura de método de elementos finitos (FEM).

Modelos substitutos puramente baseados em dados frequentemente têm dificuldade em generalizar para diferentes geometrias, condições de carregamento, propriedades de materiais e discretizações. Abordagens puramente baseadas em dados frequentemente falham em manter a consistência física ao extrapolar além das distribuições de treinamento, enquanto o aprendizado de máquina informado pela física (PIML) muitas vezes carece de robustez quando as configurações do problema (por exemplo, resolução da malha ou condições de contorno) mudam. A dificuldade central reside em aproximar a trajetória completa da solução de um sistema dependente de caminho sem violar a estrutura física subjacente ou exigir quantidades proibitivas de dados de treinamento.

Metodologia
Os autores propõem uma estrutura híbrida GNN–FEM que integra um substituto de Rede Neural de Grafo (GNN) no esquema de solução escalonado convencional para fratura por campo de fase. Em vez de substituir todo o procedimento de simulação, a estrutura substitui seletivamente a etapa de atualização do campo de fase, que é computacionalmente intensiva, mantendo o solver de deslocamento baseado em FEM para impor o equilíbrio mecânico e as condições de contorno.

Componentes metodológicos principais incluem:

1. Esquema Escalonado Híbrido:

   • O campo de deslocamento ($u$) e o campo de histórico ($H$) são resolvidos usando FEM padrão em cada incremento de carga.
   • A variável de campo de fase ($d$) é prevista pelo substituto GNN com base no campo de histórico atual e na geometria do domínio.
   • A irreversibilidade ($d_n \geq d_{n-1}$) é imposta como uma etapa de pós-processamento.
   • Isso preserva a estrutura de solução incremental, garantindo que o substituto não precise aprender a trajetória completa da solução, mas apenas a evolução local do campo de fase.

2. Representação de Grafo e Características Adimensionais:

   • A malha de elementos finitos é representada como um grafo $G=(V, E)$, onde os nós correspondem aos nós da malha e as arestas à conectividade.
   • Características de Nó Adimensionais: O campo de histórico $H$ é normalizado por $G_c \ell_c$ (taxa de liberação de energia crítica $\times$ comprimento de regularização) e projetado para valores nodais. Um indicador binário de contorno também é incluído.
   • Características de Aresta Adimensionais: Os comprimentos das arestas são normalizados pelo comprimento de escala de regularização $\ell_c$.
   • Essa normalização garante a invariância em relação às escalas de propriedades de materiais e resolução de malha, facilitando a generalização.

3. Arquitetura GNN:

   • O modelo emprega uma arquitetura Encoder–Processor–Decoder (Codificador–Processador–Decodificador).
   • Encoder (Codificador): Mapeia as características de entrada para um espaço latente usando Perceptrons de Camada Múltipla (MLPs).
   • Processor (Processador): Realiza $K$ iterações de passagem de mensagens com conexões residuais, atualizando as representações de nós e arestas com base em interações locais.
   • Decoder (Decodificador): Mapeia as representações latentes finais dos nós para o valor previsto do campo de fase.
   • A arquitetura é projetada para ser invariante sob rotações de coordenadas, consistente com o comportamento de material isotrópico.

4. Estratégia de Treinamento Informada pela Física:

   • O modelo é treinado usando uma função de perda combinada: $L = L_{data} + \lambda_{phys} L_{phys}$.
   • Perda Baseada em Dados ($L_{data}$): Erro quadrático médio entre os valores de campo de fase previstos e computados por FEM, derivados de uma única simulação de alta fidelidade.
   • Perda Informada pela Física ($L_{phys}$): Resíduo médio quadrático da forma fraca discretizada da equação governante do campo de fase. Isso é computado usando campos de histórico gerados aleatoriamente que não necessariamente correspondem a estados de trinca físicos, ampliando assim a distribuição de treinamento e impondo as leis físicas.

Principais Contribuições

1. Estrutura Híbrida Integrada com GNN: O estudo introduz um substituto que substitui apenas a atualização do campo de fase dentro de um procedimento FEM escalonado. Essa substituição seletiva mantém a estrutura de solução incremental e a consistência física sem exigir que o substituto aproxime a trajetória completa deslocamento-histórico-campo de fase.
2. Integração de Física em Múltiplos Níveis: O conhecimento físico é incorporado simultaneamente em três níveis:
   • Nível de Característica: Representações adimensionais de campos de histórico e comprimentos de aresta.
   • Nível de Perda: Uma perda de resíduo baseada na física derivada da equação governante do campo de fase.
   • Nível de Estrutura: Uma arquitetura baseada em grafos que opera diretamente em malhas não estruturadas.
3. Estudo de Generalização Sistemática: A estrutura é rigorosamente avaliada através de variações não vistas em resolução de malha, configurações geométricas (incluindo furos), condições de carregamento (cisalhamento vs. tração) e propriedades de materiais (inclusões heterogêneas), demonstrando robustez sem retreinamento.

Resultos
Experimentos numéricos validam o desempenho da estrutura contra soluções convencionais de Full FEM:

• Generalização de Discretização: O modelo híbrido (treinado em $h=0.2$) prevê com precisão a evolução da trinca e as respostas de força-deslocamento em malhas mais finas ($h=0.1, 0.05$). Em contraste, um modelo puramente baseado em dados (DD) treinado nos mesmos dados falha em generalizar para resoluções mais finas, desviando-se significativamente no regime pós-pico.
• Generalização Geométrica e de Carregamento: O modelo prevê com sucesso os caminhos de trinca em geometrias com furos circulares e sob condições de carregamento por cisalhamento, capturando a deflexão da trinca e a iniciação em concentradores de tensão. O modelo puramente DD mostrou discrepâncias no tempo de dissipação de energia e na progressão da trinca.
• Generalização de Material: A estrutura lidou com materiais heterogêneos com propriedades que diferem em ordens de magnitude do conjunto de treinamento, prevendo com precisão os caminhos de trinca ao redor de inclusões.
• Eficiência Computacional: A abordagem híbrida reduziu o tempo computacional total em aproximadamente 20–23% para malhas refinadas, com uma redução mais significativa (até 88,6%) no componente de solução do campo de fase. O solver de deslocamento, que domina o custo, permanece inalterado.

Significância e Alegações
O artigo afirma que a estrutura proposta fornece uma estratégia viável para a modelagem substituta generalizável em problemas de fratura não lineares e dependentes de histórico. Ao incorporar componentes baseados em dados dentro do procedimento de solução governante, em vez de substituir todo o solver físico, a abordagem mitiga o acúmulo de erro e garante a consistência física.

Os autores enfatizam que o sucesso deste método reside na identificação de alvos de aprendizado fisicamente significativos, consistentes de escala e estruturados incrementalmente, em vez de depender da geração de dados por força bruta. A integração de características adimensionais e perdas informadas pela física permite que o modelo generalize através de diferentes configurações de problemas (geometria, discretização, carregamento e material) sem retreinamento.

O trabalho conclui que, embora a formulação atual seja limitada à fratura isotrópica e quase estática, ele estabelece um caminho eficiente em termos de dados para o aprendizado de máquina científico confiável. Os autores observam que trabalhos futuros podem estender isso para materiais anisotrópicos e problemas 3D, ou potencialmente aplicar a modelagem substituta ao campo de deslocamento, embora tais extensões envolvam trocas entre generalização e velocidade computacional.