Mass weighting algorithm optimizes Fourier-based physics-informed neural network in adhesive contact mechanics

Resumo Técnico: Algoritmo de Pesagem de Massa para PINNs Baseadas em Fourier em Mecânica de Contato Adesivo

Definição do Problema
Redes Neurais Informadas pela Física (PINNs) aplicadas à mecânica de contato elástico enfrentam um desafio fundamental conhecido como desequilíbrio de rigidez espectral. Em problemas de semi-espaço elástico, o núcleo elástico no espaço de Fourier escala linearmente com o número de onda ($q$). Consequentemente, modos de deformação de comprimento de onda curto (alto-$q$) incorrem em custos de energia elástica significativamente mais elevados do que os modos de comprimento de onda longo. Quando treinando PINNs padrão via gradiente descendente, esse desequilíbrio faz com que os modos de alta frequência dominem as atualizações de gradiente, levando à estagnação da convergência dos campos de deformação macroscópicos. Este problema é exacerbado em problemas de contato adesivo, onde interações de curto alcance introduzem conteúdo de alta frequência adicional. As PINNs padrão de minimização de energia frequentemente falham em convergir para resíduos de zero de máquina ou produzem campos de tensão oscilatórios e não físicos, dominados por ruído de alta frequência.

Metodologia
Os autores propõem uma estrutura de PINN baseada em Fourier aumentada por uma estratégia de precondicionamento espectral chamada Pesagem de Massa (MW). A metodologia envolve os seguintes componentes principais:

1. Formulação de Minimização de Energia: Diferente das PINNs tradicionais que equilibram resíduos de EDP com penalidades de condições de contorno, esta abordagem formula a tarefa de aprendizado como a minimização de uma função de energia potencial total escalar ($\Pi$). A energia total compreende a energia de deformação elástica ($U_{el}$), o trabalho externo ($U_{ext}$) e a energia de interação interfacial ($U_{int}$) modelada por um potencial de Morse.
2. Mapeamento de Características de Fourier: As coordenadas espaciais de entrada são codificadas usando características de Fourier para permitir que a rede resolva gradientes de deslocamento agudos próximos às bordas de contato.
3. Precondicionamento Espectral (Pesagem de Massa): Antes da retropropagação, o gradiente da função de perda em relação ao campo de deslocamento é transformado para o espaço de Fourier. Ele é então reponderado por uma função de pesagem de massa $w(q)$ e um filtro passa-baixa integrado $f(q)$:
   • Pesagem de Massa: $w(q) = \left( \frac{E^* q_{max}/2}{\sqrt{k_0^2 + (qE^*/2)^2}} \right)^\alpha$. Esta função amplifica componentes de baixo número de onda (modos macroscópicos) enquanto suprime contribuições de alto número de onda, reequilibrando efetivamente o fluxo de gradiente.
   • Filtro Passa-Baixa: $f(q) = \frac{1}{1 + (q/q_c)^\beta}$. Este componente suprime o ruído sub-grade que não pode ser resolvido pela discretização.
4. Protocolo de Treinamento: O precondicionador é ativado após uma fase de "aquecimento" de 100–200 iterações usando gradientes simples. A rede é otimizada usando o otimizador Adam. A tensão de contato é recuperada via transformada inversa de Fourier da relação espectral tensão-deslocamento, evitando diferenciação numérica sensível à grade.

Principais Contribuições

• Identificação da Rigidez Espectral: O artigo atribui explicitamente a falha de convergência das PINNs baseadas em energia em mecânica de contato ao desequilíbrio de rigidez espectral inerente ao operador elástico, em vez de apenas dificuldades gerais de otimização.
• Precondicionador de Pesagem de Massa: A introdução de um precondicionador espectral específico que opera no espaço de Fourier para reponderar gradientes de deslocamento. Isso permite que a rede aprenda deformações macroscópicas sem ser sobrecarregada por ruído de alta frequência.
• Minimização Direta de Energia: A formulação depende inteiramente da minimização de uma função de energia escalar sem integração explícita de função de Green ou regras de quadratura, mas alcança precisão comparável aos métodos que as utilizam.
• Extensão para Superfícies Rugosas Adesivas: O método é aplicado com sucesso tanto a contatos Hertzianos suaves quanto a superfícies rugosas fractais com interações adesivas (potencial de Morse), cobrindo regimes de tensão a compressão.

Resultos
O método proposto foi validado contra soluções de Dinâmica Molecular de Função de Green (GFMD), um benchmark de alta fidelidade para mecânica de contato.

• Velocidade de Convergência: Para um problema de contato Hertziano de referência, a PINN com pesagem de massa atingiu um resíduo de perda de zero de máquina dentro de 400 iterações Adam. Em contraste, o treinamento não condicionado (referência) estagnou em uma perda três ordens de magnitude superior ($\sim 5 \times 10^{-4}$) e falhou em convergir além disso.
• Precisão Física:
  • Superfícies Suaves: As previsões da PINN para deslocamento e tensão de contato foram indistinguíveis das soluções GFMD nos regimes de tensão, carga zero e compressão.
  • Superfícies Rugosas: Para superfícies rugosas fractais (expoente de Hurst $H=0.5$), o método capturou com precisão a estrutura de tensão multiescala, incluindo manchas de contato esparsas ao nível de aspereza em baixas pressões e distribuições de tensão contínuas em altas pressões.
• Erro Quantitativo: O Erro Quadrático Médio Normalizado (NRMSE) para deslocamento e tensão permaneceu abaixo de $10^{-3}$ (tipicamente $10^{-4}$ a $10^{-5}$) em todos os casos de teste, confirmando consistência quantitativa com a referência GFMD.
• Estabilidade: O monitoramento do modo de Fourier de maior número de onda revelou que o treinamento não condicionado resultou em oscilações persistentes de grande amplitude, enquanto a abordagem com pesagem de massa fez esses modos decairem rapidamente para zero, garantindo um perfil de tensão estável e livre de oscilações.

Significância e Alegações
Os autores afirmam que o precondicionamento espectral não é meramente útil, mas necessário para a convergência estável de PINNs baseadas em energia em mecânica de contato. Sem ele, a rede falha em aprender a solução fisicamente correta devido ao desequilíbrio de gradiente. O algoritmo de Pesagem de Massa proposto permite que a PINN:

1. Resolva problemas de contato adesivo em grades de espaço real uniformes sem integração explícita de função de Green.
2. Alcance resíduos de zero de máquina e campos de tensão suaves e fisicamente corretos em grades finas (até $N_x = 2048$).
3. Opere robustamente sem ajuste manual de parâmetros do precondicionador além da configuração inicial.

O artigo conclui que, embora atualmente limitado a geometrias de contato de linha unidimensional e potenciais de Morse, a formulação baseada em Fourier e o precondicionador espectral são diretamente generalizáveis para superfícies rugosas bidimensionais e outros potenciais de interação suaves, oferecendo uma alternativa escalável aos métodos tradicionais de elemento de contorno.