Deep learning-based prediction of time-resolved adhesive forces in viscoelastic Hertzian contacts

Resumo Técnico: Predição de Forças Adesivas Resolvidas no Tempo Baseada em Aprendizado Profundo em Contatos Hertzianos Viscoelásticos

1. Definição do Problema

A predição precisa de trajetórias de força adesiva resolvidas no tempo em contatos viscoelásticos suaves é um gargalo crítico para aplicações em robótica suave, preensão e manipulação. Embora o histórico completo de força (incluindo as fases de carregamento, repouso e descarregamento) codifique informações essenciais sobre dissipação de energia, estabilidade de contato e tempo de desprendimento (snap-off), obter esses dados tradicionalmente exige simulações numéricas completas usando o Método de Elementos de Contorno (BEM).

Essas simulações são computacionalmente dispendiosas, com custos que escalam de forma não linear com a complexidade do problema (ex: parâmetro de Tabor, profundidade de indentação e taxa de descarregamento). Uma única simulação pode levar de segundos a horas, tornando impraticáveis os loops de controle em tempo real, a otimização de design iterativa e a identificação inversa. Além disso, modelos analíticos (como JKR ou DMT) são limitados a limites elásticos independentes de taxa ou regimes quase estáticos específicos e não podem fornecer a trajetória de força completa para históricos de carregamento arbitrários envolvendo memória viscoelástica.

2. Metodologia

Os autores propõem um modelo substituto (surrogate model) orientado por dados para prever a trajetória completa da força adesiva a partir de um histórico de deslocamento prescrito e do parâmetro de Tabor ($\mu$).

Geração e Representação de Dados:

• Conjunto de Dados: Um conjunto de dados de 12.450 trajetórias foi gerado usando simulações BEM combinadas com um esquema de marcha temporal Newton-Raphson. Os dados abrangem quatro ordens de magnitude em taxas de carregamento/descarregamento, tempos de repouso variados e parâmetros de Tabor variando de 0,2 (tipo DMT) a 3,2 (tipo JKR).
• Representação de Passo de Medição Fixo (FMS): Para abordar o desafio de comprimentos de sequência heterogêneos (onde diferentes simulações terminam em diferentes passos de tempo), os autores introduziram uma representação FMS. Trajetórias BEM de comprimento variável são reamostradas via interpolação de spline em uma grade fixa de $N=120$ pontos (50 para carregamento, 20 para repouso, 50 para descarregamento). Isso preserva a informação de tempo físico enquanto permite o aprendizado em lote (batch learning).
• Características de Entrada (Features): O modelo utiliza uma representação de entrada guiada pela física consistindo em quatro canais: tempo normalizado ($\hat{t}$), indentação normalizada ($\hat{\delta}$), velocidade causal ($\dot{\hat{\delta}}$) e um vetor de detecção de borda ($e_j$) marcando transições entre as fases de carregamento, repouso e descarregamento. O parâmetro de Tabor ($\mu$) é fornecido como um escalar estático.

Arquitetura do Modelo:

• Modelagem Sequência-para-Sequência: Reconhecendo que a adesão viscoelástica é governada por uma integral de convolução de Boltzmann (dependente de histórico), o estudo emprega modelos de sequência estatais (stateful).
• Busca de Arquitetura: Seis famílias de redes neurais foram avaliadas:
  • M1: LSTM (Long Short-Term Memory)
  • M2: LSTM com normalização de camada (layer normalization)
  • M3: Convolução 1D seguida de LSTM
  • M4: Rede Convolucional Temporal (TCN) pura
  • M5: Codificador Transformer
  • M6: LSTM Residual
• Mecanismos de Condicionamento: Cada arquitetura foi testada com três métodos para incorporar o parâmetro de Tabor estático: concatenação, FiLM (Feature-wise Linear Modulation) e gating.
• Treinamento: Os modelos foram treinados usando o otimizador Adam com perda de Erro Quadrático Médio (MSE) em dados transformados e padronizados. A configuração de melhor desempenho foi identificada através de uma comparação de métricas globais de forma de onda (MSE, MAE, DTW-RMSE) e contagem de parâmetros.

3. Principais Resultados

• Melhor Modelo de Desempenho: A arquitetura M1-concat (uma LSTM de duas camadas com condicionamento de Tabor por concatenação e uma camada densa TimeDistributed de saída) alcançou o melhor equilíbrio entre precisão e complexidade. Atingiu um MSE de teste de $5,0 \times 10^{-4}$ e um DTW-RMSE de $1,48 \times 10^{-2}$.
• Precisão de Predição:
  • Força de Pull-off: Erro mediano de aproximadamente 2,2%.
  • Área de Histerese: Erro mediano de aproximadamente 1,1%.
  • Tempo de Pull-off: Erro mediano abaixo de 1%.
  • Mesmo no quartil de maior erro (Q4), o erro médio de pull-off permaneceu em 6,1%, indicando que quantidades fisicamente centrais são capturadas de forma robusta mesmo quando a reconstrução da forma de onda apresenta desvios menores.
• Eficiência Computacional: O modelo substituto fornece tempos de inferência de aproximadamente 0,16–0,26 segundos para uma trajetória completa de força, independentemente dos parâmetros de entrada. Isso representa uma aceleração de cerca de três ordens de magnitude em comparação com as simulações BEM, que variaram de segundos a horas dependendo do regime.
• Validação Física: No limite de adesão de curto alcance e relaxamento total (tipo JKR), as predições do modelo de energia superficial efetiva dependente da taxa ($\Delta\gamma_{eff}$) coincidiram estreitamente com os resultados anteriores de BEM e com a teoria analítica de Persson-Brener, validando sua capacidade de recuperar a física dependente da taxa sem restrições constitutivas explícitas na saída da rede.

4. Significância e Alegações

O artigo afirma que modelos de sequência profunda podem substituir efetivamente simulações numéricas demoradas para prever a resposta completa da força resolvida no tempo de contatos adesivos viscoelásticos. A significância do trabalho é estruturada em torno de vários pontos principais:

• Representação sobre Complexidade: O estudo demonstra que a simplicidade arquitetônica (uma LSTM padrão) combinada com uma representação clara do histórico de carregamento e do regime de adesão é mais eficaz do que arquiteturas complexas (como Transformers) para este problema físico específico.
• Valor das Características Guiadas pela Física: A inclusão de características de entrada fisicamente significativas (velocidade causal e detecção de borda) reduziu significativamente o erro de validação (por um fator de ~7) em comparação com uma representação mínima de tempo-indentação, destacando que a engenharia de atributos continua sendo crucial mesmo em ambientes orientados por dados.
• Erro Controlado para Aplicações em Tempo Real: O substituto fornece um conjunto de dados e um modelo "primeiro de seu tipo", capaz de avaliação rápida. Os autores posicionam isso não como um substituto para simulações de alta fidelidade na verificação de design final, mas como uma ferramenta para exploração rápida, aplicações orientadas ao controle e design inverso, onde consultas repetidas são necessárias.
• Limitações: Os autores observam modestamente que o modelo é treinado em um modelo viscoelástico de relaxamento único (Sólido Linear Padrão) e não pode extrapolar automaticamente para reologias materialmente diferentes. Além disso, os erros mais altos concentram-se em trajetórias com transições abruptas e eventos próximos à instabilidade, sugerindo que futuros conjuntos de dados devem priorizar esses regimes.

Em conclusão, o trabalho estabelece um caminho viável para a integração da estimativa de estado de contato em sistemas de robótica suave em tempo real, indo além de métricas de desprendimento escalares para a predição completa da trajetória.