💻 computer science

Fourier Feature Physics-Informed Neural Networks for Elasto-Plastic Analysis of Geomaterials with a Non-Associative Mohr-Coulomb Model

Este estudo introduz uma Rede Neural Informada pela Física com Características de Fourier (FF-PINN) que mitiga eficazmente o viés espectral para resolver de forma precisa e eficiente problemas de valor de contorno elastoplásticos bidimensionais para geomateriais governados por um modelo de Mohr-Coulomb não associativo, alcançando uma precisão significativamente maior e convergência mais rápida do que as PINNs convencionais e os benchmarks do Método de Elementos Finitos.

Autores originais: Apisit Robjanghvad, Sompote Youwai

Publicado 2026-07-29

📖 5 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Apisit Robjanghvad, Sompote Youwai

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Imagine que você esteja tentando prever como um bloco gigante e maleável de solo reagirá quando você pressionar um edifício pesado sobre ele. Isso não é apenas um jogo de "o que acontece a seguir"; é uma questão crítica para engenheiros que projetam fundações, barragens e arranha-céus. O solo não apenas se amassa como uma mola; ele tem um ponto de ruptura. Uma vez que você pressiona demais, ele começa a deslizar e se deformar permanentemente, criando linhas nítidas e irregulares onde o solo seguro encontra o solo em falha. Para descobrir isso, os cientistas geralmente usam um método chamado Método dos Elementos Finitos (FEM). Pense no FEM como tentar mapear uma montanha cortando-a em milhões de pequenos tijolos de Lego e calculando a tensão em cada um deles. É incrivelmente preciso, mas também é lento, caro e computacionalmente pesado, como tentar resolver um quebra-cabeça construindo cada peça do zero toda vez.

Nos últimos anos, um novo tipo de "adivinhador inteligente" chamado Rede Neural Informada pela Física (PINN) entrou em cena. Em vez de cortar o mundo em tijolos, as PINNs são como um artista superinteligente que aprende as regras da física (como gravidade e pressão) e tenta pintar o quadro inteiro de uma só vez. Elas são rápidas e não precisam de uma biblioteca massiva de respostas pré-fabricadas. No entanto, esses artistas têm um ponto cego estranho: eles são péssimos em pintar bordas afiadas. Eles são ótimos em desenhar colinas suaves e onduladas, mas quando se trata de penhascos irregulares onde o solo subitamente falha, eles tendem a borrar as linhas, suavizando justamente os detalhes que os engenheiros precisam ver. Este artigo aborda esse problema específico, perguntando: Podemos ensinar nosso artista digital a ver as bordas afiadas com clareza, para que possamos prever a falha do solo de forma mais rápida e melhor do que o antigo método dos tijolos de Lego?

Os autores deste estudo, trabalhando com um solo que se comporta de uma maneira complicada, dependente de fricção (conhecida como modelo de Mohr-Coulomb não associativo), decidiram atualizar os "olhos" da PINN. Eles introduziram uma técnica chamada mapeamento de Características de Fourier (Fourier Feature mapping). Para entender o que isso faz, imagine que a PINN é um músico tentando tocar uma música. A versão padrão da rede é como um músico que só conhece notas graves e profundas. Ele consegue cantarolar uma melodia suave, mas se a música de repente exigir um solo de violino agudo e rápido (que representa as mudanças súbitas e nítidas na tensão do solo), o músico simplesmente não consegue ouvi-lo, muito menos tocá-lo. Isso é chamado de "viés espectral".

Os pesquisadores corrigiram isso dando ao músico um novo conjunto de ouvidos. Eles adicionaram uma camada de "características de Fourier" logo no início da rede. Pense nisso como entregar ao músico uma partitura que já inclui todas as notas agudas e ritmos rápidos antes mesmo de ele começar a tocar. Em vez de lutar para descobrir como atingir essas notas altas, a rede agora pode acessá-las instantaneamente. Isso permite que a IA resolva as fronteiras nítidas e irregulares onde o solo começa a falhar, que é exatamente onde a IA padrão costuma falhar.

Os resultados de seus experimentos foram bastante promissores. Eles testaram sua nova "PINN de Características de Fourier" (ou FF-PINN) contra a antiga PINN padrão e o tradicional e lento método dos tijolos de Lego (FEM) usando três diferentes cenários de solo. O novo modelo não apenas adivinhou; ele aprendeu. Em termos de precisão, a FF-PINN reduziu os erros na previsão de quanto o solo se moveria (deslocamento) em até 66 por cento em comparação com a antiga PINN. Para as forças de tensão dentro do solo, ela cortou os erros em cerca de 27 por cento. Talvez o mais importante seja que ela não apenas acertou os números; ela desenhou a forma da zona de falha com muito mais fidelidade, capturando a geometria exata de onde o solo quebraria, enquanto o modelo antigo suavizava essas bordas perigosas em um borrão.

O estudo também observou a velocidade deste novo método. Mesmo que a nova rede tivesse um pouco mais de "células cerebrais" (parâmetros) para gerenciar, ela aprendeu duas vezes mais rápido. Ela alcançou uma solução estável e precisa em 17.500 etapas de treinamento, enquanto a antiga PINN precisou de 35.000 etapas. Isso significou que o tempo de treinamento de relógio foi cortado pela metade, caindo de 1.366 segundos para 683 segundos. Os pesquisadores também verificaram se o modelo poderia lidar com "ruído", simulando erros de sensores do mundo real de até 2,0 por cento. O novo modelo permaneceu estável e não se confundiu, mostrando que é robusto o suficiente para dados reais e desordenados.

No entanto, o artigo é cuidadoso ao notar que isso não é uma varinha máética para tudo. Embora o novo modelo tenha sido uma grande melhoria, ele ainda teve dificuldades com um detalhe específico: a deformação plástica na direção perpendicular à camada de solo (a deformação fora do plano). Este componente específico continuou sendo difícil de prever, com erros permanecendo altos (entre 60 e 80 por cento) independentemente de quanta quantidade de dados fosse alimentada ao modelo. Os autores sugerem que isso é um desafio fundamental com a configuração atual, não apenas uma falta de prática.

Em suma, este artigo sugere que, ao simplesmente mudar a forma como a IA "vê" os dados de entrada — dando a ela uma faixa de frequência melhor para trabalhar — podemos resolver problemas complexos de mecânica de solos de forma muito mais rápida e precisa do que antes. É um passo significativo para tornar a IA uma ferramenta prática para a engenharia geotécnica, oferecendo uma maneira de prever a falha do solo que é tanto computacionalmente eficiente quanto fisicamente consistente, desde que possamos eventualmente resolver esse único ponto cego persistente em relação à deformação fora do plano.

Resumo Técnico: Redes Neurais Informadas pela Física com Características de Fourier para Análise Elasto-Plástica de Geomateriais

Definição do Problema
A engenharia geotécnica depende fortemente do Método de Elementos Finitos (FEM) para resolver problemas de valor de contorno elasto-plásticos, particularmente aqueles envolvendo o modelo de Mohr-Coulomb não associativo. Embora o FEM seja robusto, ele incorre em altos custos computacionais devido aos procedimentos incrementais-iterativos necessários para o comportamento não linear de tensão-deformação. As Redes Neurais Informadas pela Física (PINNs) oferecem uma alternativa livre de malha (mesh-free) que incorpora equações governantes diretamente na função de perda, contornando os solucionadores iterativos. No entanto, as PINNs convencionais sofrem de "viés espectral", uma tendência de ajustar preferencialmente componentes de baixa frequência da solução, falhando em resolver gradientes locais acentuados. Esta limitação é crítica para o modelo de Mohr-Coulomb não associativo, onde superfícies de escoamento dependentes de pressão e regras de fluxo não associativas geram zonas plásticas estreitas e gradientes de tensão íngremes nas fronteiras elástico-plásticas. As arquiteturas PINN padrão frequentemente sub-resolvem essas regiões de alto gradiente, levando a imprecisões justamente nas áreas mais críticas para a avaliação geotécnica.

Metodologia
Este estudo propõe uma Rede Neural Informada pela Física com Características de Fourier (FF-PINN) para abordar o viés espectral no contexto da plasticidade não associativa. A metodologia envolve vários componentes principais:

Mapeamento de Características de Fourier: Em vez de alimentar as coordenadas espaciais brutas $(x, y)$ diretamente na rede, a camada de entrada utiliza um mapeamento de características de Fourier aleatórias. Isso projeta as coordenadas em um espaço de maior dimensão usando transformações de seno e cosseno com frequências amostradas de uma distribuição Gaussiana. Esta modificação altera as propriedades espectrais da representação de entrada da rede, permitindo que o modelo acesse funções de base de alta frequência desde o início do treinamento.
Modelagem Constitutiva: O arcabouço utiliza o modelo de Mohr-Coulom não associativo, implementado via função de escoamento de Menétrey–Willam para garantir suavidade no plano desviador. A formulação inclui uma regra de fluxo não associativa com uma função de potencial plástico distinta para capturar com precisão a dilatância do solo.
Função de Perda Multiobjetivo: O objetivo de treinamento combina resíduos baseados na física e termos orientados por dados. A perda física impõe as equações de equilíbrio, relações constitutivas (leis de tensão-deformação) e condições de Karush-Kuhn-Tucker (garantindo que o fluxo plástico ocorra apenas quando o estado de tensão está na superfície de escoamento). A perda orientada por dados penaliza discrepâncias contra soluções de referência de alta fidelidade do FEM para os campos de deslocamento, tensão, deformação e deformação plástica.
Amostragem Adaptativa à Deformação (SAS): Para aumentar ainda mais a resolução em zonas críticas, o estudo emprega uma estratégia de amostragem que concentra pontos de colocação em regiões de elevada magnitude de deformação, em vez de usar uma amostragem de grade uniforme.
Benchmarking: A FF-PINN é testada contra PINNs convencionais e soluções de referência de FEM em três casos de teste com variações de coesão, ângulos de atrito e condições de carregamento.

Principais Contribuições

Primeira Aplicação à Plasticidade Não Associativa: Este trabalho representa a primeira aplicação de mapeamento de características de Fourier aleatórias à plasticidade dependente de pressão e não associativa dentro de um arcabouço de PINN.
Mitigação do Viés Espectral: O estudo demonstra que o mapeamento de características de Fourier mitiga efetivamente o viés espectral, melhorando substancialmente a resolução de campos de gradiente elevado de deslocamento, tensão e deformação plástica em zonas plásticas localizadas.
Integração da Amostragem Adaptativa à Deformação: O arcabouço combina o mapeamento de Fourier com uma estratégia de amostragem adaptativa à deformação, mostrando que a capacidade de representação aprimorada da FF-PINN permite que ela explore efetivamente dados de treinamento concentrados em regiões de alto gradiente.
Benchmarking Abrangente: O arcabouço é rigorosamente testado contra PINNs convencionais e FEM, com análises de sensibilidade cobrindo tamanho de dados de treinamento, densidade de colocação, ponderação de perda e níveis de ruído.

Resultos
Experimentos numéricos através de três casos de teste produziram as seguintes descobertas:

Melhorias de Precisão: A FF-PINN alcançou precisão superior em quase todos os campos previstos em comparação com as PINNs convencionais. Reduções de erro chegaram a aproximadamente 66% para componentes de deslocamento e 27% para componentes de tensão em casos específicos.
Geometria da Zona Plástica: A FF-PINN reproduziu a geometria das zonas de falha plástica com fidelidade marcadamente superior às soluções de referência de FEM. Enquanto as PINNs convencionais tendem a suavizar as fronteiras das zonas plásticas, a FF-PINN capturou os lobos mais nítidos e as extensões localizadas características do modelo de Mohr-Coulomb não associativo.
Eficiência de Treinamento: A FF-PINN convergiu em aproximadamente metade das épocas de treinamento exigidas pela PINN convencional (17.500 vs. 35.000 épocas), reduzindo o tempo de treinamento de relógio de parede em 50%, apesar de um modesto aumento nos parâmetros treináveis devido à expansão da dimensão de entrada.
Sensibilidade e Robustez: O modelo demonstrou robustez a níveis de ruído de até 2,0%. A análise de sensibilidade indicou que uma precisão confiável é alcançada com aproximadamente 1.237 pontos de dados de treinamento e 5.000 pontos de colocação. A razão ideal de ponderação de perda (física-para-dados) foi identificada como 1:15.
Limitações: O estudo observou um desafio persistente em prever com precisão o componente de deformação plástica fora do plano ( $\varepsilon_{zz}^p$ ), que exibiu erros relativos elevados (60–80%) em todas as configurações, sugerindo uma dificuldade de aproximação fundamental para este componente específico sob condições de deformação plana.

Significância
O artigo postula que o arcabouço FF-PINN proposto oferece uma alternativa computacionalmente eficiente e fisicamente consistente ao FEM para análise elasto-plástica geotécnica. Ao abordar o viés espectral inerente às redes neurais padrão, o arcabouço permite a resolução precisa de gradientes agudos de tensão e deformação que são críticos para avaliar a falha do solo. O estudo conclui que a combinação de mapeamento de características de Fourier e amostragem adaptativa à deformação não apenas melhora a precisão preditiva, mas também acelera a convergência, tornando a abordagem viável para aplicações que exigem avaliações de modelos repetidas, como estudos paramétricos e análises de confiabilidade. Os autores enfatizam que, embora o método mostre grande potencial, trabalhos futuros são necessários para estender o arcabouço para geometrias tridimensionais, modelos constitutivos complexos e cenários de carregamento cíclico.

Mais como este